分布式多传感器数据融合

介绍经典统计推理理论的分布式多传感器数据融合的概念、形式和方法，以及目前在这一领域研究中已取得的进展及今后的发展趋势．     

多传感器分布式区间估计融合

考虑了对未知参数θ的多传感器分布式区间估计融合问题. 建立了一种最优区间估计融合模型———凸线性组合融合, 并给出搜索最优权系数的Gauss Seidel迭代算法, 另外, 给出了一种近似的区间估计融合, 它能减少大量的计算量, 并且在某些情况下可以达到最优的估计性能. 最后采用计算机数值模拟, 用以上方法得到的融合区间估计均优于每个传感器的区间估计的性能.     

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。     

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。     

分布式多传感器检测系统时间序列数据融合算法研究

本文在Ｃｈａｉｒ和Ｖａｒｓｈｎｅｙ提出的数据融合算法基础上,提出一种分布式多传感器检测系统按时间序列取多组局部决策数据的融合算法及决策规则,并给出系统性能的仿真计算结果。     

多尺度随机建模与分布式多传感器数据融合估计

针对不同尺度上拥有不同特征的传感器对同一目标状态进行检测的多传感器单模型动态系统，利用小波将最细尺度上的状态方程进行有效分解，基于小波变换的分析、综合形式建立起以尺度为变量的动态多尺度随机模型。利用该模型将各个尺度上状态的局部估计结果进行有效综合，从而在最细尺度上获得目标基于全局信息的最优估计值。并经仿真对算法的有效性进行了验证。     

传感器网络分布式事件触发多目标估计

本文主要研究无线传感器网络中目标数目已知且固定的一类分布式多目标跟踪问题,提出了一种完全分布式的基于事件触发的测量和通信策略使得每个节点在不需要全局信息的情况下实现估计误差和能量消耗之间的平衡.监测区域存在多个移动目标,传感器能否测量到单个目标由事件触发测量机制和节点的测量半径来综合决定.基于节点和邻居的信息采用k-means聚类算法来解决数据关联问题,同时提出了基于最小迹原则的一致性卡尔曼滤波算法.从理论上证明了该事件触发策略不仅在性能指标上优于基于时间触发的算法,而且在网络中如果存在节点对多目标协同可观,系统估计误差在均方意义下是稳定的.最后给出了仿真例子验证了该算法的有效性和可行性.     

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。     

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。     

分布式多传感器决策系统融合律的等价类

在任何融合律定后最优传感器律能求得的假设下,我们分析了导致融合律之间等价性和优越性的条件,应用如上结果,欲获全局最优的系统性能,我们可以划分所有可能的融合律为若干等价类和比较某些等价类之间的性能,于是有价值的融合律等价类数目将大大减少,而且上面的分析并不依赖于观测数据的统计性质和优化系统性能的目标。     

基于Bayes多传感器数据融合的电路故障诊断

针对电子电路的故障诊断问题,提出一种基于Bayes决策理论的多传感器数据融合解决方法.通过测试电路中被诊断元件温度和节点电压2个物理量,得出Bayes理论中不同传感器对各待诊元件的先验概率,在此基础上,利用Bayes条件概率公式进行两级数据融合,得到各元件关于故障类型的目标概率值,进而根据最大概率值确定故障元件.Bayes多传感器数据融合诊断与单传感器诊断方式相比,大大提高了故障识别准确率,并降低了故障元件不确定的概率.实验结果证明:该方案是一种有效的电路故障诊断方法.     

多传感器单模型动态系统多尺度分布式融合估计

近几年来,小波理论和信号的多尺度表示方法都得到了迅速发展,并在包括信号处理和图像处理在内的众多领域中得到了成功的应用,而在这些领域中,目前一个较为活跃的分支是基于小波变换的多尺度表示的统计信号处理。运用多尺度分析的思想,将基于模型的动态系统分析方法与基于统计特性的多尺度信号变换方法相结合,建立起状态基于多源观测信息的多尺度分布式融合估计和单源观测信息的多尺度分布式估计两种新算法,用计算机仿真研究验证了算法效能。     

多传感器检测系统的 多步反馈融合算法

通过分析分布式检测系统的工作原理，提出了一种新的局部检测器融合方法，该方法利用检测器局部判决结果与融合中心融合结果的误差多步累积平均值对检测器下一步判决进行修正，从而达到提高检测器检测概率的目的。分析表明，该算法能有效提高系统的性能。     

分布式多传感器决策融合的新方法——双端检验法

利用传统的Ｂａｙｅｓｉａｎ决策理论和假设检验方法处理分布决策融合问题有一个重要的缺陷就是缺乏柔性，无法将不确定与不知道区分开来；Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论虽然可以弥补这一缺陷，但作为其数学基础的公理化定义的严密性值得怀疑。因此需要有更完善、更可靠和更有效的统计决策及证据组合方法。在这方面Ｔｈｏｍｏｐｏｕｌｏｓ已提出了一种广义证据处理方法（ＧＥＰ），它由Ｂａｙｅｓｉａｎ理论与Ｄ－Ｓ理论相     

应用于状态监测的多传感器融合估计

在状态监测的工程实际中, 使用多个同类传感器进行在线测量可以得到更为准确的状态估计．但各传感器测量噪声会出现相关的情况, 而且很难得到相关测量噪声的方差矩阵的精确值, 测量系统往往是不确定的．本文根据系统测量将系统分解为确定和不确定扰动两部分, 分别进行估计, 然后将两者的融合估计结果相加得到了最优鲁棒的融合估计．针对确定部分, 利用同类传感器的测量方差为Pei-Radman矩阵的特性, 通过求解测量噪声方差矩阵的最大特征值得到了一种简便的最优融合估计算法, 该算法避免了求解方差矩阵的逆的过程．针对不确定     

基于多传感器信息融合的分布式气体检测系统

现有的气体检测仪在技术上无法准确检测现场发生的有毒或可燃气体的泄漏;为了保证安全生产和科学管理,开发并应用适合有毒或可燃气体泄漏的检测系统,具有重要意义;提出了一种分布式多传感器气体检测系统的通用结构,研究了可用于该检测系统的自适应加权数据融合算法;最后介绍了一个应用实例,实验结果显示该检测系统识别准确,不仅能够解决气体传感器交叉敏感问题,而且具有智能化和多功能化等优点。     

基于数据融合多传感器的分布式入侵检测系统研究

提出了一个新的概念——发展计算机空间态势估计的分布式融合系统及信息抽象分布级别和逻辑抽象层次的知识。在此基础上给出了一个多传感器入侵检测数据融合的合作模型,系统能分析各类信息,有高精确的入侵检测、高效的决策、资源消耗低。系统的容错性和合作能力也有所提高。     

集中式与分布式鲁棒状态融合估计

研究不确定多传感器系统的鲁棒估计问题是多传感器融合估计理论的一个重要研究方向.本文以鲁棒滤波理论为基础,给出了不确定多传感器系统的多胞型描述模型,并利用LMI方法给出集中式鲁棒状态融合估计问题的解,证明了将集中式鲁棒融合估计转化为相同估计性能的分布式融合估计算法的条件.最后给出了分布式不确定多传感器系统的状态融合估计的一个算例.     

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。