多传感器数据融合算法

1、、背景介绍:多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman滤波技术结合进一步得到研究需要的更纯净的有用信号。如信号处理、估计理论、不确定性理论、 多传感器数据融合比较确切的定义可概括 采用计算机技术对按时间序列获得的多多传感器数据融合涉及到多方面的理论和技术, 最优化理论、模式识别、神经网络和人工智能等。 为：充分利用不同时间与空间的多传感器数据资源，传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。多传感器信息融合技术通过对多个传感器获得的信息进行协调、

2、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确 的结果。数据融合就是将来自多个传感器或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性， 这是任何单个传感器做不到的。实践证明：与单传感器系统相比， 运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并

3、提高精度，扩展整个系统的时间、 空间覆盖率，增加系统的实时性和信息利用率等。 信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进 行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景， 已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、 多贝叶斯估

4、计法、产生式规则等 ；而人工智能类则有模糊逻辑理论、神经网络、粗集理论、 专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起 到越来越重要的作用。数据融合存在的问题(1) 尚未建立统一的融合理论和有效广义融合模型及算法；(2) 对数据融合的具体方法的研究尚处于初步阶段；(3) 还没有很好解决融合系统中的容错性或鲁棒性问题；(4) 关联的二义性是数据融合中的主要障碍；(5) 数据融合系统的设计还存在许多实际问题。二、算法介绍：2.1多传感器数据自适应加权融合估计算法：设有n个传感器对某一对象进行测量，如图1所示，对于不同的传感器都有各自不同的加权因子，我们的思想是在

5、总均方误差最小这一最优条件下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的X值达到最优。图I等传感器数据白适应加权融合估计模电最优加权因子及所对应的均方误差：(多传感器方法的理论依据：设n个传感器的方差分别为,022,，C2n；所要估计的真值为X，各传感器的测量值分别为X1, X2,，Xn,它们彼此互相独立，并且是 X的无偏估计；各传感器的加权因子分别为W, W2,，W,则融合后的X值和加权因子满足以下两式：nnX 八 WpXp, Wp =1P 4p 42 _ n 2 2 n总均方误差为 2.pm- p#从式可以看出，总均方误差0是关于各加权因子的多

6、元二次函数，因此0必然存在最小值。该最小值的求取是加权因子W1 , W2 ,，Wn满足式约束条件的多元函数极值求取。根据多元函数求极值理论，可求出总均方误差最小时所对应的加权因子： n q *9 _ I.Wp =1/2( PsW = 1,2，川，n)I i Ci2 n 1此时对应的最小均方误差为：二min =1/2p仝口 p以上是根据各个传感器在某一时刻的测量值而进行的估计，当估计真值X为常量时，则可根据各个传感器历史数据的均值来进行估计。设1 knXp kXp ip=1,2,川，n此时估计值为刃八WpXp kk i =pm总均方误差为_22 n 2 2 n疔2=E 正 W；(X-Xp(k)

7、+2 瓦 WpWq(X-Xp(k)(X-Xq(k)-P#P#,qT同理，因为X1 , X2 ,，X n为X的无偏估计，所以X 1(k) , X 2(k),X n(k)也一定是X的无偏估计，故 占2 =E上 Wp2(X Xp(k)=、W； 卡二-k pa自适应加权融合估计算法的线性无偏最小方差性1) 线性估计由式可以看出，融合后的估计是各传感器测量值或测量值样本均值的线性函数。2) 无偏估计因为Xp(p =1 , 2,，n)为X的无偏估计，即 EX-Xp =0(p =1 , 2，n)，所以可得:Wp(X Xp Jn=Z WpE X X=0 , X为无偏估计。-P=1p=1同理，由于Xp(p =1

8、 , 2 -,n)为X的无偏估计，所以n1E |E Wp(XXp(k)n汽WpEXXp(kT严一p=1Xp(k)也一 -定是 X的无偏估计。最小均方误差估计在推导过程中，是以均方误差最小做为最优条件，因而该估计算法的均方误差一定是最的。 为了进一步说明这一点，我们用所得的均方误差*Lmin与用单个传感器均值做估计和用多传感器均值平均做估计的均方误差相比较。我们用n个传感器中方差最小的传感器L做均值估计，设传感器L的方差o2Lmin为测量数据丘 22 n 1所以* =1 VmiJ三1 min犹 p的个数为k,则千乂 h/k, 益=1/n 12卩宀丿下面我们讨论与用多个传感器均值平均做估计均方误差

9、相比较的情况。所谓用多个传感器均值平均做估计是用n个传感器测量数据的样本平均再做均值处理而得1 n到的估计，即 刃二丄7 Xp k此时均方误差为n p=12c 212Q=E(X刃)=X E(XXp(k)2 n2Jn p d,q 4PTEx_Xp(k)EXXq(k)l1 _ 同理，Xp(k)一定为X的无偏估计，可得 毎=飞 E(XXp(k)= n p毘1n 22 则2 p n k pm:?22imin若我们事先已经将各个传感器的方差进行排序，且不妨设2 . 20 22cP21 n-IH - - n，则根据契比雪夫不等式得 -X二 min n pmp91p各传感器方差从以上分析可以看出，最佳加权因

10、子 Wp*决定各个传感器的方差 们可根据各个传感器所提供的测量值，依据相应的算法，将它们求出。设有任意两个不同的传感器 p、q ,其测量值分别为 X p、X q ,所对应观测误差分别为 Vp、异的求取皆。一般不是已知的，我V q，即Xp=：XVp； Xq=：XVq，其中，Vp、V q为零均值平稳噪声，则传感器P方差Cp = E Vp2，因为Vp、V q互不相关，与X也不相关，所以X p、Xq的互协方差函数 Rpq满足Rpq =EXpXq卜Exp，X p的自互协方差函数Rpp满足k，Rpp的时Rpp = EXpXp 卜 E Xp + E V；| 作差得 p = E 卩；=Rpp Rpq 对于Rp

11、p、Rpq的求取，可由其时间域估计值得出。设传感器测量数据的个数为 间域估计值为Rpp(k)，Rpq的时间域估计值为Rpq(k)，则1 kk11Rppk 二 kXpi Xp i 厂Rppk 1 严k Xp kk -11Rpq =亍 Rpq k-1 fXp k Xq k如用传感器q(q Mp ；q =1 , 2,，n)与传感器p做相关运算，则可以得到Rpq(k)(q和；q =1 ,2,，n)值。因而对于R pq可进一步用R pq(k)的均值Rp(k)来做为它的估计，即Rpq =Rp k 口nRpqkq吕q=p由此，我们依靠各个传感器的测量值求出了Rpp与Rpq的时间域的估计值，从而可估计出各个传

12、感器的方差。2.2基于最小二乘原理的多传感器加权融合算法以存在随机扰动环境中的不同参数多传感器为研究对象，基于最小二乘原理， 提出了一种加权融合算法，推导出各传感器的权系数与测量方差的关系。并且根据测量信息，提出了一种方差估计学习算法，实现对各传感器测量方差的估计，从而对各传感器的权值进行合理的分配。该算法简单，能快速、准确的估计出待测物理量的状态信息。同种类型不同参数的多个传感器对存在随机扰动环境中的某一状态进行测量时，如何使状态的估计值在统计意义上更加接近于状态的真实值，针对这一问题进行了研究。 依据最小二乘原理，推导出了多传感器的加权融合公式，并且在最优原则下， 得出测量过程中各传感器的

13、测量方差与其权系数的关系。针对以上不足，充分利用多传感器测量这一特点，将传感器内部噪声与环境干扰综合考虑，提出了一种对各传感器测量方差及待测物理量状态进行实时估计的算法。设n个传感器对某系统状态参数的观测方程为：Y = Hx e，式中，x为一维状态量；Y为n维测量向量，设 丫ypHlyn, e为n维测量噪声向量，包含传感器的内部噪声及环境干扰噪声，设e = 5 eJ|leT, h为已知n维常向量。采用加权最小二乘法从测量向量丫中估计出状态量x的估计量。加权最小二乘法估计的准则是使加权误差平方和T=-Ht W Wt 丫 _ Hx = 0得Jw 5? = 丫 - HW W Y - H)?取最小值。

14、其中 W是一个正定对角加权阵，设W =diag w1 w2 |wn，对之求偏导，令丄Z WiYi到加权最小二乘估计：?= H TWH 一 H TWY二二一Z Wii 4对测量噪声作如下假设：（1）各传感器的测量噪声为相互独立的白噪声；（2）由于测量噪声是传感器内部噪声和环境干扰等多种相互独立因素引起的，利用概率知识可以证明：多个相互独立的随机变量相加的和接近正态分布。因而可以假设测量噪声的分布规律也是正态的。所以 E _ei2 = (yi= R (i =1,2,川，n )写作矩阵形式:Ee=O, E-eehR-diagCR R2IHRn ）其中，Ri为第i个传感器的测量方差，R为测量方差矩阵。

15、可得估计方差:e(x-X2n、Wiyix_ 土nWii AnE i4l2Wi x-yinWiy-nz7Win工wiWjWjIZ wi I Xix_yi x_yj由于i不等于j时ei、ej相互独立，故 7=1n二 wii =11圳*心2“得估计方差为-yi八winZ wR令偏导数为零得不难看出，采用加权融合的估计方差比任何一个传感器的测量方差都小。当以算术平均作为状态的估计时，其估计方差可以证明1n 1Ri丄ni =1 Ri说明加权融合的效果要优于算术平均估计。可得 X=rHTWH HTWe, EXI- H TWHH TWE l-d - 0可知基于最小二乘原理的加权融合算法是一种无偏估计算法。通

16、过以上的推导，公式）即为基于最小二乘原理的加权融合算法的计算公式。测量方差阵R的计算方法：进行测量方差的估计时， 把传感器的内部噪声与环境干扰综合考虑，将得出一个随不确定因素而变化的测量方差阵 R的估计方法。在对测量方差进行估计之前，先作如下分析：（1）横向 分析（针对多个传感器一次采样结果的分析）:多个传感器单次采样结果的算术平均值是该采 样时刻状态的无偏估计。基于这个原理，各传感器测量方差的估计可先基于算术平均值作一 个粗略的分配估算；以每个传感器的测量值与该次采样时各传感器测量算术平均值的偏差平 方作为各传感器该次采样的方差分配。横向分析中利用了多传感器在某一采样时刻的测量信息。（2）纵

17、向分析（针对一个传感器多次采样结果的分析）:以单个传感器为研究对象，测量方差是传感器内部噪声与环境干扰的一种综合属性，这一属性始终存在于测量的全过程中，因此要将单个传感器历次采样时的方差分配与当前方差分配的算术平均值作为当前 测量方差的实时估算。亦即在此提出了方差估计学习算法。基于以上分析，方差估计学习算法如下：设ymi表示第i个传感器第m次采样的结果，则第m次采样时各传感器测量算术平1 n均值为：ym =丄V ymi。第i个传感器第m次采样时测量方差的估计分配Rmi为：n i 4Rmi - lymym 对各传感器测量方差在历次采样时的估计分配值代求算术平均值- 1 mFU二丄a尺匚此式即为第

18、m次采样时第i个传感器测量方差的估计值，写成递推公式形m y式m -1m &m）iRoi=0为：1-Rmi m=1,2川m将结果代入，便得测量过程中各传感器的权系数。由测量方差估计的计算过程可以看出，每次新的测量数据都对各传感器的测量方差有调节作用，但这种调节作用将越来越小。这是因为把传感器与测量环境综合起来考虑，测量向量从统计意义上说， 它的概率分布是确定的。方差估计学习算法实际上是随着采样时刻的推移，对测量向量分布特性的学习过程，而在学习过程中，最初的几个采样时刻是对测量向量分布特性从无到有的认识，因而学习速度较快，体现在对测量方差的估计中是相邻采样点间各传感器测量方差估计值的变化率较大。

19、而随着采样的进行，这种学习过程将趋于稳定，体现在对测量方差的估计中是每次新的测量数据对 各传感器测量方差的估计只起微小的调节作用，相邻采样点间各传感器测量方差估计值的变化率较小。2.3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。同类多传感器数据的

20、测量可以看作是从含有噪声的大量测量数据中估计一个非随机量， 由于测量数据中存在着噪声，那么根据这些测量数据所得到的估计值也存在估计误差，然而这种估计误差是随机量，一般用均方误差来评价测量方法的优劣，而影响估计值均方误差的主要因素是传感器自身的均方误差。在单一传感器测量时，为了减少估计值的均方误差就必须增大测量数据的数量，这必然降低实时性。为了提高测量的实时性和精度，就需要用同种类的多个传感器同时测量一个物理量。数据一致性检验设有m个传感器对某一对象进行测量，首先对X i（i =1 ， 2，m）进行数据检验，检验准则是Xi , X 2 ,，Xm的相邻两值之差不应超过给定门限& 根据传感器精度确定

21、。即X2三；,X3 -X2Xm自适应加权融合估计算法理论：与2.2完全相同算法流程：1）根据递推式算出采样时刻k的Rpp k与Rpq k ； 2）计算k时刻Rp k ； 3）计算2ik -11k时刻二p ； 4）求出各传感器k时刻均值Xp kXp iXpk-1 Xpk ;k i二kk5）求出此时刻各传感器最优加权因子W； ; 6）得出此时刻估价式 X。从以上运算流程可以看出，对于每个传感器所对应的最优加权因子，只是根据各个传感器的测量数据以自适应的 方式将它们求取出来，因而，称该算法为多传感器数据自适应加权融合估计算法。2.4基于信任度的多传感器数据融合及其应用针对多传感器信息采集系统中的数据

22、不确定性问题，提出了一种基于信任度的多传感器数据融合方法。该方法首先定义一个模糊型指数信任度函数，对两传感器测得数据 间的信任程度进行量化处理，并通过信任度矩阵度量各传感器测得数据的综合信任程 度，以合理地分配测得数据在融合过程中所占权重，得到数据融合估计的最终表达式， 从而实现了多传感器数据的融合。在多传感器信息采集系统中，由于不可避免会受到传感器精度、传输误差、环境噪声和人为干扰等因素的影响，将使得它们的测得数据产生不确定性因此在数据融合过程中，必须首先确定被融合数据的可信程度：若某些数据表现异常， 就不能作为被融合的数据；若某些数据相互接近，则可以把它们融合在一起，从而提高融合结果的精确

23、度和稳定性。针对上述问题，本文充分利用模糊集合理论中隶属度函数范围确定的优点，定义了一种模糊型指数信任度函数，对传感器测得数据间的信任程度进行量化处理，并通过信任度矩阵度量各传感器测得数据的综合信任程度，合理地分配测得数据在融合过程中所占权重，得出数据融合估计的最终表达式，进而得到一种对多个传感器测得数据进行融合处理的简便有效的方法。设多个传感器测量同一参数，第 i个传感器和第j个传感器测得的数据分别为 xi和xj。 如果xi的真实性越高，xi被其余数据所信任的程度就越高。所谓 xi被xj信任程度，即从xj 看xi为真实数据的可能程度，多传感器测得数据间的这种信任程度被称为信任度。为了对测得数据间的信任度进行进一步地统一量化处理，定义一个信任度函数bij，表示xi被xj信任程度。bij = f Xj - Xjiji, j =1,2/ ,n其中，0乞f乞1，为连续下降函数。般给出融合上限mjj =0，令勺1Xi _Xj0Xi Xj二 mij若