基于参数估计的数据融合算法研究

研究了有关分批估计、自适应加权和方差估计算法在多传感器数据融合中的有效性、准确度和实时性。通过实例在对几种算法进行仿真比较的基础上,说明了上述几种算法的有效性及其融合精度的差异,其结果表明:按测量方差值并采用自适应加权算法的融合效果最佳,有效地提高了融合精度,对考虑了环境噪声的多传感器数据采集系统较为适合。     

测距传感器数据在线自适应加权融合

针对移动机器人的测距系统,采用了红外线传感器与超声波传感器共同测距,避免了因使用单个传感器进行多次测量而降低系统的实时性和产生信号串扰问题;应用自适应加权数据融合估计算法对实时测量数据进行在线融合估计,只对当前采样时刻的测量数据进行自适应加权融合,而各传感器的加权因子则通过传感器的测量数据进行方差在线学习估计以自适应方式进行调整,使融合结果的均方误差始终最小,实现两种传感器在功能上的互补;实验结果表明,该方法提高了整体测距精度,得到了被测距离更加准确的估计.     

多传感器数据融合在矿井安全监测中的应用

针对矿井安全监测数据不准确、安全评判不可靠的问题,提出了一种基于多传感器数据融合的两级数据融合方法。一级融合先利用分批估计算法对单个传感器数据进行处理,提高数据采集的准确性,再采用自适应加权算法对同类多个传感器数据进行处理,获得矿井各环境参数的融合值;二级融合将矿井各环境参数的融合值与矿井安全标准特征向量进行灰色关联度分析,得到矿井安全状况的一致估计。实例验证了该方法的可行性和有效性。     

基于异常数据预处理和自适应估计的WSN数据融合算法

针对无线传感器网络（wireless sensor network,WSN）存在节点能量受限、测量精度低、生存期短等问题,提出一种基于异常数据预处理和自适应估计加权融合算法（abnormal data-preprocessing adaptive estimation weighting fusion,ADAEWF）。为了提高算法可靠性,提出了基于异常数据检测、简单多数原则和节点综合支持度函数的数据预处理机制;为了减小测量误差对融合精度的影响,基于分批估计和自适应理论对节点测量值进行自适应估计加权数据融合;然后,建立了WSN仿真模型,并分别获得了ADAEWF、自适应预测加权数据融合算法（adaptive forecast weighting data fusion,AFWDF）和算术平均值法下融合结果的均方误差和网络有效生存期。仿真结果显示：ADAEWF算法融合精度和网络有效生存期均优于AFWDF和算术平均值法,表明ADAEWF算法在提高融合数据有效性、网络有效生存期和融合精度方面具有优越性。     

多传感器测量中的方差估计

在多传感器加权融合算法中，各传感器的权值仅由传感器的测量方差决定。假设各传感器噪声为平稳过程且相互独立，本文提出了待测状态未知且时变情况下．多传感器测量方差的估计算法，并讨论了估计方差的统计特性，证明了估计的无偏性。针对工程中环境噪声的变化，进一步提出了加窗方差估计方法，并给出了窗口宽度和估计精度的关系．使算法能有效地跟踪环境噪声的变化。该算法无需设置依赖于环境的初始值，并给出了递推公式．使其可用于对多传感器测量方差的实时自适应估计。仿真结果直观地说明了估计方法的有效性。     

多传感器自适应加权融合算法及其应用研究

多传感器数据融合可以获得比单一传感器更多、更准确的信息,本文提出了一种多传感器自适应加权融合算法,该算法无需传感器测量数据的任何先验知识,利用传感器所提供的测量数据,即可融合出总方差最小的数据融合值,仿真和应用实例均表明该算法的有效性。     

基于自适应分批估计的瓦斯监测多传感器数据融合研究

针对瓦斯监测中多传感器监测数据的融合问题,提出了一种多源数据自适应分批估计算法。利用各组传感器局部融合值与最终融合值的方差自适应地调节各组的权重,通过多步融合逐渐弱化误差较大传感器组对最终融合值的影响。仿真实验表明:相对于平均值法与分批估计算法,该算法能有效地提高数据融合精度,能够满足瓦斯监测对实时性和精确性的要求。     

基于带无偏输入的加权融合算法

给出了带输入估计的卡尔曼滤波算法,比较了带输入估计的卡尔曼滤波算法和标准卡尔曼滤波算法的差别,在此基础上提出了一种最优加权的数据融合方法,分析了最优权值的分配原则,给出了最优加权下的多传感器融合算法.该算法首先计算出各个传感器当前的滤波精度,依据各传感器当前时刻的滤波精度分配权值,同时测量方差的时变特性使得每次测量信息得到充分的利用,通过仿真比较了该方法与平均分配权值方法效果的差别,实验结果表明了该算法的有效性.     

非平稳随机序列的自适应加权融合算法

针对非平稳的多传感器测量信号的融合问题,提出了一种非平稳随机序列的自适应加权融合算法,它能够实时估计并自适应地在线调整各传感器的最优加权因子。仿真研究表明:该算法能够有效地减小融合估计值的方差,提高测量精度。     

自适应窗长方差估计在多传感器数据融合中的应用

针对多传感器数据融合中,恒窗长方差估计算法对噪声变化跟踪能力不强的缺点,提出了一种根据噪声变化自适应调整窗长的方差估计算法。给出了对方差估计曲线突变段的寻找方式以及自适应窗长的选择策略。该算法能灵敏的跟踪传感器测量噪声的突变,同时不依赖于初始窗长的设定,能自动收敛到适合的窗长模式。仿真结果说明了该算法在多传感器数据融合中的有效性。     

标量及对角阵加权的序贯估计融合算法研究

针对多传感器分布式估计融合系统,在最小化估计误差的协方差矩阵迹的准则下,采用标量加权及对角阵加权融合方法,提出了估计误差相关条件下的序贯处理式最优估计融合Kalman滤波器。该融合滤波器以两传感器估计融合算法为基础,对传感器采集信息依次进行融合计算,得到多传感器融合结果。比较两种算法与局部滤波器的估计精度,并进行了仿真。仿真结果表明了基于加权估计融合的序贯处理算法的可行性和有效性。     

基于BP神经网络数据融合的瓦斯监测系统

井下瓦斯监测系统为多传感器监测系统,它通过不同功能、不同精度、不同位置的传感器,对所需要的被测量进行多方位、多角度的测量。但是,目前对于多传感器所测的数据还没有一种通用的、行之有效的处理方法,井下瓦斯浓度的监测很难作到实时、精确。因此,文章提出了一种基于BP神经网络数据融合的瓦斯监测系统的设计方案,该方案采用改进的BP神经网络算法对多传感器数据进行融合,并采用两级融合的方式对数据进行处理,以得到井下环境特征。仿真结果表明,基于BP神经网络数据融合的瓦斯监测系统具有较高的测量精度,极大地提高了数据采集的可靠性、全面性和有效性。     

基于Bayes估计的多传感器最优融合

本研究了多传感器数据融合技术的一种方法融合方法以Bayes估计理论为基础,并对数据进行了一致性检验,得到了多传感器最优融合数据,提高了数据的精确度。实际应用结果验证了算法的准确性,并进行了Matlab仿真,这种数据融合方法计算简便,可以获得比有限个传感器的算术平均值更准确的测量结果．具有较高的可靠性,可用于测量结果具有正态分布特性的多传感器测量系统。     

基于最小二乘准则的多传感器参数估计数据融合

为了从含有加性测量噪声的线性测量数据中更加准确地估计未知的常值参数,测量噪声互不相关的多传感器测量系统得到广泛使用。在最小二乘准则下,提出了多传感器测量系统在多次同步测量时的集中式和分布式参数估计数据融合算法,两种算法完全等价,且都是全局最优的。数值仿真实验的结果表明,新算法可以明显改善传感器测量参数的估计精度。     

机载激光雷达系统高精度点云生成研究

为了解决基于无人直升机的机载激光雷达(Lidar)系统中获得三维激光点云数据的效率低、精度低问题,提出了一种可获得高精度三维点云数据的解决方案;从系统点云数据生成原理分析影响点云精度的因素;实现十一阶扩展卡尔曼算法对多传感器数据进行数据融合处理,充分利用了不同传感器的优点;改进的扩展卡尔曼融合算法,不但有效地降低噪声和干扰对系统影响,而且提高了激光雷达系统点云数据的可靠性和精度;实验结果验证了算法的正确性和点云数据的精度。     

基于多传感器数据融合的机器人里程计设计与实现

设计并实现了一种基于FPGA和多光电鼠标的高精度机器人里程计。多个PS/2光电鼠标传感器测量位移数据,利用FPGA解析PS/2协议并完成数据融合,得出高精度机器人里程计结果。针对传统Luo一致性数据融合算法的缺陷进行改进,并通过归一化特征值加权法得到每个传感器测量值被系统综合支持的程度,完成多传感器测量数据融合。实验结果表明:该数据算法计算步骤固定,方便在FPGA上实现;该里程计在有异常数据干扰情况下,能够达到较高的测量精度。     

基于平均值迭代的多目标数据融合算法

针对多平台多目标量测数据的通信、量测等方面的不确定性,提出了一种基于平均值迭代法的多平台集中式数据融合算法。该方法首先采用最近邻法进行多平台多传感器数据关联,进而利用关联后数据的平均值循环迭代更新测量数据中的最大、最小值,直到满足规定的精度要求,从而实现多平台多传感器数据融合。避免了一些传统算法的复杂计算过程,提高了计算速度,且能满足融合结果的精度需求。通过仿真实例,验证了该算法的可行性和有效性。     

基于多传感器的温室环境数据融合算法研究

无线传感器网络中采集的数据存在着较大的冗余与误差,影响数据的可靠性;而在温室环境监测中,对数据的准确性要求比较高。因此,为了提高多传感器采集数据的准确性,在研究了现有的几种数据融合算法以后,提出一种基于多传感器的综合数据融合算法。给出了采用格罗布斯准则消除粗大误差,并引入哈夫曼树的思想对数据进行项融合的方法。结果表明,该算法可以有效提高测量数据的准确性。     

Random weighting estimation for fusion of multi-dimensional position data

This paper adopts the concept of random weighting estimation to multi-sensor data fusion. It presents a new random weighting estimation methodology for optimal fusion of multi-dimensional position data. A multi-sensor observation model is constructed for multi-dimensional position. Based on this observation model, a random weighting estimation algorithm is developed for estimation of position data from single sensors. Using the random weighting estimations from each single sensor, an optimization theory is established for optimal fusion of multi-sensor position data. Experimental results demonstrate that the proposed methodology can effectively fuse multi-sensor dimensional position data, and the fusion accuracy is much higher than that of the Kalman fusion method.