毕业答辩-多传感器数据融合融合技术在DPS中的应用研究.ppt

广东石油化工学院,2011级毕业答辩姓名：学号：计算机与电子信息学院班级：电气11-3,目录,研究背景与意义研究目标论文结构数据融合技术的介绍与方法船舶运动模型的建立EKF算法的原理与应用实验验证与仿真结论致谢,研究背景与意义,现代军事需求,数据融合技术,民用需求,雷达目标跟踪,航迹融合,战场侦察与监控,海底油气开采,深海水产捕捞,海洋地质考察,精密、先进的控制系统,研究对象,船舶动力定位系统（DPS）,船舶动力定位系统,推进器系统,控制器系统,环境检测系统,产生并分配推力,数据处理、融合、推理分配指令下达,外界环境数据收集,论文框架,数据融合技术的介绍与方法船舶运动模型的建立EKF算法的原理与应用实验验证与仿真小结,数据融合技术的介绍与方法,介绍：对多传感器的数据进行多级别、多方面、多层次的处理，即组合或融合来自多个传感器或其他信息源的数据，以获得综合的、更好的估计。方法：1、Dempster-Shafer的证据理论：通过集合来标记命题，然后把对命题的不确定性描述转化为对集合的不确定性描述，利用信任函数、概率分配函数、似然函数来描述客观证据对命题的支持程度，利用它们之间的推理与运算来进行目标识别2、Kalman滤波融合算法：利用测量模型的统计特性，递推确定在统计意义下最优的融合数据估计，适合于线性系统的目标跟踪。3、Bayes推理方法：把每个传感器视作是一个Bayes估计器，将每一个观测目标各自的关联概率分布综合成一个联合后验分布函数，随观测值的到来，不断更新假设的似然函数，并通过该似然函数的极大或极小进行信息的最后的数据融合融合。,船舶运动模型,船舶运动方程,低频运动,高频运动,EKF算法的原理与应用,EKF算法的原理：EKF取非线性函数的泰勒（Taylor）展开式进行一阶偏导部分（忽略其余高阶项），从而将非线性问题转化为线性，这样就可以将卡尔曼线性滤波算法应用到非线性系统中。从而解决了非线性化的问题。EKF滤波公式：在扩展卡尔曼滤波器（ExtendedKalmanFilter，简称EKF）中状态转换和观测模型不需要是状态的线性函数，可替换为（可微的）函数。在每一步中使用当前的估计状态计算Jacobian矩阵，将非线性问题线性化。扩展卡尔曼滤波器的等式为：状态的一步预测方程：,协方差的一步预测：滤波增益方程:滤波估计方程:滤波协方差更新方程:,船舶的测量模型,超声波接收器/发送器，测量船舶的位置，船舶的速度以及船舶的加速度，相关的运动信息,电罗经角速度，船舶附体坐标系与惯性坐标系的转换公式为：引入四元参数电罗经测量k时刻三个方向的角速度：pk,qk,rk。具体的船舶测量模型：,实验验证与仿真,本实验室具体船模:质量m=2x102kg，船长L=2.8m，船宽B=0.76m，船高H=0.75m，水池长11m，宽6m，型深H=1m，船舶吃水线高0.5m，风速3m/s，波浪有义波高为0.3m，采用XW-EC1700三维固态电子罗盘（电罗经）1390-pk-006超声波风向风速仪，风向风速仪采集到的数据通过RS232串行通信传输到PC机，借助MATLAB7.1中的仪器控制工具封装的串口对象，可以像操作文件一样控制串行端口与外设进行通信。超声波接/收器是本实验室自主研发的。每秒采样一次。仿真结果,结论：扩展卡尔曼滤波由于其在求解时不需要贮存大量的观测数据，并且当得到新的观测数据时，可随时算得新的参数滤波值，便于实时处理观测成果，因此，扩展卡尔曼滤波被越来越多的应用于动态数据处理，惯性导航等。本文以MATLAB7.1为例，介绍扩展卡尔曼滤波器的设计方法，目的是为了熟悉扩展卡尔曼滤波算法及实现，用MATLAB进行扩展卡尔曼滤波仿真、对比扩展卡尔曼滤波的预测效果,致谢,本设计是在熊建斌老师的指导和帮助下，通过查阅资料、实际调研、多次实验而完成的设计课题。在本次设计过程中，从论文总体框架的构思到定稿，都多次得到熊老师的关心和指