多传感器数据融合中的数据预处理技术

数据预处理是进行多传感器数据融合的基础，对数据的空间统一和时间统一的研究方法及流程进行了阐述，介绍了其于该方法的技术在实际应用中取得的效果。     

考虑传感器失效的多传感器加权数据融合算法

本文提出了一种基于信任度函数的方法,对多传感器数据进行一致性检验,然后结一致性传感器进行加权融合。仿真结果表明,该方法计算量小,能简便,快速地确定生的传感器数据。     

多传感器目标分类的数据融合方法

本文概述了多传感目标分类数据融合技术的概念，原理，结构和算法，揭示了它的实质，全面介绍了该技术目前在国内外的研究发展状况，指出存在问题，难点，并预测未来发展趋势，完整地展示这一研究领域的全貌。     

多传感器航迹数据融合的机载火控系统

为研究机载火控系统多传感器数据融合的方法。采用了基于多目标多传感器航迹数据融合的改进的卡尔曼滤波算法，运用假设检验理论，充分考虑了位置数据互联的正确性和目标信号的历史信息，使其性能不随目标数目的增大而变差。计算机仿真表明：所建立的系统操作方便，运行可靠，性能价格比高；所采用的算法具有处理速度快、精度高等优点。     

多传感器数据自适应加权融合估计算法的研究

针对从含有观测噪声的测量数据中估计一个非随机量，本文提出了一种多传感器数据自适应加权融合估计算法，并在理论上证明了该估计算法的线性无偏最小方差性。最后给出了本算法在计算机上的仿真结果，从实际应用上进一步说明了本算法的有效性。     

基于灰色关联度的多传感器数据融合方法研究

针对多个传感器对某一特性指标多次测量的数据融合问题,提出一种基于灰色关联度的多传感器数据融合新方法。该方法将各传感器测得的数据视为一个行为序列,利用灰色关联度对不同传感器测得数据之间的接近程度进行度量,并通过灰色关联矩阵全面衡量数据间的综合接近程度,然后根据非负对称矩阵的性质求得各传感器测得数据在数据融合表达式中的权重,从而实现多传感器数据的融合。仿真结果表明应用所提出方法对雷达数据进行处理,可有效降低跟踪误差,提高测量精度。     

多传感器测量数据预处理

传统传感器测量数据处理方法只采用算术平均值的数字滤波法，虽然这种方法具有一定的抗干扰性，但从统计理论和实际应用情况分析来看，这种方法处理的数据不是测量结果的最好表示，尤其对于多传感器测量情况甚至更糟糕。针对这种情况提出了通过2次利用偏度分析建立动态检测门限判别并剔除粗差，再进行数据融合的分批估计方法．数据分析结果表明。这样处理后的数据测量误差和方差均更小，测量结果更接近测量真值。     

用于判别连接状态的机器人手爪多传感器数据融合

舱外移动机器人在空间站工作时 ,其手爪与工件及空间站的安全连接至关重要。分别用BP神经网络和径向基函数神经网络 ,对机器人手爪上的力传感器、接近觉传感器和位移传感器的信息进行了融合 ,得到一个关于机器人手爪连接状态的正确判别     

多传感器数据融合技术应用研究

当前多传感器数据融合技术中,多是基于支持度矩阵的最优加权多传感器融合方法,但在支持度矩阵的计算中,相对距离的选取多是基于时域峰值,时域峰值在测量中存在较大干扰和不确定性,因此通过时域峰值不能很好地确定两个传感器之间的相互支持程度．本文提出了一种基于互相关函数的支持度矩阵计算方法,然后对支持度高的传感器进行最优加权融合．通过仿真表明：此种方法无需传感器的任何先验知识,能够客观显示各传感器的可靠程度,比其他方法具有更高的融合精度．     

基于模糊贴近度的多传感器数据融合测量

依据现代测量中多传感器数据融合需求,提出了一种基于模糊贴近度的数据融合新方法,研究了它在测量中的应用过程。测量应用实例验证了其在工程中的可行性,体现了稳定性、可靠性高的传感器在测量数据融合中的“优越性”,运算过程简洁、快速、有效,便于实时测量操作。     

基于小波去噪的增强多尺度多传感器数据融合

建立了基于小波去噪的增强多尺度自回归模型。增强多尺度状态可以将直接基于小波变换的多尺度自回归模型的网状结构简化为二叉树结构。基于小波去噪的多尺度模型具有非参数化特性，该模型适合于系统特性不知道的分布式多分辨率多传感器进行建模。最后，应用该算法于高精度划线切割机器人系统中多传感器的建模，实现了型钢划线切割过程中型钢边缘的检测。实验结果和数值仿真表明，多分辨率多传感器的数据融合可以消除噪声的干扰，提高检测系统的测量精度。     

基于任务的神经网络多传感器数据融合新方法

面向遥操作机器人系统对传感和控制的具体要求及条件,提出一种基于任务的神经网络多传感器数据融合新方法。根据遥操作过程中的不同任务,利用优化的神经网络算法,对双视觉、六维力／力矩、接近觉（数字／模拟）、指端力、关节角度等多种传感器信息进行融合决策,并实时地将融合结果反馈回上层控制系统。     

多传感器模糊融合跟踪算法

针对集中式融合结构跟踪系统,利用随机逼近算法分析了权值的最优分配原则,提出了一种基于模糊推理的多传感器融合跟踪算法。该算法采用协方差匹配技术,依据滤波新息,动态调整测量噪声方差,使融合系统的均方误差始终最小。同时利用双滤波器结构,根据系统方差,实现滤波器间的动态切换,提出了基于模糊推理的并行双Unscented卡尔曼滤波自适应跟踪算法,增强当前统计模型对弱机动目标的适应能力。针对机动和非机动飞行航路进行了算法仿真,结果表明,在时变测量噪声条件下,采用模糊融合跟踪算法前后的速度均方根误差分别为45.7m/s和36.2m/s, 18.7m/s和9.6m/s,提高了多传感器系统的稳健性和跟踪精度。     

基于PSO优化BP神经网络的多传感器数据融合

针对室内环境监测中单一传感器测量数据精度低、可靠性差的问题,提出一种基于粒子群(particle swarm optimization,PSO)优化BP神经网络多传感器数据融合算法。首先使用防脉冲干扰平均滤波算法来消除检测数据中的异常数据和噪声数据。其次,利用卡尔曼滤波算法对多同类传感器进行数据级融合,有效地降低因噪声干扰导致的测量误差,为异质传感器进行决策级融合提供最佳数据。最后,采用PSO优化BP神经网络算法进行决策级融合。实验结果表明,基于PSO优化BP神经网络多传感器数据融合算法对测试样本的平均绝对百分比误差(mean absolute percentage error, MAPE)和拟合度(r²)均优于BP神经网络和自适应加权(adaptive weighted, AW)优化BP神经网络,且运行时间比BP神经网络以及AW-BP神经网络分别短69.31%、50.36%。经验证,基于PSO优化BP神经网络多传感器数据融合算法具有更高的融合精度,同时缩短了算法的运行时间。     

采用多传感器数据融合技术的消防报警系统

介绍了多传感器数据融合消防报警系统，然后在分析信号特征和各种算法的基础上提出数据融合的思想。根据多传感器的不同性质，进行多级别、多方面处理，以求更可靠更准确的结果。并提出了基于传感器数据融合的火灾报警的基本框架，最后讨论了传感器数据融合的方法和管理实施。     

改进的Hough变换在多传感器数据融合中的应用

提出了用一种改进的Ｈｏｕｇｈ变换来解决多传感器数据融合的问题，与多传感器数据融合中常用的统计或几何方法相比，该方法具有计算速度快、存储要求小和容易实施等优点，简要分析了该方法和数据融合的几何方法之间内在的联系。     

基于智能雷场的多传感器数据融合

在多传感器数据融合算法中,多属性决策在事先确定好的有限数目备选方案中用于偏好决策.多属性决策中使用的因素权值通常都是固定的,无法反应真实情况从而影响数据融合效果.为了解决这一问题,将多属性决策和变权理论相结合用于威胁评估.实验表明,与使用多属性决策相比,该方法有效地发挥了多属性决策和变权理论各自的优越性,所得结果准确地反映了目标真实的威胁程度.给智能雷场作战指挥决策提供了一个更为科学合理的理论方法.     

多传感器数据融合技术在水泥袋计数器中的应用设计

针对当前水泥袋计数器计数误差较大的问题,设计了一套基于多传感器数据融合技术的水泥袋计数系统。系统采用光电开关传感器感知水泥袋的有无,用倾角传感器确定水泥袋是否叠袋,用光电编码器测量传输带实时速度来确定是否连袋,用单片机对采集到的3种传感器信息集中进行数字智能化处理,可精确计算经过传送带的水泥袋的数量。实验结果表明,该计数器系统运行稳定可靠,具有一定的推广价值。     

多传感器信息融合研究概述

多传感器信息融合是一门涉及信号处理、信息论、人工智能、模糊数学等理论的多学科交叉技术,被广泛应用于军事和民用领域。介绍多传感器信息融合的概念主要应用,描述多传感器信息融合的功能模型和融合方法,并对其发展趋势进行分析。     

基于多传感器数据融合的喷水推进泵空化分类识别

采用基于奇异值分解和人工神经网络的多传感器数据融合方法对喷水推进泵的空化状态进行了分类识别研究。首先利用基于奇异值分解的权值估计算法分别对水声信号和振动信号在时间上进行数据级融合,提取出各自的特征,然后将所有特征组合起来作为神经网络的输入,利用BP网络和RBF网络进行特征级融合和分类识别。分析结果表明：基于多传感器数据融合的分类识别结果优于单传感器分类识别结果;采用基于奇异值分解的数据融合方法后,分类识别率显著提高,对空化初生微弱特征的识别效果尤佳。