基于最小二乘法的冗余信息数据融合算法实现

为了有效融合多传感器冗余系统量测信息,使状态的估计值更接近于状态的真实值,实现高精度和高可靠性的状态估计,采取了基于最优加权的最小二乘算法、有限窗加权的最小二乘算法和自学习加权最小二乘算法,分别对多传感器实测数据进行融合处理,融合后数据的方差大幅度降低,估计精度显著提高。并与传统的最小二乘算法进行了仿真对比,结果表明,这3种方法较最小二乘算法融合精度更高,其中,自学习加权的最小二乘融合算法既考虑了历史数据的作用,又考虑了环境噪声和新的采样值的影响,增强了对噪声检测的敏感性,估计效果较好。     

余度IMU精度分析与数据融合方法改进

针对现有余度IMU（inertial measurement unit）数据融合精度不高的问题,在对六单轴传感器非正交配置的余度IMU数据融合特性及测量误差与融合误差之间关系进行研究的基础上,提出了1种基于最小二乘简单、有效的余度传感器测量误差估计及数据融合方法。首先对最小二乘融合的空间矢量在测量轴上的投影与测量值之间的误差进行方差统计,统计结果作为传感器测量误差估计的依据及加权最小二乘的权值参考。然后利用加权最小二乘对传感器测量数据进行融合。仿真结果表明：该方法能有效估计传感器测量误差大小,提高余度IMU数据融合及余度惯性导航系统精度。     

提高测量可靠性的多传感器数据融合有偏估计方法

为了提高测量数据可靠性,多传感器数据融合在过程控制领域得到了广泛应用. 本文基于有偏估计能够减小最小二乘无偏估计方差的思想,提出采用多传感器有偏估计数据融合改善测量数据可靠性的方法. 首先,基于岭估计提出了有偏测量过程,并给出了测量数据可靠性定量表示方法,同时证明了有偏测量可靠度优于无偏测量可靠度. 其次,提出了多传感器有偏估计数据融合方法,证明了现有集中式与分布式无偏估计数据融合之间的等价性. 最后,证明了多传感器有偏估计数据融合收敛于无偏估计数据融合. 实例应用验证了方法的有效性.     

基于序贯最小二乘的多传感器误差配准方法

为实时估计多传感器系统偏差,针对广义最小二乘(GLS)配准方法不能实时估计传感器偏差的问题,提出了基于序贯最小二乘的多传感器误差估计方法,该方法在GLS配准模型基础上,采用最小二乘的序贯方法来估计系统偏差,不必存储过去的测量数据,能够实时估计系统偏差。仿真结果表明了该方法的有效性。     

基于正交基神经网络算法的多传感器数据融合方法

为了改善多个同类传感器检测目标参数的性能,提出了一种基于递推最小二乘法的多传感器数据融合的正交基神经网络算法,用基于递推最小二乘法的神经网络算法对各传感器的量测数据进行处理,并用神经网络输出结果的平均值来实现多传感器的数据融合.为了验证算法的有效性,给出了多传感器数据融合的仿真实例.研究结果表明,基于递推最小二乘法的多传感器数据融合的正交基神经网络算法是有效的.     

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.     

多传感器异步线性测量系统的数据融合

由于采样速率和传送数据到融合中心的通信延迟的不同,现代工业生产过程中用于对未知的常值或缓变参数进行估计的多传感器通常是异步工作的,且受到加性测量噪声的干扰。在最小二乘估计意义下,对于测量噪声互不相关的多传感器异步线性测量系统,提出了集中式和分布式递推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,通过利用多传感器的测量数据,增大了对参数测量的数据流和数据率,传感器测量参数的估计准确度得到明显改善。     

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...     

基于最小二乘的多雷达观察精度分析

多传感器数据融合是目前指控系统获取目标真实信息的重要途径.雷达作为一种重要的传感器,其对目标的观察精度分析是数据融合的重中之重,而对于观察同一目标的多雷达精度分析尤为重要.论文通过建立外推估算法精度估计模型和基于最小二乘的离散优化多雷达精度排序模型给出了多雷达对目标观察精度的排序分析.     

A novel calibration approach of soft sensor based on multirate data fusion technology

In multirate chemical processes, soft sensor is commonly used for fast-rate quality estimations. As the kernel of soft sensor, modeling technique has drawn much attention from researchers. But most of the modeling methods have disadvantages of uncertain estimation errors and limited modeling capability. To these issues, soft sensor calibration is considered as an efficient alternative, which however is often ignored by researchers and the current application level is relatively low. A novel soft sensor calibration method is proposed in this paper. Under multirate sampling conditions, data fusion technology based on Kalman filter is introduced into soft sensor maintenance to integrate the soft sensor model estimations with process measurements. The performance of the algorithm is evaluated through simulations and a laboratory scale experiment. The factors that may influence the performance are also discussed in detail. The results demonstrate that the multirate Kalman filter approach is able to improve the accuracy and reliability of soft estimations, when the essential dynamics is included in the Kalman filtering model and the filter parameters are properly tuned.     

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。     

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.     

一种权系数两级自调整的融合定位精度提高方法

在分布式传感器网络节点定位技术中,使用数据融合方法以提高探测系统的检测与定位精度正成为研究的热点。提出了一种应用于分布式传感器网络中的数据融合定位算法,通过对各个传感器节点的定位信息的加权求和来进行数据融合,用来提高探测系统目标定位的精度。该算法采用两级自适应调整得到最优加权因子,首先利用线性最小均方差（LMSE）算法得到权系数的初始值,然后利用训练节点和递归最小二乘（RLS）算法自适应地调整达到最优。对静态和运动目标的定位数据融合算法进行了仿真,仿真结果表明：相比单节点定位,提出的融合算法的定位精度有约1—2个数量级的提高。     

具有传感器增益退化、随机时延和丢包的分布式融合估计器

研究了具有传感器增益退化、模型不确定性、数据传输时延和丢包的网络化多传感器分布式融合估计问题,模型的不确定性描述为系统矩阵受到随机扰动,传感器增益退化现象通过统计特性已知的随机变量来描述,随机时延和丢包现象存在于局部最优状态估计向融合中心传输的过程中.首先,设计了一种局部最优无偏估计器,然后将传输时延描述为随机过程,并在融合中心端建立符合存储规则的时延-丢包模型,利用最优线性无偏估计方法,导出最小方差意义下的分布式融合估计器.最后,通过算例仿真证明所设计融合估计器的有效性.     

基于参数估计的多传感器数据融合

探讨具有随机扰动的环境中同一特征的不同传感器测量值的融合问题，并在理论上给出了基于参数估计的多传感器融合算法，分析了正态分布数据的融合计算公式，并提出以数据探讨技术中的分布图方法来获得一致的传感器数据，从而提高了算法的鲁棒性。