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．     

基于灰熵的不确定型决策方法及其应用

基于灰熵理论,提出了一种不确定型决策的量化计算方法.灰熵是离散序列均衡程度的测度,灰色关联度是参考序列和比较序列之间接近程度的测度.该方法将灰色关联度和均衡度合成为均衡接近度,并以此作为决策准则,从而避免了低层次多因素权重确定的主观性,使决策模型更加合理.通过在太原市热力公司决策中进行应用,结果表明,该方法较其它方法更易于操作,结果更符合实际.     

灰色接近关联度在指纹图谱模式识别中的应用

文章系统地介绍了灰色接近关联度基本理论、灰色关联度的提出及基本概念、两种面积的算法。详细地介绍了灰色接近关联度的计算方法及使用范围。介绍了灰色接近关联度在色谱指纹图谱中的应用,包括仪器使用方法及具体计算过程。     

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。     

灰色关联和D-S证据理论在变速箱齿轮故障诊断中的应用

利用信息融合方法进行故障诊断是当前故障诊断的趋势.本文针对变速箱齿轮的状态特点,提出了利用灰色关联和D-S证据理论进行诊断的方法并用实际数据加以验证.首先对每个振动传感器各个方向上的信息分别用灰色关联分析得到故障分类,将多个传感器各个振动方向的分类的结果利用D-S证据理论融合做出故障决策,计算结果表明融合结果比单一传感器的诊断结果可信度得到提高.     

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。     

测量噪声相关情况下的多传感器数据融合

对于测量噪声相关的多传感器测量模型,利用Cholesky分解和单位下三角阵的求逆方法,将其转化为测量噪声互不相关的等价的多传感器伪测量模型,然后基于Markov估计,提出了一种测量噪声相关情况下多传感器数据融合的新方法。与直接利用原始传感器测量值的Markov估计数据融合方法相比,两者的计算精度相同,但新方法的计算复杂度却大大降低。数值仿真实验进一步验证了新方法的有效性。     

灰色接近关联度在香料指纹图谱模式识别中的应用

灰色关联分析是灰色系统理论中十分活跃的一个分支,其基本思想是根据序列曲线的几何形状的相似程度来判断其联系是否紧密。曲线越接近,相应序列之间的关联度就越大,反之就越小。文章系统地介绍灰色接近关联度基本理论和两种面积的算法,详细地说明灰色接近关联度的计算方法及使用范围以及在色谱指纹图谱中的应用,包括仪器使用方法及具体计算过程。     

基于灰色关联分析的动态测量不确定度评定

提出了一种基于灰色关联分析的动态测量不确定度评定新方法.该方法分析了灰色关联度和灰色关联系数与动态测量不确定度的关系,利用灰色关联度的倒数作为动态测量不确定度的扩展系数,测量数据总体灰色关联系数作为动态测量标准不确定度,并将其与其他因素导致的不确定度进行合成,作为动态测量不确定度的最终结果.该方法尤其适用于被测信号是时变信号的动态测量不确定度评定.经仿真实验与其他方法对比,方法具有计算量小、原理简单、易于在计算机上实现、不受数据分布限制、准确度高等特点.     

数据融合在压力检测中的应用

论述了提高压力检测精度的多传感器数据融合方法.该方法利用RBF神经网络进行异类传感器融合,消除了环境温度和工作电压波动对单个压力传感器测量的影响;利用加权融合估计算法,对同类压力传感器进行融合,提高了压力测量的精度,实现了液压系统压力的动态测量.     

基于数据融合和小波分析的结构损伤诊断

基于数据融合和小波分析理论，提出一种新的结构损伤诊断方法。采用改进的一致性算法融合多传感器的测量数据，克服了一致性算法中两传感器在测量精度不同时置信距离不同的缺点，对支持矩阵进行模糊化处理，避免了人为定义阈值而产生的主观误差。利用小波分析的降噪和多尺度分辨能力对多传感器的数据进行分析处理，从而对结构损伤作出诊断识别。通过数值算例，验证了该方法可以充分利用所有传感器的有效信息，能够在部分传感器性能降低（如受到噪声影响），甚至是完全失效的情况下，对结构损伤作出正确诊断。     

斯米尔诺夫检验法在数据级信息融合数据关联中的应用

在信息融合系统中，为了确保进入融合中心的信息是满足融合需要的有效信息，在融合之前要对来自多个信息源的数据进行数据关联。作为信息融合前的信号预处理过程，利用数理统计中的斯米尔诺夫检验法对多个同类传感器测得的加速度响应信号进行数据关联，去掉故障传感器或受到严重干扰的通道数据，确保进入融合中心的数据能够有效反映被测对象的状态。通过某二级齿轮箱实验台实测数据的验证，证明该方法能够有效地检验出同类传感器信号是进行故障诊断的有效信号。     

基于数据融合和“能量-损伤”的结构多损伤模式识别

基于一致性数据融合算法和"能量-损伤"结构特征提取原理,提出一种结构多损伤模式识别方法,能够充分利用结构不同位置的不同状态信息,更好地对结构损伤做出判断。对一致性数据融合算法进行改进,使得改进后的算法能够克服一致性算法中两传感器在测量精度不同时置信距离不同的缺点,并对支持矩阵进行模糊化处理,避免人为定义阈值而产生的主观误差。利用"能量-损伤"特征提取技术,构造融合后多传感器测量数据的特征向量,以ART2神经网络作为模式识别工具进行结构多损伤识别。五层框架结构数值计算结果表明,提出的方法能够用于结构多损伤识别,且具有较强的鲁棒性、稳定性和适应性。     

改进的灰色关联法在柴油机故障诊断中的应用

在分析常规关联度计算方法存在问题的基础上,提出一种改进的灰色关联度对柴油机故障诊断的方法。针对柴油机故障的特征,对经过降噪后的振动信号,提取时域频域特征值相结合作为特征向量,分别通过改进的灰色关联度方法、常规灰色关联度方法以及灰色神经网络模型对待检测特征向量和标准模式向量进行关联度计算。对结果进行分析,得知改进的灰色关联度分析方法克服常规灰色关联度容易误判的缺陷,同时验证改进的灰色关联度方法大大的提高柴油机故障诊断的精度,说明该方法是一种有效可行的方法。     

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。     

基于模糊支持度的分布式多传感器加权融合算法

针对目前分布式多传感器数据融合算法中鲁棒性和实时性问题,基于充分利用多传感器测量数据中互补和冗余信息的思想,通过局部状态估计精度间支持度函数的建立和支持度矩阵的求解,合理地分配各局部航迹估计在融合中心的权重,进而提出了一种基于模糊支持度的分布式多传感器加权融合算法.最后,通过蒙特卡罗仿真验证了该算法的有效性.     

基于模糊数据融合的健康评价方法

研究基于多传感器信号的船舶用柴油机冷却系统的健康状况评价问题, 提出了船舶用柴油机冷却系统健康状况的定量综合评价指标--健康度, 将基于模糊集的数据融合方法用于健康度的计算, 该方法利用层次分析法来确定各个传感器监测参数的重要程度系数, 利用模糊综合评判对多传感器数据进行融合计算得到系统的健康度, 以此为基础, 建立了船舶用柴油机冷却系统的健康评价体系, 给出了系统的健康状况等级. 实验结果表明该方法能够对其健康状况进行定量的、合理的评价.     

机载传感器数据信息融合技术初探

飞机上各传感器所测量的参数是相互联系、相互影响的。介绍飞机上空速表、转速表、进气压力表、升降速度表、平衡传感器以及机载航姿传感器之间的相互关系,分析表明机载传感器之间是可以进行数据融合的。提出通过采用最小一乘法将这些传感器的数据进行融合的方法,提高机载传感器的应用效率,也提高传感器仪表的可靠性,能够最大限度的保证飞行安全,具有比较重要的应用意义。     

基于矩阵分析的D-S证据理论的多传感器雷达体制识别

采用不确定推理的矩阵分析方法，建立了用于雷达体制识别的多传感器数据融合的数学模型，提出了一种基于矩阵分析的多传感器信息融合的新算法，结合多传感器多测量周期的雷达体制识别给出了具体的实例．识别结果说明了该算法的有效性。     

基于灰色 Elman 神经网络的爆破飞石距离预测研究

针对单一神经网络预测方法存在一些不足,将建立灰色关联分析法与 Elman 神经网络的耦合模型,对爆破飞石最大飞散距离进行预测研究。首先,利用灰色关联分析方法对数据进行预处理,确定各影响因素与爆破飞石距离之间的关联度;然后,根据关联度的大小,选择关联度较大的影响因素作为 Elman 神经网络的输入层数据;最后,用神经网络的功能对数据进行训练和预测。研究结果表明：利用灰色关联分析方法确定主要影响因素作为输入层,比单一使用 Elman 神经网络的预测精度更高,达到95％以上。