数据融合技术在消防探测中的应用研究

数据融合技术用智能化多传感探测器取代传统的单一传感器,可以区别非火灾信号和火灾信号,从而能够及时并准确地报警。基于多传感器数据融合的火灾探测系统的基本框架及相应算法,以感温、感烟和气体传感器的模拟量为输入,利用神经网络和模糊识别技术对多传感器信号进行融合,设计出一种快速、准确和有效的火灾探测系统,可以达到及时报警和降低误报警的目的。     

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.     

一种安全的无线传感器网络分布式决策融合方法

为了防止数据在开放的无线传感器网络中传输过程中遭到窃听而泄密,本文设计了一种带安全机制的传感器网络分布式决策融合方法 FRSM,该方法在传感节点发送数据到融合中心时利用随机函数对数据进行翻转置乱,以阻止窃听方获得正确的融合结果,而合法的融合中心能够基于已知的随机函数概率密度对接收到的数据进行对数似然比决策.理论分析和对比实验表明,FRSM能够使得合法的融合中心取得较好的融合结果,而窃听方在高信噪比和大量传感器环境下仍然难以获得正确的融合结果,从而保障了传感数据的机密性.     

结构动态响应多传感器监测信号数据融合分析

针对结构监测中传感器受环境噪声影响的问题,采用数据融合方法实现减小所测得信号中噪声.采用证据理论(D-S)算法对多个传感器于同一点得到的加速度信号进行融合.首先构造出结构地震响应的"真值",并通过掺杂不同的噪声模拟多个传感器的传感信号.通过对多个案例的相关系数、峰值出现点以及误差值的分析比较表明,融合后的信号比融合前更加接近"真值".其分析比较还可表明,采用的多传感器数据融合方法所获得的信号优于其它方法如卡尔曼滤波处理后的数据.     

多传感器数据融合研究

数据融合技术又称多传感器数据融合或分布式传感,即对多类多源和多平台传感器数据进行组合,提供有关空间信息综合态势的一种数据处理技术。数据融合可分为：信号级数据融合、像素级数据融合、特征级数据融合和符号级数据融合。本文讨论了红外图像、可见光图像、多谱图像、雷达图像等的数据融合问题以及各级数据融合的方法。     

传感器带未知输入的离散随机线性系统的分布式融合滤波

对传感器含未知输入和带相关噪声的离散随机线性系统,在没有未知输入的任何先验信息的情况下,设计了线性最小方差无偏状态滤波器。当系统带有多个传感器时,推得了任两个传感器子系统的滤波误差的互协方差阵。进而基于多传感器线性最小方差标量加权融合算法,给出了标量加权分布式融合状态滤波器。仿真研究验证了其有效性。     

逆协方差交叉融合鲁棒Kalman滤波器

分布式状态估计系统通过将多个传感器状态融合以得到更精确的融合结果,当传感器之间的协方差未知时,常采用保守估计的策略,但结果精确度较差。为了在传感器之间互协方差未知时得到更精确的融合结果,引入了逆协方差交叉算法,将其与局部稳态Kalman滤波器相结合,提出逆协方差交叉融合鲁棒Kalman滤波器。它克服了协方差交叉融合（CI）算法保守的缺点,证明了ICI的精度高于CI的精度,并基于协方差椭圆给出ICI、CI和局部传感器精度的几何解释。通过两传感器系统的蒙特卡洛仿真例子表明,其实际精度相比于CI融合鲁棒稳态Kalman滤波器更接近于带已知互协方差的最优融合器的精度。     

基于SVM与多振动信息融合的齿轮故障诊断

针对齿轮振动信号故障特征微弱以及单个传感器故障诊断可靠性与准确性低等问题,采用多传感器信息融合方法,利用支持向量机(SVM)对8路齿轮振动信号进行特征级融合,实现故障诊断.研究结果表明:基于多个传感器单个特征量信息融合的齿轮故障诊断率比常规的基于单个传感的多个特征量的诊断准确率更高,诊断结果更可靠;峰值因子对齿轮故障最敏感,以峰值因子为特征量的多传感器信息融合,诊断准确率达93.33%.     

两传感器信息融合稳态Kalman滤波器和平滑器

应用Kalman滤波方法,基于Riccati方程,对输入噪声和观测噪声相关,且传感器观测噪声相关的两传感器系统,在线性最小方差最优信息融合准则下,提出了按矩阵加权最优信息融合Kalman滤波器和平滑器。为了计算最优加权阵,提出了局部估计误差互协方差阵的计算公式。同单传感器情况相比,可提高融合估计精度。一个目标跟踪系统的仿真例子说明了其有效性。     

野外环境下基于ARM的无线传感器网关系统设计

目的针对野外环境下长期、远程、可靠监测的需求,在传统网关能量有限、Zigbee通信协议低速短距、Internet接入受限等约束下,设计一种野外环境下基于ARM的无线传感器网络的网关。方法通过采用太阳能供电技术、GPRS无线通信技术及嵌入式ARM开发技术解决网关的能耗、通信、高性能数据管理等。结果实现了低功耗、方便接入Internet、易于维护与管理的野外用无线传感器网络网关。结论本网关系统的设计突破传统网关能耗受限、传感数据回传受限、野外可靠性难以保证的瓶颈,实现长期、远程、可靠的野外环境监测。     

带MA有色观测噪声的单通道多传感器信息融合Wiener滤波器

应用现代时间序列分析方法,基于ARMA新息模型、白噪声估值器和观测预报器,对带滑动平均(MA)有色观测噪声的单通道ARMA信号,在线性最小方差最优信息融合准则下,提出了多传感器信息融合Wiener滤波器,可统一处理滤波、平滑和预报问题。提出了用于得到最优加权系数的局部滤波误差方差和协方差计算公式。同单传感器情形相比,可提高滤波精度。一个目标跟踪系统的仿真例子说明了其有效性。     

大规模数据库中非显著特征动态数据实时挖掘技术研究

从大规模数据库中挖掘非显著性特征数据时,容易产生大量数据通信和中间数据,存在大量交集操作,影响挖掘实时性。为此,提出一种新的基于Hadoop分布式架构的非显著性特征数据实时挖掘方法。对数据显著度进行检测,提取非显著性特征;搭建Hadoop分布式架构硬件结构,按照非显著性特征数据挖掘的特性和功能,建立Hadoop分布式架构非显著性特征数据挖掘软件架构;包括交互层、应用层、非显著性特征数据挖掘层和分布式计算层。把大数据集分割为若干数据块,将数据块分配至所有计算节点,依据非显著性特征进行并行计算,将map阶段的本地输出结果合并在一起,降低节点间数据交换量。通过reduce函数把所有计算节点的临时文件合并为垂直项集,求出项支持度。当无更多频繁项集的数据输出时,即可得到非显著性特征数据。实验结果表明,所提方法挖掘结果可靠,实时性强。     

云计算网络数据库中的加密优化模型仿真分析

针对云计算网络数据库中大数据加密耗时长的弊端,提出一种新的并行同态加密(DGHV)方案。在云计算网络环境下,采用DGHV同态加密算法进行初步数据加密,并对加密过程产生的噪声进行去噪处理。引入MapReduce计算框架的并行特性,使用分块算法对云环境中的大数据进行分割,并采用同态算法进行加密,最后将加密后的密文块汇总,得到整个数据库中的密文。实验结果表明,通过相同的实验平台对云环境网络数据进行加密优化。相比较其他方法针对大数据的处理的加速比较高,能够有效地减少加密时间。     

点云数据多种滤波方式组合优化研究

LIDAR获取地物的三维点云数据已成当下的主要方式。针对不同尺度下三维点云数据的噪声滤波顺序问题,提出一种基于PCL不同尺度下最优顺序组合的点云滤波去噪方法,即在对获取的室外三维图书馆模型源数据和室内桌子实体模型源数据预处理的基础上,集成双边滤波、高斯滤波、几何滤波三种滤波方式的优势来实现两种不同类型数据的滤波处理。通过实验给出了两种不同数据类型下最优组合顺序滤波的参数。实验结果表明,本研究中的组合滤波方法具有较好的鲁棒性和保特征性,可为建筑三维点云数据的滤波提供一定的参考。     

基于异质传感器信息融合的移动机器人SLAM研究

针对采用单一传感器在移动机器人同步定位与构图(SLAM)中存在定位精度低、构图不完整等问题,提出一种基于Kinect视觉传感器和激光传感器信息融合的SLAM算法。首先将Kinect传感器获取的深度图像经过坐标系转换得到三维点云、通过限制垂直方向滤波器过滤三维点云的高度信息、再将剩余三维点云投影到水平面并提取边界点云信息转化为激光扫描数据;然后与激光传感器的扫描数据进行数据级的信息融合;最后输出统一数据实现移动机器人的构图及自主导航。实验结果表明,该方法能够准确的检测小的及特征复杂的障碍物,能够构建更精确、更完整的环境地图,且更好地完成移动机器人自主导航任务。     

基于云计算的大数据关键特征高效提取方法研究

传统特征提取方法不适于大数据特征提取,提取效率低;为此,提出一种新的基于云计算的大数据关键特征高效提取方法。介绍了云计算中的MapReduce编程模型,给出Map与Reduce两个阶段的任务执行过程,通过MapReduce编程模型对大数据关键特征提取方法进行编程和处理,在云计算中实现高效运算。通过样本局部特征对特征集合进行评价,选择大数据关键特征。通过相空间重建保证大数据特征的不变性,在此基础上,引入关联维实现大数据关键特征的提取。实验结果表明,采用所提方法对大数据关键特征进行提取,可行性和效率高,与其他方法相比有更好的性能。     

单通道ARMA信号信息融合Wiener反卷积滤波器

应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型、白噪声估值器和观测预报器,在线性最小方差最优加权信息融合准则下,对单通道ARMA信号提出了多传感器分布式融合Wiener反卷积滤波器,可统一处理融合滤波、平滑和预报问题。为了计算最优加权,提出了局部估计误差互协方差的计算公式。同单传感器情形相比,可提高滤波精度。一个仿真例子说明了其有效性和正确性。     

基于云计算的模糊规则挖掘算法在入侵检测中的应用

提出了一种基于云计算的模糊规则挖掘算法的入侵规则检测方法.以模糊集理论为基础,提出了在入侵关联规则挖掘中将特征属性模糊集作为单一属性来处理的模糊规则挖掘算法,有效地解决入侵规则中出现不相关规则和"尖锐边界"等问题.在云计算平台上进行算法的验证,利用云计算平台可进行大规模计算和数据处理的特点,得出该思想在入侵检测具有较好的应用效果和前景.     

基于多源融合式SLAM的机器人三维环境建模

为有效处理移动机器人三维环境地图创建过程的不确定误差,提高所建地图的准确性、完整性和一致性,本文提出了一种基于传感器信息融合和Rao-Blackwellised粒子滤波(RBPF)的移动机器人三维同时定位与地图创建 (SLAM)方法. 在建立传感器不确定性概率模型的基础上,通过贝叶斯滤波实现传感器数据的去噪,将激光与视觉传感器获取的环境信息在一定的规则下融合,在SLAM框架下实现具有纹理映射的三维环境地图创建. 实验结果表明所用方法的有效性. 多源融合式自主SLAM提供了更为丰富、完备、准确的环境模型.      

一种基于改进卡尔曼滤波的姿态解算算法

针对多传感器融合姿态解算精度不高的问题,本文提出一种改进的卡尔曼滤波算法,即高阶线性互补滤波与扩展卡尔曼滤波(Extended Kalman Filter,EKF)相结合的融合算法。该数据的融合是基于加速度计、陀螺仪传感器频率特性和姿态角的微分方程建立的系统模型,将互补滤波的姿态角数据作为该系统模型的观测值,利用EKF算法对加速度计、陀螺仪、磁力计进行数据融合。高阶的互补滤波和EKF的融合算法能够有效的解决陀螺方向的估计偏差,为了证明该算法的可行性,用搭载IMU(InertialSmeasurementSunit)模块的四旋翼飞行器进行了动态和静态的实验,分析对比了最新导航算法、经典卡滤波算法和该融合算法滤波的效果。实验结果表明：本文提出的高阶无源线性互补滤波和EKF相结合的融合算法,无论在静态还是动态的实时性情况下,都能很明显的去除噪声和抑制姿态角的漂移,且提高了姿态角的精度。