一种多传感器数据融合的方法

一种多传感器数据融合的方法

在数据采集和数据处理系统中，通常使用多个传感器多次检测相同的目标，并使用合适的算法将不同传感器的观察信息集成到图形数据集。传感器信息融合指的是充分利用不同时间与空间的多传感器信息资源,采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用,获得对被测对象的一致性解释与描述,以完成所需的决策和估计任务,使系统获得比它的各组成部分更优越的性能。传感器信息融合又称为数据融合,文献[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17]针对多传感器数据的融合问题进行了研究。文献利用模糊理论给出了融合方法;文献利用矩阵特征向量的稳定理论进行融合;文献提出了基于Bayes估计理论的融合方法;文献给出了基于最小二乘法的融合方法;文献利用指数衰减函数量化传感器的支持程度,给出了一致性融合和可靠性融合方法;文献研究了多传感器状态融合的估计理论;文献针对异步数据给出了算法;文献应用多传感器融合技术改善全自动焊接系统;文献用影响模型进行数据融合。应该指出,上述这些方法都有很好的融合效果,但文献采用给定界限值的方法定义各传感器之间的关系矩阵,界限值的选取往往是根据经验确定,受主观因素的作用太大。选择不同界限值会产生不同的关系矩阵,导致不同的融合结果,从而影响算法的稳健性。对多传感器数据的融合,最关键的是要确定出各传感器测量数据之间的融合权重,本文从可靠性角度,利用信噪比给出了一种的多传感器数据融合方法。1数据整合1.1模糊数学仿真设测量系统有n个传感器,分别对某一研究对象进行测量,设第i个传感器k时刻的测量值为xi(k),i=1,2,…,n。我们视各传感器的测量值为一个模糊集合,根据模糊数学理论,两个模糊集合之间的相近程度可以用贴近度来度量。为量化各传感器在同一时刻观测值的支持程度,现采用模糊数学中的最大最小贴近度来度量。定义1:k时刻传感器i与传感器j观测值的贴近度为σij(k)=min{xi(k),xj(k)}/max{xi(k),xj(k)}(1)定义2:k时刻各传感器之间的贴近度矩阵为∑(k)=⎛⎝⎜⎜⎜⎜⎜1σ21(k)⋮σn1(k)σ12(k)1⋮σn2(k)⋯⋯⋱⋯σ1n(k)σ2n(k)⋮1⎞⎠⎟⎟⎟⎟⎟(2)∑(k)=(1σ12(k)⋯σ1n(k)σ21(k)1⋯σ2n(k)⋮⋮⋱⋮σn1(k)σn2(k)⋯1)(2)定义3:k时刻传感器i与其它传感器观测值的一致性测度为ri(k)=∑j=1nσij(k)/n(3)ri(k)=∑j=1nσij(k)/n(3)1.2致性测度的描述文献采用指数衰减函数定义各传感器间的支持程度矩阵,选用线性函数度量最终的加权系数,给出了可靠性融合法。本文认为,文献中的指数衰减系数、最终加权系数中的可调参数的选择仍然受主观因素的影响,而且很难确定,因而有必要找到一种较客观的融合方法。一致性测度ri(k)只是反映了在某个观测时刻,传感器i的观测值与所有传感器观测值的接近程度。虽然在某个观测时刻一致性测度ri(k)很大,但并不能说明在整个观测区间上传感器的可靠性高,即传感器还存在自身的可靠性问题。为考虑在整个观测区间的可靠性,定义k时刻传感器i观测一致性均值和方差分别为ri¯¯¯(k)=∑t=1kri(k)/k(4)σ2i(k)=∑t=1k[ri(t)−ri¯¯¯(t)]2/k(5)ri¯(k)=∑t=1kri(k)/k(4)σi2(k)=∑t=1k[ri(t)-ri¯(t)]2/k(5)某传感器的一致性均值较大,且一致性方差较小,表明该传感器的性能比较稳定,具有较高的可靠性,在数据融合过程中应具有更高的权重。因此可采用信噪比(均值与方差之比)来刻画一致可靠性测度。定义4:k时刻传感器i的一致可靠性测度为wi(k)=ri¯¯¯(k)/σ2i(k)wi(k)=ri¯(k)/σi2(k)归一化后为Wi(k)=wi(k)/∑j=1nwj(k)(6)Wi(k)=wi(k)/∑j=1nwj(k)(6)为减少计算量,在计算一致可靠性测度时,可采用如下递推公式:ri¯¯¯(k)=k−1kri¯¯¯(k−1)+1kri¯¯¯(k)(7)σ2i(k)=k−1k{σ2i(k−1)+1k[ri(k)−ri¯¯¯(k)]2}(8)ri¯(k)=k-1kri¯(k-1)+1kri¯(k)(7)σi2(k)=k-1k{σi2(k-1)+1k[ri(k)-ri¯(k)]2}(8)基于信噪比的一致可靠性测度不包含可调参数,它较好地避免了主观因素的影响,从而能更加真实地刻画各传感器在所有测量信息中所占有的重要程度。因此本文利用一致可靠性测度进行融合,得到k时刻所有传感器观测值的融合数据为xf(k)=∑i=1nW(k)ixk(k)(9)xf(k)=∑i=1nW(k)ixk(k)(9)2比可靠性融合的总绝对误差比较以文献中的试验来说明本文的方法。该试验采用三个热电偶对恒温箱温度检测,经过6次测量,得到如下表1所示的观测值。在此,n=3。利用(1)-(9)式得到融合后的数据,如表2所示。同时,在表2中也列出了平均值法和文献的可靠性融合法的融合结果以及绝对误差的比较。从表2可以看出,本文的信噪比融合法分别在测量次数k=1,2,3,4,6时比平均法融合的结果更接近真值900℃,相应的绝对误差较小;同时信噪比融合分别在k=1,2,3,4,6时比可靠性融合的结果更接近真值,相应的绝对误差较小。三种方法6次融合结果的总绝对误差反映在表3中。从表3可以明显看出,信噪比融合比平均法以及可靠性融合的总绝对误差都小。为详细比较三种方法的融合效果,将实验次数提高到100次,仿真结果如图1所示。图1中绝对误差的变化曲线,最下方的实曲线为信噪比融合法的,中间的星形点线为可靠性融合法的,最上方的虚点线为平均值法的。由此可见,与平均法、可靠性法相比,本文的信噪比法的绝对误差最小,在精确性和稳定性上有明显的优势。为进一步得到更加全面的数据支持,下面增加仿真数据,从图2的200次仿真实验结果可看出,信噪比法的绝对误差曲线依然在最下方,信噪比法仍显示出较好的精确性和稳健性,并经多次的重复仿真仍表现出较好的鲁棒性。由上述分析可知,本文给出的信噪比融合法比平均法以及可靠性融合更准确,波动性较小,更稳健。这主要是因为基于信噪比的一致可靠性测度是从测量数据本身提取出来的有关信息,它不受主观因素的影响,从而能更加客观地刻画各传感器在所有测量信息中所占有的重要程度,较好地度量了各传感器在融合中所占的不同权重。平均值法没有考虑各传感器之间融合的不同权重(而是采用相等权重),不分优劣盲目地利用测量数据,可靠性融合法虽然在融合过程中考虑到观测值在整个时间轴上的可靠性,但其融合结果较大地依赖于衰减系数和可调参数的选取,选择不同的参数必将导致不同的融合结果,所以后两种方法的融合效果都较信噪比法的差。3噪比的多传感器数据融合方法本文针对多个传感器