多传感器分组加权融合算法研究

将多传感器对某一状态的测量结果分组 ,针对每组测量变量的算术平均值 ,依据极大似然原理 ,提出了多传感器分组加权融合算法 .通过对各组传感器测量值的方差进行估计 ,从而对每组传感器测量平均值的权值进行合理的分配 ,解决了在传感器和环境干扰未知情况下 ,加权融合算法中权系数如何确定的问题     

基于神经网络的多传感加权融合算法的研究

数据融合技术是无线传感器网络的一个关键的技术,能减少传感器的传输量,从而明显提高网络的感知性能,延长网络生命周期,减少时间延迟.多传感器的数据融合可以获得比单一传感器更多,更准确的信息.针对从含有噪声的测量数据中估计出监测变量,对自适应加权融合算法进行改进,基于信任度方法对测量数据进行数据预处理,然后基于神经网络误差修正的方法实现各传感器权重的自适应匹配,从而得到较为准确的估计值.通过对比仿真实验,本文算法的融合结果在精度、容错性方面均优于均值估计算法和自适应加权融合算法;能够更好地适应当今大数据环境下对数据精确度的要求.     

真实和虚拟传感器多层信息融合算法

基于最优估计理论,提出了一种多层传感器的复合融合估计算法．该方法采用了由真实传感器和虚拟传感器组成的复合融合结构,以解决测量噪声干扰下参数估计问题．在该结构中,第1层物理真实传感器测量所得数据,按照加权融合算法,经过多层虚拟传感器的递推融合得到多层融合后的估计值．虚拟传感器的层数增加时,融合后总的估计误差将减少、虚拟传感器是由算法和软件实现的,不会增加测量系统物理结构的复杂性．计算机仿真结果表明：此方法在减少测量误差方面比传统的直接估计方法有明显的改善．     

同类多传感器自适应加权估计的数据级融合算法研究

针对同类多传感器测量中含有的噪声,提出了多传感器数据自适应加权融合估计算法,该算法不要求知道传感器测量数据的任何先验知识,依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,并在理论上证明了该估计算法的线性无偏最小方差性.仿真结果表明了本算法的有效性,其融合结果在精度、容错性方面均优于传统的平均值估计算法.     

面向智能船舶的自校正加权融合估计算法

针对智能船舶多传感器系统因未知海洋环境干扰和设备间干扰等因素,导致一个或数个传感器产生间歇性随机故障,进而导致融合估计结果出现偏差甚至失真的问题,设计了一种自适应加权融合估值算法,并引入了衰减记忆因子降低旧测量数据对融合估计的影响权重.为增强融合估值器对于量测故障信号的容错性,添加了故障检测与校正模块对量测信号进行检测与校正.为了验证算法的容错性能和融合估计的精度,对带有间歇性随机故障的三传感器系统进行了仿真实验,并与改进前的自适应加权融合结果进行了对比.结果表明:对于带间歇性随机故障的多传感器系统而言,设计的自校正加权融合估计算法不仅具有鲁棒性,而且具有较高的融合精度.     

基于自适应加权的多传感器实时数据特征值提取

为实现监测数据的特征值提取，对传感器数据的预处理、时间维及空间维融合方法开展了研究。建立了实时数据融合模型，提出了基于3σ-grubbs检验的异常数据预处理方法，兼顾了异常数据剔除的速度与精度，能很好地消除疏失误差;对单个传感器数据采用分批估计原理进行融合，得到了特征估计值，实现了数据在时间维上的融合;通过对多个传感器的特征估计值采用自适应加权方法进行赋权，实现了数据在空间上的融合，并提出了考虑传感器精度的算法修正。实例计算表明，数据经3σ-grubbs方法处理后方差减小了20%~54%，与传统的算术平均滤波方法相比，分批估计自适应加权融合算法的数据融合方差明显更小，考虑传感器精度后的融合结果更接近高精度传感器值，特征值提取结果更加准确、可靠。     

基于多传感器抗差融合的UKF弹道跟踪算法

弹道跟踪测量过程中,由于环境的复杂性和测量机制自身的问题,测量数据不可避免存在异常值等.传统的加权观测融合估计算法往往直接对来自各个传感器的测量数据进行处理,忽略了数据质量问题对滤波精度的影响.为解决此问题,在加权观测融合算法的基础上引入抗差估计理论,根据观测融合值与融合预测值,计算测量融合残差向量、抗差权重因子和融合观测向量等价协方差阵,实现了异常值的实时分离与修正,解决了融合过程中由于测量数据存在污染导致弹道数据处理精度下降的问题.同时引入平方根滤波思想,避免了常规UKF中误差协方差矩阵非正值引起的滤波散度问题.仿真结果表明该算法估计精度高,计算负担小,能有效地减小测量误差对弹道定轨精度的影响.     

分布式多传感器结构中的数据融合方法

在分布式结构中,为了提高单个传感器的测量精度,为数据处理打下基础,首先对每一个传感器进行时间上的分批估计,降低误差的影响,得到各个传感器的局部决策值;接着对方差超过一定数值的数据进行基于相对距离的再处理;最后在最优融合原则下,运行加权自适应算法对各个局部决策值进行融合.数据分析结果表明,处理后的数据更接近测量真实值.     

一种基于加权证据合成的多传感器目标识别方法

针对多传感器数据融合目标识别问题，基于D-S证据理论，提出了加权证据合成的时空域目标识别算法。该方法充分利用了多传感器多周期的测量数据，并根据D-S合成规则要求参与合成的各证据具有相同权重的特点，充分考虑了提供证据的信源即各个传感器的可靠性。在合成中，引入证据权的概念，解决了不同权重的多传感器数据融合问题，在一定程度上改善了目标识别系统的性能。最后通过计算实例表明算法是有效的。     

多传感器数据融合的数学方法研究

为了有效融合多个传感器的测量数据,得到准确的融合结果,综合对比了基于关系矩阵应用综合支持度的数据融合方法、基于Bayes理论的数据融合方法和基于分批估计理论的分组融合方法.提出了分批数的大小和与其他测量数据偏差比较大的数据的分配方式决定了分组融合方法融合结果的准确性,详细分析了不同分批数对融合结果的具体影响,提出了有效的数据分配方法.实例计算结果表明,合适的分批数以及对偏差比较大数据的合理分配可以有效地提高融合结果的准确性,对提高测量系统的测量准确性有很好的促进意义.     

目标对载机准确定位的数据融合方法的分析

主要研究在机载光电跟踪系统中，红外传感器和传统的雷达传感器测量信息的融合c基于Kalman滤波的数据融合理论，建立目标对载机准确定位的物理模型和极坐标下的数学模型，研究观测值加权融合算法、观测状态向量合并和状态估值融合反馈3种算法，并进行了协方差分析比较，通过仿真实验表明：观测值加权融合算法的性能更优于其它两种算法。     

基于神经网络的多传感器数据融合

当前，多传感器技术是研究热点。通过不同功能，不同精度，不同位置的传感器，可以对所需要的被测量进行多方位多角度的测量。但是，目前对于多传感器所测的数据还没有一种通用的行之有效的处理思想。借用模糊控制策略，与改进的BP神经网络算法结合对其进行数据融合。在仿真中取得了比已往算法更高的精度，控制策略制定准确、可靠。是一种较有潜力的多传感器数据融合方法。     

任意噪声相关异类传感器非线性系统状态矢量融合

基于线性无偏最小方差估计理论，提出了一种任意相关噪声异类传感器非线性系统状态矢量融合算法．该算法考虑了过程噪声和测量噪声以及测量噪声之间的相关性和传感器系统结构的不同性，增加了描述多传感器融合系统的信息量，通过局部估计的组合构造新的变量以去除局部状态之间的相关性，采用顺序滤波的方法减小了异类多传感器融合系统全局状态估计的计算量．仿真结果表明，由于考虑了过程噪声和测量噪声以及测量噪声之间的相关性，状态矢量融合算法比噪声不相关融合算法具有更好的跟踪性能，航迹跟踪的精度得到了改善．     

数据时空融合算法在无线多传感器网络中的应用

无线传感器网络是一种新兴的、全新的技术,它常常应用于工业领域以及恶劣的环境中.在标准ZigBee协议中没有设计相关的数据融合规范,使其只能用在低数据冗余的应用场合.大规模网络中的数据冗余度大,并且网络中的数据冗余会引起节点频繁地争抢信道,网络时延增加甚至出现网络瘫痪;因此针对同类多传感器测量数据中含有的噪声和传输中包含大量冗余信息,通过多次实验对几种算法进行仿真比较,文中提出了一种基于递推估计的数据融合和自适应加权时空融合算法.该算法利用空间位置中多传感器的方差变化,通过调整参与融合的各传感器的加权系数,使融合系统均方误差始终最小.     

基于Kalman滤波的多尺度融合估计新算法

将信号的多尺度分析方法与多传感器数据融合技术相结合，基于某一尺度上给定的状态模型和在不同尺度上拥有不同采样率的多传感器分布式动态系统，提出了一种新的基于Kalman滤波的多尺度融合估计算法；在最细尺度上获得了基于全局信息的融合估计值；计算机仿真验证了算法的有效性。     

一种阵列式传感器数据融合方法的研究

提出了一种基于支持度和自适应加权的阵列式传感器数据融合方法。其特点是通过关联融合多组测量信号序列以降低静态数据的随机测量误差。对单传感器测量信号序列,采用支持度方法计算每个测量数据的综合支持度和加权因子,然后对测量信号序列进行加权融合。对阵列式传感器多组测量信号序列,基于单传感器数据融合,利用自适应加权方法,在总均方误差最小意义下进行多组测量信号序列数据融合。仿真结果表明,该阵列式传感器数据融合方法是有效的。     

多传感器数据的处理及融合

针对多传感器数据的多样性, 提出一种改进的数据融合算法. 首先, 利用小波技术消除已收集数据的高斯白噪声并对数据进行压缩; 其次, 对处理后的数据进行分层, 并对系数进行Kalman滤波, 同时利用Mallat快速重建算法重构数据; 最后, 利用最大、 最小贴近度计算传感器数据的信噪比, 并通过信噪比进行数据融合. 基于实际采集的多传感器数据对比实验结果表明, 该数据融合算法在稳定性上优于简单加权数据融合、 小波数据融合和Kalman滤波融合等算法.     

多传感器在线自适应加权融合跟踪算法

针对多传感器机动目标的跟踪问题,提出了一种多传感器在线自适应加权融合跟踪算法.该算法依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,从而能在线适应传感器性能改变.仿真结果表明,该算法是一种有工程应用前景的融合跟踪算法.     

基于动态加权下测量方差适应的同质多传感器融合算法

在基于卡尔曼滤波及其一些改进算法中,由于测量方差预先设定,从而导致信息资源的浪费和状态估计精度的下降,为此提出一种动态加权下测量方差自适应的同质多传感器融合算法．该算法依据各传感器当前时刻的滤波精度合理地分配权值,同时测量方差的时变特性,使得每次测量的信息得到充分的利用．仿真结果表明,该算法显著地提高了对机动目标的跟踪效果并具有实时性的优点。     

多传感器稳健融合跟踪算法

讨论了多传感器融合跟踪的稳健性算法．针对集中式多传感器的融合跟踪结构,采用统计方法和随机逼近方法分析了传感器最优权的选取原则,得出了传感器融合对公共测量噪声没有影响的结果．依据最优选取原则给出了两种自适应融合跟踪算法,算法能在线适应传感器性能的变化,并使融合方差最小．采用典型航路进行了算法仿真,结果验证了理论分析的合理性和工程应用有效性．