基于最小二乘原理多传感器加权数据融合

针对目前多传感器数据融合过程中传感器对某一状态量测量时精度较低的问题,提出了基于最小二乘原理的多传感器加权数据融合算法.该方法利用最小二乘原理和方差的遗忘信息,通过均方误差比较,计算出各个传感器的权重之后进行加权融合.该算法既考虑了历时信息的作用,又考虑了环境噪声和新采样值的影响,增强了对环境监测的敏感性.相比同类融合方法,该方法具有较高的精度,最后仿真结果也直观地说明了该方法的有效性.     

基于相关性函数和最小二乘的多传感器数据融合

针对目前传感器数据融合过程中,各传感器的可靠度估计困难和测量数据融合结果精度较低的问题,利用模糊理论中的相关性函数,提出了多传感器的相互支持程度计算的新方法,并基于最小二乘原理,对支持程度高的传感器数据进行融合.该方法计算简单,能客观地反映各传感器的可靠程度,不需要知道数据的先验信息.仿真结果表明,相比同类融合方法,该方法获得的结果具有更高的精度.     

基于多速率传感器数据融合技术的最小二乘估计

将多速率传感器数据融合技术与传统最小二乘估计方法相结合,可以得到一种基于多速率传感器数据融合技术的最小二乘估计新方法。它通过有效地融合各个传感器的观测数据,最终获得了基于全局测量信息的在极小化估计误差方差的迹的准则下最优的无偏参数估计结果。针对具体应用实例,计算机仿真不仅说明了这种方法的实用性,而且进一步验证了其有效性。     

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。     

基于最小二乘与D-S证据理论的WSN层次式数据融合算法

无线传感器网络中,数据融合技术是降低网络数据通信量、节省节点能耗和延长网络寿命的重要措施之一。为了在兼顾降低数据量的同时提高对事件的识别精度,提出了一种基于最小二乘法和D-S证据理论的层次式数据融合算法。算法在Sink节点上,以最小二乘算法融合从传感器节点上传的数据,降低了Sink节点与监控中心的通信量;在监控终端上采用D-S证据理论建立识别框架,通过证据的不断积累,提高了事件的识别精度。     

基于修订矩阵的最小二乘法多传感器融合障碍物位置估计

在障碍物位置检测时,由于传感器测量误差等不确定因素的存在,希望通过多传感器融合降低不确定性使得位置估计值更为可靠.提出了一种基于修订矩阵的最小二乘法多传感器融合估计新方法.根据红外传感器得出的先验信息建立修订矩阵,再由最小二乘法的原理得出线性可信度加权方程.分别对加入和不加入修订矩阵进行仿真和"未来之星"移动机器人实验...     

基于递推最小二乘和改进支持度的WSN数据融合算法

无线传感器网络(WSN)在空间和时间上均存在数据冗余问题。为了在保证精度的前提下减少冗余量,提出了基于递推最小二乘和改进支持度的WSN数据融合方法。针对单个传感器节点,采用递推最小二乘法进行数据融合。针对节点之间的冗余问题,应用分批融合思想对系统降维,将灰色接近度理论与自支持度结合改进支持度函数,对各子系统分别采用基于改进支持度函数的加权算法进行融合。采用一个包含7个传感器节点的无线传感器网络对该算法进行了检验。结果表明,该融合算法能够显著减少数据计算量与传输量。融合后的数据均方误差为0.1597,能够满足实际应用对精度的要求。     

基于最小一乘估计的多传感器信息融合方法

针对多个传感器对某一特性指标进行测量实验的数据融合问题,从稳健性角度,利用统计理论中的最小一乘估计,提出一种多传感器数据的融合方法。该方法基于自适应加权,以最小化传感器测量数据的绝对偏差为目标函数,通过求解条件极值问题,得到各传感器数据的权数,从而给出融合结果。仿真实例表明方法的有效性和较好的稳健性。     

一种用于数据校正的最小二乘与准最小二乘组合方法

过程系统的控制与优化要求可靠的过程数据。通过测量得到的过程数据含有随机误差和过失误差,采用数据校正技术可有效地减小过程测量数据的误差,从而提高过程控制与优化的准确性。针对传统基于最小二乘的数据校正方法:和基于准最小二乘的鲁棒数据校正方法:,分析了它们的优缺点,并提出了一种最小二乘与准最小二乘组合方法:。该方法:先采用准最小二乘估计器检测过失误差并剔除,然后再采用最小二乘估计器进行数据校正,可以综合前两种方法:各自的优点,使得数据校正结果:更加准确。将提出最小二乘与准最小二乘组合方法:应用于线性与非线性系统的数据校正中,通过校正结果:的比较说明此方法:的具有较好的过失误差检测能力和较准确的数据校正结果:。最后将此方法:应用于实际过程系统空气分离流程的数据校正中,结果:说明了此方法:的有效性。     

基于移动最小二乘法的气动力数据建模方法

针对一体化飞行器高度耦合的非线性气动问题,提出了一种基于移动最小二乘法的气动力数据建模方法;首先,对影响模型精度的因素进行了分析;接着,在构建移动最小二乘模型时采用遗传算法获取最佳支撑域半径以及最佳影响因子β,提高近似精度从而达到减少样本点的目的;得到泛化能力较强的气动力模型,并与偏最小二乘方法的建模结果进行对比;实验结果表明:移动最小二乘法的建模效果优于偏最小二乘方法,预测误差较小,证明了将该方法应用于气动数据建模是可行的。     

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。     

基于LMS算法的多传感器数据加权融合方法

针对目前多传感器数据融合过程中,传感器观测噪声不易确定,提出了一种基于LMS算法的多传感器自适应加权数据融合方法。该方法将传感器最优加权系数的求解,转化为估计值的均方误差性能表面的最优解搜索,通过加入自适应阶段,采用自适应最小均方误差（LMS）算法调整传感器加权系数。仿真结果表明该方法的有效性。     

基于WNN的BP算法的多传感器数据融合研究

小波神经网络（WNN）是将小波理论和神经网络理论结合起来的一种神经网络,有较强的函数学习能力和推广能力及广阔的应用前景。采用基于WNN的BP权值平衡算法对多传感器测量的结果进行特征级的数据融合,融合结果提供给决策级判断。该融合算法避免了BP网络收敛速度慢,易产生局部最优解等缺点,提高了学习的速度、精度。仿真结果表明了该方法的有效性。     

基于冗余信息的多传感器数据融合算法研究

针对当前数据融合算法中存在的静态融合和计算量问题,提出了一种基于冗余信息的多传感器数据融合算法,首先,利用强跟踪滤波算法完成对于局部状态的估计,然后,依据局部状态估计值之间的冗余信息判定局部状态自身的可信度,从而实现对其权系数动态的合理分配。通过Monte-Carlo仿真验证了该算法的有效性。     

基于多传感器数据融合的准静态校准数据处理方法

静态标定后的电子测压器靶场实测时存在测不准和测试精度不高的问题,为了提高系统的可靠性和测试精度,提出了基于模拟膛压发生器的模拟应用环境的准静态校准方法.为了提高校准工作效率,提出了基于多传感器数据融合的准静态校准数据处理方法.文中详细论述了多传感器数据融合理论以及标准压力曲线上升沿校准法的合理性.用上述方法校准后的电子测压器进行靶场实测,测试数据精度高,可靠性强.     

基于D-S证据理论的数据融合井下监测方法分析

针对矿井单传感器监测系统监测数据单一、不确定性较高的缺陷,利用基于D-S证据理论的多传感器信息融合技术,在对原始数据分析处理的基础上,把多种参数通过数据融合模块实现对井下工作环境安全性的评估、决策。同时,可根据各参数间的相关性获得更多单传感器监测系统所无法获得的井下环境信息,极大地提高了数据采集的可靠性、全面性和矿井监测系统的有效性。     

无线传感器网络节点分布式信息融合算法研究

节省能耗和延长网络寿命是无线传感器网络研究的核心课题之一,国内外在节点放置、路由策略方面有大量研究,通过密度控制、分级簇等路由算法减少数据冗余。通过信息融合算法减少有效数据传输量是延长网络节点寿命的有效途径,并就此进行具体研究,提出了三种典型的分布式信息融合算法,即系数加权融合、无反馈的Kalman融合滤波及有反馈的Kalman融合滤波,并对其在805.12.4/ZigBee温度测量网络应用层协议中进行实现,最后通过运算数据结果对三种算法进行了比较分析及有效性、局限性总结。