多传感器信息融合技术

关于多传感器信息融合技术第1页，课件共48页，创作于2023年2月概述多传感器信息融合的分类和结构

多传感器信息融合的一般方法

多传感器信息融合的实例

第2页，课件共48页，创作于2023年2月

传感器信息融合又称数据融合，是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。传感器信息融合技术从多信息的视角进行处理及综合，得到各种信息的内在联系和规律，保留正确的和有用的成分，最终实现信息的优化。定义：将经过集成处理的多传感器信息进行合成，形成一种对外部环境或被测对象某一特征的表达方式。单一传感器只能获得环境或被测对象的部分信息段，而多传感器信息经过融合后能够完善地、准确地反映环境的特征。第一节多传感器信息融合概述第3页，课件共48页，创作于2023年2月

多传感器信息融合就像人脑处理信息过程一样，充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器的互补与冗余信息依据某种准则组合起来，产生对观测环境的一致性解释和描述。信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。第4页，课件共48页，创作于2023年2月信息融合技术的实现和发展以信息电子学的原理、方法、技术为基础。信息融合系统采用多种传感器收集各种信息，包括声、光、电、运动、视觉、触觉、力觉等。除了自然(物理)信息外，信息融合技术还融合社会类信息，以语言文字为代表，涉及到大规模汉语资料库、语言知识的获取理论与方法、机器翻译、自然语言解释与处理技术等。1、在信息电子学领域应用领域第5页，课件共48页，创作于2023年2月以各种控制理论为基础，信息融合技术采用模糊控制、智能控制、进化计算等系统理论，结合生物、经济、社会、军事等领域的知识，进行定性、定量分析。目前的控制技术，已从程序控制进入了建立在信息融合基础上的智能控制。智能控制系统不仅用于军事，还应用于工厂企业的生产过程控制、城市建设规划、道路交通管理、商业管理、金融管理与预测、地质矿产资源管理、环境监测与保护、粮食作物生长监测、灾害性天气预报及防治等各行各业。2、在自动化领域第6页，课件共48页，创作于2023年2月增加了系统的生存能力扩展了空间、时间覆盖范围提高了可信度降低了信息的模糊度改善了探测性能提高了空间分辨率增加了测量空间的维数优点第7页，课件共48页，创作于2023年2月第二节传感器信息融合分类和结构1、组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，涉及的问题有输出方式的协调、综合以及传感器的选择。2、综合：信息优化处理中的一种获得明确信息的有效方法。例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。3、融合：将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。一、传感器信息融合分类第8页，课件共48页，创作于2023年2月二、信息融合系统的结构模型从检测的角度看，检测级融合的结构模型主要有五种，即：分散式结构、并行结构、串行结构、树状结构和带反馈并行结构。第9页，课件共48页，创作于2023年2月(a)分散式结构每个局部决策都是最终决策，可按照某种规则将这些分离的子系统联系起来，看成一个大系统，并遵循大系统中的某种最优化准则来确定每个子系统的工作点。图1分散式结构第10页，课件共48页，创作于2023年2月(b)并行结构每个局部节点的传感器在收到未经处理原始数据之后，在局部节点分别作出局部检测判决，然后，它们在检测中心通过融合得到全局决策。这种结构在分布检测系统中的应用较为普遍。图2

并行结构第11页，课件共48页，创作于2023年2月(c)串行结构每个局部节点分别接收各自的检测后，首先由节点1作出局部判决，然后将它通信到节点2，而节点2则将它本身的检测与之融合形成自己的判决，以后，重复前面的过程，并将最后一个节点的判决作为全局判决。图3串行结构第12页，课件共48页，创作于2023年2月(d)树状结构信息传递处理流程是从所有的树枝到树根，最后，在树根即融合节点，融合从树枝传来的局部判决和自己的检测，作出全局判决。图4树状结构第13页，课件共48页，创作于2023年2月(e)反馈结构每个局部检测器在接收到观测之后，把它们的判决送到融合中心，中心通过某种准则组合这些判决，然后把获得的全局判决分别反馈到各局部传感器作为下一时刻局部决策的输入。可明显地改善各局部节点的判决质量。图5带反馈的并行结构第14页，课件共48页，创作于2023年2月1、标准Kalman滤波技术Kalman滤波是对离散线性系统进行状态估计的一种常用方法，它是一组基于递推的数据处理算法。Kalman滤波引入了状态空间模型，其基本思想是利用前一时刻的估计值和当前的观测值来得到对当前状态变量的估计，其估计准则为最小均方误差准则。下面我们通过一个框图来说明卡尔曼滤波所处理的问题。第三节多传感器信息融合一般方法第15页，课件共48页，创作于2023年2月依据前一时刻的估计值以及当前时刻的观测值给出当前时刻的估计值。用状态方程和测量方程描述。状态方程：量测方程：

假设是状态变量，例如量测数据与系统的各状态变量之间呈现线性关系。：观测矩阵

：观测噪声第16页，课件共48页，创作于2023年2月前提条件：、为互为不相关的高斯白噪声。经过推导，可得到迭代式为：第17页，课件共48页，创作于2023年2月增益矩阵：均方误差阵：第18页，课件共48页，创作于2023年2月图6卡尔曼滤波过程第19页，课件共48页，创作于2023年2月扩展Kalman滤波在多目标多传感器融合中，系统可能是非线性的。其最优解通常不能用解析式表示，而且随着时间的推移将趋于无穷维，运算量和存储量的急剧膨胀使得这种最优解在物理上是不可实现的，在工程上也没有必要实现这种最优解。对这类系统，至今尚未研究出完善的解法，目前所用的非线性算法都是近似的。下面介绍在跟踪系统中常用的非线性滤波方法：扩展Klaman滤波.第20页，课件共48页，创作于2023年2月扩展Kalman算法对非线性滤波问题常用的处理方法是利用线性化技巧将其转化为一个近似的线性滤波问题。其中最常用的线性化方法是对非线性问题在状态变量均值的邻域内进行泰勒级数展开，由此得到的滤波方法称为扩展卡尔曼滤波（EKF）。

设非线性系统的状态方程为：和线性情况一样，假定在k时刻有估计：第21页，课件共48页，创作于2023年2月扩展Kalman算法为了得到预测状态，将系统的状态方程在附近进行泰勒级数展开，取一阶或者二阶项，以便产生一阶或二阶EKF。具有二阶项的展开式为：第22页，课件共48页，创作于2023年2月对扩展卡尔曼滤波的余下步骤，只需按标准Kalman滤波的方法对上述泰勒展式进行推导即可。目前，扩展卡尔曼滤波虽然被广泛用于解决非线性系统的状态估计问题，但非线性因子的存在对滤波稳定性和状态估计精度都有很大的影响，其滤波效果在很多复杂系统中并不能令人满意。模型的线性化误差往往会严重影响最终的滤波精度，在模型非线性较强．以及系统噪声非高斯时估计的精度严重下降，并可能导致滤波发散。第23页，课件共48页，创作于2023年2月假定完成任务所需的有关环境的特征物用向量f表示，通过传感器获得的数据信息用向量d来表示，d和f都可看作是随机向量。信息融合的任务就是由数据d估计环境f。假设p(f,d)为随机向量f和d的联合概率分布密度函数，则：p(f|d)表示在已知d的条件下，f关于d的条件概率密度函数；p(d|f)表示在已知f的条件下，d关于f的条件概率密度函数；p(d)和p(f)分别表示d和f的边缘分布密度函数；二、Bayes估计法第24页，课件共48页，创作于2023年2月已知d时，要推断f，只须掌握p(f|d)即可，即：上式为概率论中的Bayes公式。信息融合通过数据信息d做出对环境f的推断，即求解p(f|d)。由Bayes公式知，只须知道p(d|f)和p(f)即可。p(d|f)是在已知客观环境变量f的情况下，传感器得到的d关于f的条件密度。第25页，课件共48页，创作于2023年2月通常,在某一时刻从多种传感器得到一组数据信息d，由这一组数据给出当前环境的一个估计f。因此，实际中应用较多的方法是寻找最大后验估计g，即：即最大后验估计是在已知数据为d的条件下，使后验概率密度p(f)取得最大值得点g。第26页，课件共48页，创作于2023年2月在传感器数据进行融合之前，必须确保测量数据代表同一实物，即要对传感器测量进行一致性检验。常用以下距离公式来判断传感器测量信息的一致：式中，x1和x2为两个传感器测量信号，C为与两个传感器相关联的方差阵。当距离T小于某个阈值时，两个传感器测量值具有一致性。

第27页，课件共48页，创作于2023年2月神经网络是类型分析和函数逼近的常用方法，采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。神经网络多传感器信息融合的实现，分三个重要步骤：根据智能系统要求及传感器信息融合的形式，选择其拓扑结构；各传感器的输入信息综合为一总体输入函数，通过神经网络与环境交互作用把环境的统计规律反映网络本身结构；对传感器输出信息进行学习，确定权值的分配，进而对输入模式做出解释。三、人工神经网络法第28页，课件共48页，创作于2023年2月人工神经网络神经元利用树突整合突触所接收到的外界信息，经轴突将神经冲动由细胞体传至其他神经元。神经网络使用大量的处理单元(即神经元)处理信息，神经元按层次结构的形式组织，每层上的神经元以加权的方式与其它层上的神经元连接，采用并行结构和并行处理机制，具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。第29页，课件共48页，创作于2023年2月典型的感知神经网络模型图7神经网络结构第30页，课件共48页，创作于2023年2月如果将数据融合划分为二级，并针对具体问题将处理功能赋予信息处理单元，可以用二层神经网络描述融合模型。第一层神经元对应原始数据层融合。第二层完成特征层融合，并根据前一层提取的特征，做出决策。第31页，课件共48页，创作于2023年2月四、专家系统专家系统是一个具有大量专门知识与经验的程序系统，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。专家系统具有如下特点：(1)启发性：专家系统能运用专家的知识和经验进行推理、判断和决策。(2)灵活性：专家系统能不断地增长知识，修改原有知识，不断更新，不断充实和丰富系统内涵，完善系统功能。

第32页，课件共48页，创作于2023年2月一个典型的专家系统由知识库、推理器和接口三部分组成，如图所示。知识库组织事实和规则。推理器籍由知识库中有效的事实与规则，在用户输入的基础上给出结果。接口是用户与专家系统间的沟通渠道，为用户提供直观方便的交互作用手段第33页，课件共48页，创作于2023年2月五、聚类分析法对于没有标示类别或没有明确特征的数据样本集，可以根据样本之间的某种相似程度进行分类，相似的归一类，不相似的归为另一类或另一些类，这种分类方法称为聚类分析，如图所示。

第34页，课件共48页，创作于2023年2月五、聚类分析法聚类分析法试图根据传感数据的结构或相似性将数据集分为若干个子集。将相似数据集中在一起成为一些可识别的组，并从数据集中分离出来。众多的不同特征可用不同的聚类来表征。第35页，课件共48页，创作于2023年2月进行聚类分析时，首先需要确定一种规则来确定数据集的分离原则，寻找各个类之间的相似性是常用的办法。对于两个给定的数据样本和，几种常见的相似性度量如：点积：相似性比：欧几里德距离：第36页，课件共48页，创作于2023年2月在不规则粒子的测量中，人们并不关心粒子的直径究竟是多少，而是关心粒子的种类及其统计特性（平均直径、方差等）。聚类分析适于解决这类问题。对于任意不规则粒子的情形，可以通过考察粒子在大小分布上的相似程度来进行粒子识别。聚类分析算法能够挖掘数据中的新关系，可以用于目标识别和分类。第37页，课件共48页，创作于2023年2月管道泄漏检测中的数据融合医学咨询与诊断专家系统多传感器数据融合技术的局限性

第四节多传感器信息融合实例第38页，课件共48页，创作于2023年2月管道泄漏检测中的数据融合当管道发生泄漏时，由于管道内外的压差，泄漏处流体迅速流失，压力迅速下降，同时激发瞬态负压波沿管道向两端传播。在管道两端安装传感器拾取瞬态负压波信号可以实现管道的泄漏检测和定位，如图所示。其中：a是负压波在管道中的传播速度；△t为两个检测点接收负压波的时间差；L为所检测的管道长度。第39页，课件共48页，创作于2023年2月式中：a表示负压波的传播速度，K为介质的体积弹性系数，ρ表示介质密度，E为管材的弹性系数，D为管道直径，e为管壁厚度，C1表示与管道工艺参数有关的修正系数。负压波在管道中的传播速度受传送介质的弹性、密度、介质温度及管材等实际因素的影响，并不是一个常数，如下公式所示。显然，温度变化将影响传送介质的密度，负压波在管道中的传播速度不再是一个常数，为了准确地对泄漏点进行定位，需要利用温度信息校正负压波的传播速度。第40页，课件共48页，创作于2023年2月泄漏点的定位与管道两端获取负压波信号的时间差有关，提高泄漏点的定位精度，需要在负压波信号中准确捕捉泄漏发生的时间。根据质量守恒定律，没有泄漏时进入管道的质量流量和流出管道的质量流量是相等的。如果进入流量大于流出流量，就可以判断管道沿线存在泄漏。对于装有流量计的管道，利用瞬时流量的对比有助于区分管道泄漏与正常工况。第41页，课件共48页，创作于2023年2月第42页，课件共48页，创作于2023年2月右图所示是斯坦福大学建立的细菌感染疾病诊断咨询专家系统，由咨询、解释和规则获取3个子系统组成。系统的