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.     

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。     

多传感器数据融合浅析

近十几年以来，多传感器数据融合技术已爱到广泛的关注，它的和方法已被应用到许多研究领域，本文主要阐述数据融合技术在Ｃ＾３Ｉ中的应用，首先介绍了多传感器数据融合的基本概念，进而以国内外发表的文献为例说明了数据融合技术已取得的进展，最后对数据融合技术进行了展望，并提出了我们的对策。     

带有等式状态约束的多传感器数据融合算法

在状态估计理论的实际应用中,状态向量常常包含可以预先获知的约束信息,有效地利用这些先验信息可以进一步明确状态元素之间的关系,理论上可以提高对系统的状态估计精度.针对约束滤波的已有研究成果,将其引入到多传感器系统,提出了约束系统多传感器数据融合算法.通过建立线性等式约束方程,将传统卡尔曼滤波结果投影到约束子空间,然后对局部传感器的约束滤波结果采用分布式最优加权融合,并且通过协方差匹配技术检测观测数据异常的传感器,使之不参与到数据融合中.仿真结果表明,约束系统分布式加权融合算法的有效性和可行性,并且比集中式融合算法具有更好的稳定性.     

分布式多传感器决策融合系统求解

本文研究了分布式多传感器决策融合的信号处理，推导和求解在“双阈检验准则”下两个级别上的优化决策规则：一个是当局部检测器生成的个体决策结果被送到数据融合中心时，基于这些个体决策集合作出总的决策的融合规则；另一个是在总体决策融合规则给定情况下求解某一局部检测器的优化决策规则．所采用的“双阈检验法”是作者在Ｎ－Ｐ检验法基础上提出的新的融合方法，该方法由于引入了两类不明概率区而使传统的Ｂａｙｅｓ决策能力和适用范围得以扩大．本文还从减少计算量角度考察了分布式检测系统在观测独立情形下的优化决策规则简化计算公式．最后给出了简单算例，并加以验证．     

多传感器多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。     

多传感器分布式信息融合Wiener状态估值器

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,在按矩阵加权、按 标量加权和按对角阵加权的线性最小方差最优信息融合规则下,提出了相应的三种最优分布式融合Wiener 状态估值器,可统一处理融合滤波、平滑和预报问题。为了计算最优加权,提出了状态估计误差方差阵和互 协方差阵的计算公式。同单传感器情形相比,可提高滤波精度。一个带四传感器目标跟踪系统的仿真例子 说明了其有效性和正确性,并说明了三种加权融合估计精度无显著差异,因而采用按标量加权融合器可显著 减小计算负担,便于实时应用。     

多传感器数据融合技术概述

多传感器数据融合技术是一门新兴前沿技术。近年来,多传感器数据融合技术已受到广泛关注,它的理论和方法已被应用到许多研究领域。介绍多传感器数据融合的基本原理和过程,重点介绍多传感器数据融合的三个层次并对三个层次进行比较,最后论述数据融合技术的发展趋势。     

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.     

对多传感器数据融合的综合研究

1多传感器数据融合的概念数据融合一词出现在20世纪70年代,并于80年代发展成一项专门技术。它是人类模仿自身信息处理能力的结果,类似人类和其他动物对复杂问题的综合处理。人类能将各种功能器官(眼、耳、鼻、四肢、皮肤)所探测到的(图像、声音、气味、触觉)与先验知识进行综合,以便对周围的环境和正在发生的事件做出估计。数据融合最早用于军     

多传感器数据融合与航迹预测的模型设计

文中建立了功能完整的多传感器数据融合模型,使用最邻近数据关联(NNDA)算法提取目标航迹,采用三次样条插值实现时间配准,并将传感器性能作为权重应用到航迹对的融合中,使用加权平均的方法融合航迹对.引用回声状态网络(ESN)技术实现航迹的预测.基于雷达数据在不同运动场景中测试模型性能,对于匀速直线运动和机动转弯的目标,模型具有较高的跟踪和预测精度.     

基于神经网络的多传感器信息融合技术在移动机器人中的应用

基于模糊神经网络的多传感器信息融合,提出了一种简单、有效的分区算法来确定障碍物的距离和方位。采用BP神经网络对障碍物环境进行分类以及模式识别,为移动机器人的导航和避障提供了一种有效的方法。     

国外手爪中多传感器数据融合技术的研究概况

近年来 ,多传感器数据融合技术已引起世界范围内的普遍关注 ,成为一个新兴的技术方向 ,并已成功地应用在军事系统、交通系统和智能机器人等研究领域。手爪是空间智能机器人的关键部件之一 ,它集成了视觉、触觉和力觉等多种传感器。为了能进行灵活和自适应的操作 ,机器人手爪必须要采用多传感器数据融合技术。该文介绍了机器人手爪中多传感器集成和数据融合技术的研究概况 ,对我国机器人的研究发展具有一定的借鉴意义。     

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.     

手爪中多传感器数据融合技术的研究概况

多传感器数据融合技术是传感器技术、模式识别、神经网络、控制理论、人工智能和模糊理论等学科相交叉的一门新兴学科 ,它被美国列为 2 0世纪 90年代重点研究开发的 2 0项关键技术之一 ,已被广泛地应用于军事和非军事领域中。而在机器人手爪中应用多个传感器 ,采用数据融合技术进行传感器信息处理 ,是赋予机器人更高智能的关键之一。该文介绍了日本营救机器人手爪中的多传感器集成和数据融合技术及操作控制 ,美国早期的多传感器手爪系统和国内机器人手爪研究的主要情况 ,对我国机器人的研究发展具有一定的借鉴意义。     

改进的BP算法在多传感器数据融合中的应用

采用了基于小波神经网络的BP权值平衡改进算法,构造小波神经网络并训练以改变BP网络权值.根据多传感器特征级数据融合模型,并结合该权值平衡算法,使测量到的数据进行基于特征级的融合,并将该数据融合结果提供给决策级判断,从而得出理想的判定效果.仿真结果表明,该数据融合算法避免了BP权值平衡算法的缺点,不仅提高了学习的速度,而且具有更高的计算精度.     

基于Cortex-M3和多传感器数据融合的咪表系统设计

针对目前咪表停车收费系统管理难和收费乱的问题,基于ARM Cortex-M3处理器提出一种运用多传感器融合技术检测车位状态的智能咪表管理系统的设计方案.阐述了系统的组成、工作原理和软硬件设计,并对设计方案进行实验验证.实验结果表明:系统的车辆检测精度较高,运行稳定,基本满足路边停车收费的要求.     

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。     

带等式状态约束的集合卡尔曼滤波算法

对含等式状态约束的非线性系统状态估计问题,本文考虑将集合卡尔曼滤波算法与估计投影方法结合,分别对每个状态粒子和加权平均后的状态估计向量使用估计投影方法,得到两种新的带约束的状态估计算法. 实验表明,与粒子滤波和不带约束的集合卡尔曼滤波相比,新算法的估计精度有所提高     

多传感器机器人数据采集与融合系统研究

根据多传感器机器人控制器数据采集量大、数据融合算法复杂、系统实时性强的特点 ,提出了基于ADμC812和TMS32 0F2 0 6的双CPU结构的机器人信息采集与数据融合系统结构 .介绍了该系统的硬件组成、基本工作原理以及接口电路 ,并给出了ADμC812子系统程序流程图 .