共查询到19条相似文献,搜索用时 125 毫秒
1.
2.
在多传感器检测系统中,由于工作环境的复杂,使得传感器的测量精度受到影响,从而导致传感器的测量数据并不总是准确;因此要选择测量数据合理的传感器进行数据融合。在多传感器数据融合的过程中,必须首先验证各个传感器的可靠程度,确立正确韵关系矩阵。一般做法是根据阈值点判断两个传感器是否相互支持。针对在阈值点处存在的模糊性提出一种利用阈值区间判断其支持程度的方法,并通过实验说明这种方法的可行性与简单性。 相似文献
3.
一致性多传感器数据融合方法的改进 总被引:9,自引:0,他引:9
多传感器数据融合是指将经过集成处理的多传感器数据进行合成,形成对外部环境某一特征的一种表达方式的过程。本文首先介绍了Luo[1]的一致性多传感器数据融合方法。然后,针对Luo方法的不足之处,改进了一致性融合方法。该改进方法计算量小,能简便、快速地确定一致性的传感器数据。 相似文献
4.
5.
6.
基于多传感器的温室环境数据融合算法研究 总被引:2,自引:0,他引:2
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。 相似文献
7.
8.
卡尔曼滤波与多传感器数据融合技术 总被引:2,自引:0,他引:2
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. 相似文献
9.
基于信噪比的多传感器数据融合方法 总被引:3,自引:1,他引:3
针对多个传感器对某一特性指标进行多次测量实验的数据融合问题,提出了一种基于信噪比的多传感器数据融合方法.该方法首先视各传感器的测量值为模糊集合,利用模糊集合中的最大最小贴近度来度量不同传感器测量值之间的相近程度,其次给出了不同时刻各传感器的一致性测度,然后基于信噪比定义了一致可靠性测度,最后利用一致可靠性测度得到传感器数据的融合公式.应用实例验证了该方法的有效性.同时,通过与平均值法和可靠性融合法的比较分析,表明该方法具有较好的稳健性. 相似文献
10.
针对多只传感器对某一特性指标进行测量实验的数据融合问题,利用信息理论中的信息熵,提出了一种新的多传感器数据的融合方法。该方法以最小化各传感器测量数据的信息熵之和为目标函数,通过求解极值问题,得到了多传感器数据的融合结果。可以较好地避免受主观因素影响的关系矩阵,充分利用实验数据,防止有效数据的丢失。该算法简洁稳定,可用于提高智能仪表的测量准确度和改善智能仪表的抗干扰能力。 相似文献
11.
12.
13.
14.
多传感器数据融合系统中的目标跟踪技术 总被引:1,自引:2,他引:1
概述了多传感器数据融合系统中目标跟踪的主要技术,分析比较了最近邻法、联合概率法进行数据互联的原理、性能及优缺点,讨论了滤波和Kalman滤波的性能及适用的目标运动模型,并分别给出了用两种互联方法、两种滤波方法进行计算机仿真时的误差比较。实验结果表明,用多传感器数据融合系统进行目标跟踪可以得到较高的跟踪精度。 相似文献
15.
In this paper we propose an extension of the notion of deviation-based aggregation function tailored to aggregate multidimensional data. Our objective is both to improve the results obtained by other methods that try to select the best aggregation function for a particular set of data, such as penalty functions, and to reduce the temporal complexity required by such approaches. We discuss how this notion can be defined and present three illustrative examples of the applicability of our new proposal in areas where temporal constraints can be strict, such as image processing, deep learning and decision making, obtaining favourable results in the process. 相似文献
16.
17.
18.
In this paper, the state estimation problems, including filtering and one‐step prediction, are solved for uncertain stochastic time‐varying multisensor systems by using centralized and decentralized data fusion methods. Uncertainties are considered in all parts of the state space model as multiplicative noises. For the first time, both centralized and decentralized estimators are designed based on the regularized least‐squares method. To design the proposed centralized fusion estimator, observation equations are first rewritten as a stacked observation. Then, an optimal estimator is obtained from a regularized least‐squares problem. In addition, for decentralized data fusion, first, optimal local estimators are designed, and then fusion rule is achieved by solving a least‐squares problem. Two recursive equations are also obtained to compute the unknown covariance matrices of the filtering and prediction errors. Finally, a three‐sensor target‐tracking system is employed to demonstrate the effectiveness and performance of the proposed estimation approaches. 相似文献