基于改进卡尔曼算法的室内温度数据融合

针对传统建筑物内部空间结构复杂,布线成本高,数据采集精度不高等问题,采用LoRa无线通信技术构建传感器网络,主要用于监测室内温度参数的变化;对于传统的卡尔曼数据融合结果存在较小波动的现象,引入了孤立森林算法,提出了基于改进的卡尔曼滤波算法的室内温度数据融合算法;通过在采集到的数据集中随机添加扰动样本和畸变数据,对三种算法产生的误差进行比较,改进的卡尔曼数据融合算法在有扰动样本的情况下,误差范围控制在-0.12-0.1之间,在带有畸变数据时,误差范围在-0.03至0.14之间,均远小于传统的卡尔曼数据融合算法和平均值算法;实验仿真的结果表明,改进的算法提高了室内温度数据采集的鲁棒性和准确性。     

基于改进卡尔曼数据融合算法的温室物联网采集系统研究

针对传统温室采集精度不高、布线复杂、能耗大等问题,研究了一种基于改进卡尔曼数据融合算法的温室物联网采集系统。系统硬件主要由CC2530芯片和STM32微处理器构成,运用罗曼诺夫斯基准则对采集的数据进行预处理后,再使用卡尔曼滤波算法在协调器节点处对数据进行静态融合。选取温度作为观测量进行仿真和实验,结果表明,使用改进卡尔曼数据融合算法处理后的温度误差仅为0.089℃,处理后的数据更加接近环境真实值。改进的卡尔曼数据融合算法可以有效地提高数据采集的精度和系统的稳定性,研究结果可为数据采集技术在农业智能化方面应用提供参考。     

一种基于改进支持度的节能型WSNs数据融合算法

无线传感器网络(WSNs)内有大量的冗余数据,它们消耗了过多的网络能量;目前的数据融合算法对数据彼此间的联系考虑得不够充分,融合精度有待提高.针对上述问题,提出了一种基于改进支持度的节能型数据融合算法.该算法在网络的感知节点根据设定的阈值对采集到的数据进行初次融合,并引入自支持度的概念,与灰色接近度理论相结合改进支持度函数,将改进的支持度函数应用到汇聚节点计算最终的数据融合估计值.使用Matlab进行仿真的结果表明:该算法可节能27.87％,数据融合的温度绝对误差均值约为0.98℃,达到了节能和提高融合精度的目的.     

一种基于数据预处理和卡尔曼滤波的 温室监测数据融合算法

温室具有空间大、无线传感器节点易受到干扰等特点,节点采集的数据波动性较大且易出现丢失现象.为了提高温室监测无线传感网的可靠性和数据融合的精度,提出了一种基于数据预处理和卡尔曼滤波的无线传感器网络数据融合算法.经过对各传感器数据进行预处理和卡尔曼滤波估计,再将数据发送到簇头节点进行基于状态补偿策略的加权数据融合.通过对温室湿度数据进行仿真,结果表明:数据预处理能明显减小数据波动,大幅减少网络数据传输量和能耗,提高抗干扰能力.另外,针对温室无线传感器网络容易出现丢包的现象,基于状态补偿策略的加权数据融合算法可以明显提高在数据丢包情况下的融合精度.     

大数据融合模型的智能化网络安全检测方法

针对传统智能化网络安全检测平台处理数据效率低、误差大等问题,文章提出一种新型的解决方案;该方案基于大数据融合模型构建新型的智能化网络安全检测平台,采用卡尔曼滤波算法、采用数据融合分类算法和模糊推理算法3种方法结合构建出数据融合模型来对网络安全检测数据进行运算与处理;其中,采用卡尔曼滤波算法进行改进,对原始网络安全检测数据进行滤波降低噪声干扰,提高数据的精准度;通过SAE稀疏自动编码器自主提取网络安全检测数据的特征信息,之后K-means聚类算法对SAE稀疏自动编码器输出的数据进行处理,通过模糊推理算法调整权值;试验表明,文章所提方案克服了现有技术存在的不足,显著提高了处理数据效率和精准度,在数据量为2 TB的环境下,本研究方法的误差低至6.9％.     

多传感器集中式增量卡尔曼滤波融合算法

在单个传感器的状态估计系统中,标准的增量卡尔曼滤波方法可以有效消除量测系统误差。对于多传感器情况,标准算法失效。针对该问题,提出了多传感器集中式增量卡尔曼滤波融合算法,即:增量卡尔曼滤波的扩维融合算法和增量卡尔曼滤波的序贯融合算法。在标准增量卡尔曼滤波算法的基础上,结合扩维融合和序贯融合的思想来实现多传感器数据的融合。实验结果表明,当存在量测系统误差时,提出的集中式融合算法与传统的集中式融合算法相比,提高了滤波精度,并且能够成功地消除量测系统误差。     

卡尔曼滤波与多传感器数据融合技术

本文介绍了国际上卡尔曼滤波在多传感器数据融合领域的应用,并着重阐述了IMM算法和分布式卡尔曼滤波的思想,总结了卡尔曼滤波在该领域的应用潜力.文中还介绍了在互联网络上相关的站点和新闻组的地址.     

一种用于多目标数据有效性判决的融合算法

数据的有效性判决是判断多个传感器的数据是否代表同一个目标,这是进行信息融合的前提和关键.通过研究最小二乘算法、卡尔曼滤波和PDA算法在融合基理上的一致性,利用相同的思路,本文给出一种改进的计算方法.通过仿真和实际应用,改进算法比最小二乘算法、卡尔曼滤波效果好;与PDA算法有近似的计算结果,但是计算时间比PDA算法大大缩短.     

自适应模糊[C]均值聚类的数据融合算法

针对基于改进模糊聚类的数据融合算法存在融合不精确、融合可信度较低等不足,为了解决多个同质传感器在无先验知识的情况下对同一个目标的某一特征进行测量的数据融合问题,提出了一种自适应模糊[C]均值聚类的数据融合算法,主要是把自适应模糊[C]均值聚类应用到数据融合中。该算法首先在改进的模糊聚类中通过引入自适应系数以发现不同形状和大小的聚类子集,使得融合结果更精确;其次将卡尔曼滤波原理和基于多层感知机的神经网络预测法应用到误差协方差估计中,提高了融合可信度。实验结果表明,与7种经典数据融合算法进行对比,该算法在4个模拟数据集与真实数据集上融合结果较好,特别在判别函数与融合误差方面优势更为明显。     

一种实时目标跟踪航迹数据融合算法

在研究多传感器的目标跟踪数据融合时,针对算法都需要事先了解数据的一部分先验知识,虽然能够提高数据的跟踪精度,但只能应用到事后的数据分析中.为了使融合中心能在传感器录取目标数据的同时进行跟踪数据的融合处理,数据融合算法必须实现实时性.为了解决数据融合算法在提高精度的同时不需要以先验知识为背景的问题,提出一种利用数据间支持度函数矩阵进行多组数据加权融合的结果来替代滤波测量值进行卡尔曼滤波,并得到多组测量数据的实时动态融合跟踪.仿真结果表明,能够实时跟踪目标,同时数据融合的跟踪精度大大提高.     

基于多传感器数据融合的微下击暴流感知

针对微下击暴流的风场特性和几种任务传感器的探测原理,研究基于多传感器数据融合的微下击暴流感知和威胁评估方案.采用扩展卡尔曼滤波的方法建立微下击暴流的解析模型,提出改进的迭代算法实现数据融合并降低参数估计的计算量,依照所建模型进行威胁度评估.仿真实例中选用前视红外(FLIR)和激光雷达(Lidar)探测的风速数据对方案进行验证,并计算F因子,评估其威胁度.     

基于GPS/INS的机载三维激光测控系统的设计

设计并实现了一种机载激光测控系统的软硬件方案,系统的GPS/INS传感平台,使得系统可以不依赖于姿态和位置的精确控制.应用高阶次的扩展Kalman滤波算法进行传感器数据的融合.利用数据融合得到的信息,通过解算获得激光三维点云数据.实验结果表明:设计的激光测量系统具有良好的可行性,所设计的高阶扩展Kalman融合算法对G...     

高速公路气象数据融合滤波与短时雨雾预测

高速公路路域内雨雾气象数据呈现多源、异构特性,对其进行短时精准预测存在很大难度;针对该问题,在利用联合概率法求得数据之间联合概率的基础上构建异构数据融合模型,并将该融合模型与卡尔曼滤波方法相结合,建立面向多源异构气象数据的协同融合滤波模型;在此基础上,利用贝叶斯最大熵方法,结合雨雾经验理论、融合滤波后的数据以及原始雨雾数据,实现了对高速公路目标路段雨雾天气的短时精准预测;实验结果表明,该方法能够为用户提供精准、稳定的高速公路短时雨雾气象预测结果,对减少交通事故,合理进行交通管制具有重要意义。     

用于胎压监测系统的一种改进贝叶斯估计数据融合算法的研究

针对小型汽车胎压监测系统(TPMS)利用单一传感器测量数据不确定性的问题,提出一种将贝叶斯估计和卡尔曼滤波相结合的多传感器数据融合的方法.设计满足系统功能要求的方案,运用贝叶斯估计对SP370轮胎模块中传感器采集的数据进行融合,排除失效的数据以及故障的传感器,提高系统的精度.结合卡尔曼滤波器优化融合的结果,消除噪声信号.研究结果表明,采用上述的数据融合方法能够有效的解决单一传感器测量数据的局限性,抑制传感器引入的噪声,并通过仿真验证了本系统的可行性、可靠性.     

UUV水下回收中的视觉和短基线定位融合

为了使UUV在水下坞舱回收过程中利用视觉和短基线(short baseline-SBL)进行导引定位,提出了一种视觉和短基线的自适应融合定位方法,以提高导引定位的精度.介绍了短基线定位和视觉定位2种定位系统及其工作原理,以及定位数据的野值剔除和去噪方法.野值剔除采用了一种基于数据变化率的自适应在线野值剔除方法,数据去噪采用了软阈值小波滤波方法.针对传统卡尔曼滤波进行数据融合时先验知识不足的缺点,提出了一种基于模糊逻辑的在线自适应卡尔曼滤波融合方法.通过获取的实时测量数据,实时调整噪声的协方差矩阵来融合2种定位数据.水下回收水池试验结果表明,定位传感器的绝大部分野值被剔除且去噪效果明显,视觉和短基线融合后的定位精度有很大提高,证明了所提方法的有效性.     

基于观测数据删减及量化新息的无线传感器网络目标跟踪

针对资源受限的无线传感器网络,提出一种基于数据删减及量化新息的目标跟踪方法.利用融合中心接收到的量化新息以及数据删减过程传递的信息对目标状态进行估计.每个传感器节点利用容积卡尔曼滤波执行数据删减过程,融合中心执行一个辅助粒子滤波器.为了节省节点的能量和带宽,将所选择的观测数据的新息符号发送到融合中心,融合中心将数据丢失过程所包含的信息加以利用,提高了目标跟踪精度.仿真结果表明了该方法的有效性.     

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.