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.     

多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

一种高精度多传感器融合测距系统

通过测距系统计算机器人运动路径是机器人壁障、路径规划以及协作编队关键技术之一。根据移动机器人工作环境地形复杂、光线差等特点,采用高精度激光传感器和超声波传感器协同测距,以ARM9为核心设计了软硬件,在此基础上,研究了自适应加权平均数据融合算法,并分析了各传感器的误差和方差。经实验统计,多传感器融合比单一传感器测量精度平均提高了47%,测量误差减小到0.5 cm以内,表明本系统提高了测量精度和可靠性。     

一种基于雷达和红外的粒子滤波融合跟踪方法

针对Kalman滤波不能处理雷达与红外传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.该算法通过利用量测方程的非线性分析和粒子滤波器计算状态估计值,从而以线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度,同时减小了计算量.     

迭代容积卡尔曼粒子滤波算法

针对标准粒子滤波算法粒子退化和贫化问题,提出了一种基于高斯-牛顿迭代思想的容积卡尔曼粒子滤波算法.该算法利用当前量测信息,使用容积数值积分原则通过以一组确定的点集和相应的权值直接计算非线性随机函数的均值和方差,避免了求导运算,并通过Gauss-Newton迭代方法对容积卡尔曼滤波(CKF)的非线性最小二乘问题进行求解,减小了线性化误差,以此来产生粒子滤波算法的重要性密度函数,使得迭代CKF产生的重要性密度函数更接近于真实后验概率分布,从而改进了滤波性能.仿真结果表明,与粒子滤波和CPF滤波相比,迭代CKF粒子滤波具有更高的估计精度.     

大直径测量系统的特征层数据融合

为了克服多滚轮大直径测量系统中单一传感器的局限性,利用多传感器数据融合技术,充分挖掘不同时间和空间的测量数据信息,极大地提高了测量系统的性能和效率.将自适应加权算法应用于大直径测量系统的特征层数据融合,减少了不确定误差的影响.仿真结果表明:该算法得到的测量结果更加精确,效果较好.     

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.     

基于运动模式识别的高程估计算法研究

在室内行人定位系统中,行人的高程定位精度关系到整个定位系统的可靠性。本文提出一种基于腰间传感器的室内行人高程估计算法。首先利用支持向量机识别行人上楼下楼动作,针对行人的运动状态采用自适应的高程估计算法。针对气压计测量值易受环境影响的问题,采用了基于EKF融合气压和加速度的高度估计算法,提高了高度估计算法的稳定性。经实验验证,当室内人员进行平地走、上楼等一连串动作后,基于差分气压测高法计算的高度误差为9.92%,基于加速度估计的行人高度误差为9.52%,EKF融合后定位误差下降到2.32%,提高了高程估计的精度。     

基于异步航迹融合的乱序数据处理算法

针对集中式融合系统中从传感器到融合中心的传输延迟时间存在差异而导致融合中心出现乱序数据的问题,提出了一种能够处理单步延迟和多步延迟的乱序数据处(ATFOOSM)算法.首先利用乱序时刻(乱序数据的采样时刻)前的滤波结果,通过卡尔曼滤波来获取乱序时刻的目标状态,再采用异步航迹融合的方式实现对当前时刻目标状态的更新.仿真中采用ATFOOSM算法和重新排序算法对单步延迟和多步延迟下的乱序数据进行处理,结果表明ATFOOSM算法能够获得与重新排序算法相近的滤波精度.     

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。     

α稳定噪声下最小均方Sigmoid误差自适应时间延迟估计

为解决脉冲噪声下最小均方误差自适应时间延迟估计算法估计性能的退化问题,以对称α稳定分布模型描述脉冲噪声,提出最小均方Sigmoid误差自适应时间延迟估计算法.该算法通过对误差信号求取Sigmoid变换,抑制了较大误差对估计结果的影响.以最小均方Sigmoid误差代替最小均方误差作为优化准则,迭代模拟信道延迟效应的滤波器权系数,其收敛时峰值的位置就是所要估计的时间延迟.仿真结果验证了该算法在高斯和非高斯对称α稳定分布噪声条件下的优良估计性能,说明最小均方Sigmoid误差是一种韧性的最优准则.     

基于扩展卡尔曼滤波的高程估计算法

在室内行人定位系统中,行人的高程定位精度关系到整个定位系统的可靠性。提出一种基于腰间传感器的室内行人高程估计算法。首先利用支持向量机识别行人上楼下楼动作,针对行人的运动状态采用自适应的高程估计算法。针对气压计测量值易受环境影响的问题,采用了基于EKF融合气压和加速度的高度估计算法,提高了高度估计算法的稳定性。经实验验证,当室内人员进行平地走、上楼等一连串动作后,基于差分气压测高法计算的高度误差为9.92%,基于加速度估计的行人高度误差为9.52%,EKF融合后定位误差下降到2.32%,提高了高程估计的精度。     

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.     

组合导航系统中异步多传感器信息融合算法

针对组合导航系统中多个传感器采样频率不同且存在量测滞后的问题,提出一种基于多尺度数据分块的组合导航信息融合算法.建立最高采样率下的系统模型,通过状态和观测的分块得到基于多尺度的系统模型,利用不同尺度上的观测信息在各尺度上进行Kalman滤波,并经融合最终获得基于全局的状态估计值.将该算法用于SINS/DVL/TAN组合导航系统仿真,结果表明,在异步多传感器量测的情况下,基于多尺度数据分块的信息融合算法与非等间隔Kalman滤波算法相比,北向速度最大误差减小24.1%,纬度最大误差减小23.8%,东向速度最大误差和经度最大误差均略有减小.因此,信息融合算法具有较高的滤波精度,有利于提高系统的导航定位精度.     

噪声相关下含无序量测的多传感器信息融合估计

多传感器跟踪系统中因通信延迟常会出现无序量测现象,为了提高系统估计精度,采用直接更新法对状态进行更新估计,并针对噪声相关下含无序量测的多传感器系统,提出了矩阵加权最优信息融合状态估计算法,考虑了过程噪声和量测噪声的相关性以及局部估计的误差相关性.仿真计算验证了算法的有效性.     

基于MLP传感器的非线性校正

电涡流传感器在测量工作时,容易受环境温度等非目标参量的影响,使得测量精度大大降低.采用多层感知器网络算法进行数据融合消除温度对测量精度影响,研究结果证明该方法的有效性和可行性.     

融合速度信息的机械臂自适应轨迹跟踪控制方法

针对机械臂动力学模型参数不确定性与速度信息不精确影响轨迹跟踪精度的问题，提出一种多传感器信息融合的机械臂参数自适应轨迹跟踪控制方法。首先将未建模动态视为系统内部干扰，简化机械臂动力学模型；其次采用反步控制方法为机械臂系统设计控制律，并为动力学模型中不确定参数设计自适应律；最后考虑使用单一位置传感器的差分值或转速计的测量值作为速度信息可靠性低的问题，通过多传感器信息融合方法为控制器提供更精确的速度信息。仿真与实验结果表明：采用融合速度信息能够提高所提控制方法的精度与稳定性，速度信息的精确性提升7%;与反步控制方法、自适应控制方法相比，所提控制方法具有更好的机械臂轨迹跟踪控制性能，轨迹跟踪误差分别降低了30%、50%。     

基于四元数EKF算法的小型无人机姿态估计

针对小型无人机设计的姿态测量系统,提出一种用于小型无人机姿态估计的四元数扩展Kalman滤波算法.该算法通过建立四元数姿态运动模型和航姿传感器测量模型,构建了以四元数和陀螺仪随机漂移为状态向量、以加速度计测量值和磁阻仪解算的航向角为观测向量的扩展Kalman滤波器,并设计了自适应测量噪声协方差矩阵修正法.实验结果表明,该算法不但解决了微机电系统惯性器件用于载体姿态测量时精度低、易发散、易被干扰的问题,而且显著减小了陀螺仪随机漂移对姿态估计的影响,有效提高了姿态估计的精度.     

改进卡尔曼算法在电子鼻信号处理中的应用

为了降低的电子鼻测量过程中噪声信号对采样结果的影响,提出一种改进的自适应卡尔曼滤波算法,该方法能自适应调整测量方差以及能够滤除传感器本身具有的非高斯噪声信号.针对电子鼻测量过程中的信号特性,建立了测量数据处理的卡尔曼滤波模型,重点讨论改进卡尔曼滤波算法,并将该算法应用到电子鼻测量数据处理过程中,结果表明该方法能够拟制电子鼻测量过程中产生的噪声,提高电子鼻的测量精度.     

低成本姿态测量系统研究

针对由低精度的惯性陀螺、加速度计、磁强计组成的低成本姿态测量系统,该文进行了组合算法研究.设计了有陀螺测量和基于四元数差分法的无陀螺测量2种广义卡尔曼滤波器(EKF);采用四元数避免了欧拉角法的奇异问题;用高斯-牛顿误差最小法将六维观测量转化为四元数,作为观测量的一部分,显著减少了直接使用EKF的计算量.设计了仿真数据进行算法验证,成功地得到姿态估计,并对2种EKF滤波器在低速和高速状态下进行验证,取得良好效果.