机载多传感器跟踪航迹数据融合研究

机载多传感器跟踪航迹数据融合研究（精选8篇）

篇1：机载多传感器跟踪航迹数据融合研究

机载多传感器跟踪航迹数据融合研究

随着机载传感器的增加和性能的`提高,使目标探测和跟踪信息更加全面,精度也大大提高,但机载显示和火控需求的参数是唯一的,所以需要对不同传感器探测和跟踪的目标信息进行融合.本文针对机载传感器特点和飞机平台参数需求,对多传感器跟踪生成的目标航迹数据融合进行了研究,并给出了相应算法.

作 者：王月星 周德云 田涛 WANG Yue-xing ZHOU De-yun TIAN Tao 作者单位：西北工业大学,西安,710072刊 名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL年，卷(期)：200714(1)分类号：V241关键词：数据融合 航迹融合 多传感器跟踪 时间校正 关联算法

篇2：机载多传感器跟踪航迹数据融合研究

数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提.本文采用改进的`模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪.仿真实验结果说明了本文方法的有效性.

作 者：韩红 韩崇昭 朱洪艳 刘允才 作者单位：韩红(上海交通大学自动化系,上海,30;西安交通大学综合自动化研究所,西安,710049)

韩崇昭,朱洪艳(西安交通大学综合自动化研究所,西安,710049)

刘允才(上海交通大学自动化系,上海,200030)

篇3：多传感器数据融合研究

随着计算机技术、通信技术及微电子技术的发展, 在军事、医学、能源探测、资源勘探、海洋测量、环境和土地利用管理、地形地貌分析等方面的大量应用需求下, 数据融合技术呈迅猛发展之势。医学上, 这种技术被用来诊断出准确的病变部位。在军事上数据融合技术有着更为广阔的应用前景, 包括目标跟踪、目标自动识别、智能武器敌我识别、系统战场监视、战术态势评估、威胁评估、战场预警及战略防御等。

遥感技术发展迅速, 获取遥感数据的手段越来越丰富, 各种传感器获得的图像数据在同一地区会形成影像金字塔, 单一传感器的数据处理已发展为多种传感器数据处理即多传感器数据融合, 数据融合技术可实现多传感器数据的优势互补, 为提高这些数据的利用效益提供了有效的途径, 极大地提高了处理的自动化, 人机界面亦由传统的友好界面发展到人机协作的自适应多媒体界面。

数据融合技术在军事上的应用是随传感器信息处理及综合指挥控制系统的发展而发展起来的, 其自动化很大程度上取决于数据融合水平的高低, 它所揭示的信息处理思想和方法可以很好地解决目标识别的瓶颈问题。可以说多传感器数据/信息融合迄今已发展成为现代技术尤其是高新技术条件下各种战争模式中正确进行指挥决策及克敌致胜不可缺少的一项关键性技术。

2 多传感器的数据融合Data fusion

在许多应用场合, 由单个传感器所获得的信息通常是不完整、不连续或不精确的。此时其他的信息源可以提供补充数据, 融合多种信息源的数据能够产生一个有关场景的更一致的解释, 而使不确定性大大降低。因此, 多传感器数据融合意义重大, 利用优势互补可以使目标检测和识别过程变得相对简单, 准确率大大提高。

数据融合Data fusion技术又称多传感器数据融合或分布式传感技术, 它涉及如何组合多种类型传感器数据对物理事件行为或态势进行推断, 对多类多源和多平台传感器获取的数据判别处理综合分析。与其他数据处理技术相比更能快速、准确、可靠、连续及全面地提供有关环境态势的综合性结论。多传感器数据融合可以在表述的信号级、像素级、特征级或符号级上进行。信号级融合是指来自不同传感器信号在生成图像前的联合;像素级融合包括来自不同数字图像的信息的融合;特征级融合指的是从不同图像中提取的特征之间的融合;符号级的融合是来自图像中的信息在抽象这个更高层次上的融合。信号级、特征级和符号级的融合方法都没有很好利用图像数据的相关性, 不利于对图像进行正确的目标识别和检测。

2.1 雷达与红外的数据融合

毫米波 (MMW) 雷达、激光成像雷达 (LADAR) 与红外传感器组合可以同时提供主动和被动两种工作方式。这样的组合可以用FLIR搜索潜在的目标, 利用毫米波雷达具有很好的抗衰减能力的特性进行进一步探测, 再与激光成像雷达 (LADAR) 的信息结合进行目标的识别。另外合成孔径雷达与红外图像的融合, 可以充分利用合成孔径雷达全天候、全时段获得目标信息的特点和红外图像具有丰富的谱图的特点, 来获得较高空间分辨力和谱分辨力的融合图像。

2.2 光学图像与雷达图像的数据融合

光学图像以光谱信息为主, 是一种经常使用的遥感图像。雷达图像反映结构信息较好, 而且雷达具有全天时、全天候、穿透性等优点, 较光学传感器具有更大的侦察范围, 可以发现不易被光学传感器发现的目标。但是雷达信号代表的是被观测物体的微波反射特性的反射率空间分布函数, 不为人们所熟悉, 而且对于不同的雷达工作频率、入射角和极化方式, 感兴趣物体具有不同的微波反射特性, 所以如果只使用雷达数据来进行目标检测及识别比较困难。光学图像中的地面目标处于反射状态, 它不仅有明暗变化而且形状边缘清晰, 图像的细节也较雷达图像明显, 这使得检测识别变得相对简单和直接, 但是光学传感器大气衰减大且受天气及观测时刻影响较大。因此, 雷达图像和光学图像融合意义重大, 利用二者优势的互补可以使目标检测和识别过程变得相对简单, 准确率提高。

2.3 红外图像与可见光图像的数据融合

一般目标都会有较大的温度梯度或背景与目标存在较大的热对比度, 低可视目标往往容易被红外传感器探测到, 与红外热图像相比, 可视图像可提供更多的目标细节。红外与可见光传感器的组合, 数据融合后得到的图像既保留了目标的高局部亮度对比, 还能获取目标表征的重要细节。

2.4 多雷达的数据融合

在多雷达的融合系统中无论是检测距离还是覆盖范围, 与单部雷达相比, 融合系统均有较大提高。当雷达性能相近或相同时, 融合系统的性能会有显著改善;而当雷达性能相差较大时, 融合系统性能改善不明显, 接近较优雷达的性能。对合成孔径雷达数据融合过程可进行相干处理, 用双天线提高对观测场景的匹配, 可以得到同一传感器的不同频率或不同极化图像的融合。这需要电磁测量的校正和多极化、多频率图像融合、图像互对准等。不同分辨力合成孔径雷达图像的融合, 可得到噪声较低的高分辨力融合图像。

2.5 不同波段红外数据融合

采用不同波段的两个传感通道, 如:使用3~5μm、8~14μm两种波段的红外传感器探测同一空间目标, 会使得到的目标背景信息量增加了一倍, 采用融合技术, 可提高系统的探测距离和识别能力。在地下探矿、人造目标探测和航空遥感等方面有着广泛应用。

2.6 CT、PET、MRI等的数据融合

各种成像方法在临床上的应用, 使得医学诊断和治疗技术取得了很大的进展, 同时将各种成像技术得到的信息进行融合互补, 已成为临床诊疗及生物医学研究的有力武器。如:X射线断层成像 (CT) 、正电子发射断层成像 (PET) 、核磁共振 (MRI) 、单光子发射断层成像 (SPET) 、超声成像 (US) 、显微成像 (MI) 等。不同的成像模式可提供图像互不覆盖的互补信息。如:CT提供骨骼信息、MRI提供软组织、血管等信息。在有骨骼的地方选择CT属性, 在其他有软组织的地方选择MRI属性, 融合各信息用于制定手术方案。在未来, 基于图像融合的数字可视化与虚拟现实技术相结合, 可创造出一个虚拟环境, 帮助医生制定最有效、最安全的手术方案。

2.7 单传感器多谱数据融合

多谱图像数据融合是把多变量信息, 即多波段的图像信息综合在一张图像上, 而且对于融合图像来说, 各波段的信息所做的贡献能最大限度地表现出来。为此可对原图像各波段像素亮度值作加权线性变换, 产生新的像素亮度值或将多个波段的信息集中到若干个波段上, 如红、绿、蓝色波段。多谱图像数据融合也可通过亮度、色度和饱和度变换 (IHS变换) 、主成分分析 (PCA) 和高通滤波 (HPF) 等方法进行。为了得到更好的融合结果, 可将已提取的目标信息加到变换公式中, 根据先验信息对图像的参数进行修正。基于已知特征的融合方法可以针对不同的要求, 灵活改变信息特征的提取方法。用微分几何方法将多谱图像变换为可视图像可能会成为有前途的方法。一般来说, 多谱图像融合得到的是彩色图像。

3 数据融合方法

多传感器数据融合可以在表述的信号级、像素级、特征级或符号级上进行。信号级融合是指来自不同传感器信号在生成图像前的联合;像素级融合包括来自不同数字图像的信息的融合;特征级融合指的是从不同图像中提取的特征之间的融合;符号级的融合是来自图像中的信息在抽象这个更高层次上的融合。

3.1 像素级数据融合

3.1.1 逻辑滤波器法

最直观的融合方法是两个像素的灰度值进行逻辑运算, 如:两个像素的灰度值均大于特定的门限值, 进行“与”运算。来自“与”运算的特征被认为是对应了环境的主要方面。同样, “或”滤波用来分割图像, 因为所有大于特定的门限值的传感器信息都可用来进行图像分割。两个像素的灰度值均小于特定的门限值时, 用“或非”运算。

3.1.2 加权平均法

加权平均法用于处理来自各个测量精度大不相同的数据源的数据, 是最简单最直观融合多传感器数据的方法。该法对某一参数值通过一加权因子取平均, 即将由一组传感器提供的冗余信息进行加权取平均, 并将加权平均值作为信息融合值。当每个传感器的测量值为标量, 且加权值反比于每个传感器的标准差时, 加权平均法与贝叶斯方法相一致

3.1.3 数学形态法

数学形态学通过使用从基本算子:集合并、集合交、减、条件加推演出来的一套数学形态算子, 如膨胀、腐蚀等算法, 对图像进行处理。若两个集合互相支持, 则通过集合交从两个特征集中提取出高置信度的“核”特征集;若两个集合互相对抗, 则通过集合差从两个特征集中提取出高置信度的“核”特征集。两个集合互相支持, 则通过集合并从两个特征集中提取出高置信度的“潜在”特征集;若两个集合互相对抗, 则通过一个集从另一个集中提取出高置信度的“潜在”特征集。用条件膨胀和条件腐蚀的形态运算来融合“核”与“潜在”特征集。条件膨胀用来提取“潜在”特征集的连接分量, 可用来抑制杂波;条件腐蚀可用来填入在“核”特征集中丢失的分量边界元素。开运算和闭运算的基本作用是对图像进行平滑处理, 开运算可以去掉图像中的孤立子域和毛刺, 闭运算可以填平一些小洞并将两个邻近的目标连接起来。统计形态的引入为图像融合提供了一种新的思路。将统计的思想与形态滤波相结合估计图像包含的有用信息, 噪声抑制效果较好。

3.1.4 图像代数法

图像代数是描述图像算法的高级代数语言, 完全可以描述多种像素层的融合算法。它有四种基本的图像代数操作数:坐标集、值域、图像和模板。坐标集, 可定义为矩形、六角形、环形离散矩阵及多层矩阵数组, 用来表示不同方格和分辨率图像的相干关系。若来自多传感器的用于像素层融合的图像有相同的基本坐标系, 则坐标集称为齐次的;否则称为非齐次的。“值域”通常对应整数集、实数集、复数集、固定长度的二进制数集, 通常对其定义算术和逻辑运算。若一个值集的所有值都来自同一数集, 则称为齐次的, 否则称为非齐次的。“图像”是最重要的图像代数算子, 定义为从坐标集到值集函数的图。“模板”和模板算子是图像代数强有力的工具, 它将模板、掩模、窗口、数学形态的构成元素、定义在邻域像素上的其他函数, 统一、概括成数学实体。用于变换实值图像的三种基本的模板操作是:广义卷积、乘积最大、和最大。模板操作可通过在全局和局部卷积来改变维数、大小和图像形状。

3.1.5 金字塔图像融合法

用金字塔在空间上表示图像是一种简单方便的方法。概括地说金字塔图像融合法就是将参加融合的每幅源图像作金字塔表示, 将所有图像的金字塔表示在各相应层上以一定的融合规则融合, 可得到合成的金字塔。将合成的金字塔, 用金字塔生成的逆过程重构图像, 则可得到融合图像。金字塔可分为:Laplacian金字塔、Gaussian金字塔、梯度金字塔、数学形态金字塔等。

3.1.6 小波变换图像融合法

3.1.6. 1 图像的快速小波分解

Mallat提出了小波的快速分解与重构算法, 他利用两个一维滤波器实现对二维图像的快速小波分解, 利用两个一维重构滤波器实现图像的重构。

3.1.6. 2 基于小波分解的图像融合

若对二维图像进行N层的小波分解, 最终将有 (3N+1) 个不同频带, 其中包含3N个高频带和一个低频带。对图像分解层数N的确定和对具体问题母小波的确定还有一些有待研究的问题。基于小波框架、小波包的图像融合方法在一些情况下融合效果较好。

基于小波分解的图像融合基本步骤如下: (1) 对每一源图像分别进行小波分解, 建立图像的小波金字塔分解; (2) 对各分解层分别进行融合处理, 各分解层的不同频率分量采用不同的融合算子进行融合处理, 最终得到融合后的小波金字塔; (3) 对融合后小波金字塔进行小波逆变换, 得到重构图像。

小波变换的目的是将原始图像分别分解到一系列频率通道中, 利用分解后的金字塔结构, 对不同分解层、不同频带分别进行融合处理, 可有效地将来自不同图像的细节融合在一起。人的视网膜图像是在不同频带上分别以不同算子进行融合的。基于小波分解的图像融合也是在不同的频率通道上进行融合处理的, 因而可获得与人的视觉特性更为接近的融合效果。

3.1.7 多尺度卡尔曼滤波

以卡尔曼滤波的形式在空间上将图像分层表示, 引入带有噪声的量测模型, 以统计图像的方式对图像进行处理, 在各不同层次上对图像融合。

3.1.8 基于微分几何的图像融合

对多谱图像进行融合, 可借助微分几何作为工具, 计算一阶多谱对比度, 求出最优灰度值。将图像的多波段构成几何流形, 将多波段对比度构成的多维向量投影到图像的灰度区间上, 这种方法计算的对比度值比梯度法和零交叉法, 能更充分地利用多谱信息, 对噪声抑制效果好。

3.2 特征级数据融合

3.2.1 联合统计

当来自多传感器的信息被用于分类和决策时, 需要某种类型的判别尺度, 需要对感知的环境与已知特征比较。联合统计量可用于快速而有效地分类未知样本的概率密度函数。

3.2.2 带约束的高斯-马尔可夫估计

协方差矩阵用来存储与约束有关的信息, 并可作为基本几何推理的数据库。

3.2.3 广义卡尔曼滤波

利用广义卡尔曼滤波能有效地使图像对准, 使它们可在特征层融合, 并可在出现环境噪声和传感器噪声时减少有关环境中物体位置的不确定性。

3.2.4 神经网络图像融合

人工神经网络的特点是:利用其固有的并行结构和并行处理;知识的分布存储;容错性;自适应性等。网络的知识表示与它的知识获取过程将同时完成, 因而执行速度可以加快。在推理过程中, 根据需要还可以通过学习对网络参数进行训练和自适应调整, 因此, 它是一种有自适应能力的推理方式;另外, 现实世界中图像噪声总是不可避免地存在, 甚至有时信息会有缺失, 在这种情况下, 神经网络融合方法也能以合理的方式进行推理。在进行图像融合时, 神经网络经过训练后把每一幅图像的像素点分割成几类, 使每幅图像的像素都有一个隶属度函数矢量组, 提取特征, 将特征表示作为输入参加融合。目前绝大多数的神经网络是用数字化仿真来实现的, 使用软件和数字信号处理芯片来模拟并行计算。

3.3 符号级数据融合

3.3.1 贝叶斯估计

贝叶斯估计为多传感器融合提供了按概率理论规则组合传感器信息的方法。贝叶斯估计是以贝叶斯法则为基础的技术。

3.3.2 登普斯特-谢副 (D-S) 证据推理

证据理论可处理由不知道所引起的不确定性。它采用信任函数而不是概率作为度量, 通过对一些事件的概率加以约束以建立信任函数而不必说明精确的难以获得的概率, 当约束限制为严格的概率时, 它就变成为概率论。在证据相关时, 可考虑用D-S理论推广方法。

3.3.3 带置信度因子的生成规则

多传感器融合的生成规则可表达为:在前提X条件下, 给出结论Y的逻辑含义。用生成规则通过确定性因子与每个命题和规则相联系, 来表示系统中的不确定性。

3.3.4 模糊逻辑

模糊逻辑是一类多值逻辑, 通过对每个命题以及运算符分配从0.0到1.0的实数值直接表示推理过程中多传感器融合的不确定性。建立融合过程不确定性模型, 进行一致性推理。模糊逻辑方法的主要优点在于能将直观经验和知识中的模糊概念给以定量的描述, 处理方法也不是常规方法中的是与否的2值回答, 而是对某个特征属性隶属程度给出的描述与实际问题看法相类似。作为专家系统思想方法之一的模糊理论被应用到众多信息融合系统的设计中。但这一理论的和谐性和数学的严密性迄今尚未得到完全解决。

3.3.5 关系事件代数方法

是一种有应用前景的方法。关系事件代数是条件事件代数的发展, 是对不确定性的一种描述。关系事件代数方法是借助随机集理论, 以知识分析的方式进行数据融合。

4 结束语

数据融合技术涉及到复杂的融合算法、实时图像数据库技术和高速、大吞吐量数据处理等软硬件支撑技术。如果神经网络计算机成为可能, 神经网络的图像融合方法也可能成为一种最有前途的图像融合的方法。目前主要应结合实际应用背景, 充分利用相关电子技术成果, 利用高速数字信号处理 (DSP) 算法来实现图像融合。在计算方法上, 人们试图在尽量不丢失信息的情况下, 提高计算效率, 降低计算代价。一类算法是在满足一定要求的情况下, 对图像压缩, 以满足传输等要求。目前, 我国的数据融合技术处在起步阶段, 已研制出一些具有初步融合功能的多传感器数据融合系统, 但与发达国家相比, 还有很大的差距。

参考文献

[1]何友, 王国宏, 陆大金, 彭应宁.多传感器信息融合及应用.北京:电子工业出版社, 2000.

[2]Waltz E, Buede D M.Data Fusion and Deci-sion Support for Command and Control[J].IEEE Trans.On SMC, 1986, 16 (6) :865-879.

篇4：机载多传感器跟踪航迹数据融合研究

【摘 要】服务机器人的自主导航过程通常处于不确定的环境中，单一的传感器提供信息己经无法满足现代移动机器人的需求，多传感器信息融合技术在机器人领域得到广泛应用。项目以国家863重点项目成果“护理机器人”样机为平台，研究室内移动服务机器人的多传感器信息融合、路径规划与运动控制方法，为今后室内机器人定位的研究提供理论依据和具有实用性的参考。

【关键词】服务机器人；D-S论证；数据融合

引言

随着机器人技术的发展，机器人的用途开始从传统的工业领域不断向军事、医疗、服务等领域拓展。服务机器人是本世纪最有发展潜力的一个应用领域，据预测在未来一段时间内服务机器人的需求数量将会超过工业机器人[1]。美国、欧洲、日本和韩国都制定了研制服务机器人的国家中远期研究计划。我国863计划2006年开始将“智能机器人技术”列为专题，为服务机器人研究提供支持，推动服务机器人发展，因为服务机器人研制的意义为：（1）解决社会人口结构变化问题——全球性人口老龄化问题，为老人提供陪护服务，缓解社会压力，并监控环境安全[2] ；（2）提高社会生活质量，提供多种移动服务作业例如：导游、娱乐、清扫和网络信息服务等，服务机器人可胜任伙伴；（3）提升家居环境智能，随着IPV6技术的推进和3G时代的到来，家电网络化和多功能化，服务机器人替主人担当管家。在无人值守的室内环境下服务机器人能够担当保姆角色与远程家人实时保持交互，并监控室内安全；（4）在康复和助残方面服务机器人也是病人的得力助手。

1.服务机器人技术的研究

服务机器人是一种自主或半自主的能够提供服务而不是提供生产的机器人，这种机器人能够改善人们的生活质量[3]。服务机器人的研究始于上世纪60年代末期，Nilssen等人开始研制自主移动机器人（Autonomou mobile robot，AMR）Shakey，在复杂环境下将人工智能技术应用于机器人系统，以完成自主推理、规划和控制的功能[5]。服务机器人应用范围广泛，TCSRIRAS在应用范围上将服务机器人分为：清洗管家、教育机器人、类人机器人、人道主义排雷机器人、康复机器人、检查监视机器人、医疗机器人、建筑、自动回填机械、导游及办公室环境、消防机器人、搜索及拯救机器人和食品工业等16种服务机器人并给出相关研究机构和科研成果[4]。Care-O-Bot III是Fraunhofer IPA研制的最新一代服务机器人，和前两代产品相比，尽管也配有激光测距传感器和视觉系统，但在控制方法、传感器、中间件、运动学、皮肤和人机界面等方面做了很多改进[15-17]。

2.移动机器人多传感器信息融合技术的研究

移动机器人在自主导航定位过程中，必须以有效且可靠的环境感知为基础。由于各类传感器信息的物理性能局限性、不完备性和不确定性，利用具有冗余性和互补性的多传感器信息融合技术能全面地描述周围的工作环境并提高系统的可靠性。目前，多传感器信息融合技术常用的方法包括加权平均，卡尔曼滤波，贝叶斯估计，统计决策理论，神经网络，模糊推理和Dempster-Shafer（D-S）证据理论[18]-[25]。针对移动机器人所处的动态工作环境，以贝叶斯概率描述不确定因素在实际应用中鲁棒性较好，但算法通常需要先验假设且计算量大，因此具有一定的局限性；D-S证据理论满足比贝叶斯理论更弱化的条件假设，可以不需要先验知识，通过证据信息对假设做出判断，得到各个假设的基本信度赋值。虽然D-S证据理论可以有效处理不确定信息，但处理冲突信息能力不够。作为D-S证据理论的发展，证据推理（Evidential Reasoning）方法在处理不确定或不完整和冲突信息方面适应性更强，已成功应用于不确定系统建模和多源信息融合[24][25]。

针对室内环境下服务机器人系统建立及定位问题进行研究，首先面向家庭环境多任务需要，建立服务机器人系统，然后基于证据推理方法的移动机器人多传感器信息融合技术对其定位理论进行分析和证明，在实验室环境下对新平台进行定位算法验证。

3.基于证据推理方法的移动机器人多传感器信息融合技术

根据已知环境地图的栅格矩阵，推理每个栅格被障碍物占用的置信度。其映射关系为： 其中M， N表示二维空间中栅格的数量，R表示实数空间，Belief表示某个栅格被障碍物占用的置信度。在证据推理框架下，首先确定辨识框 中的基本焦元 和 ，定义 表示某个栅格为空， 表示该栅格被障碍物占用。在某t时刻超声波传感器或红外PSD传感器采集的数据信息作为一条证据源，构造证据置信度函数 ，在辨识框 中用 表示不确定信息。通过证据推理算法融合所有传感器的置信度函数值，得到每个栅格被障碍物占用的置信度值，确定整个工作环境数据栅格的置信度分布图。在数据融合过程中可根据工作环境信息动态调整不同传感器证据信息的相对权值。此外，在本项目中还可以利用护理机器人士工作环境顶部的摄像头和驱动轮上的编码器信息动态修正数据融合结果。

4.结论

项目在已有研究工作的基础上，结合移动机器人现有的自主导航技术，以护理机器人样机为平台，重点研究室内移动服务机器人的多传感器信息融合、路径规划与运动控制技术。对于提高家庭生活支援机器人的自主定位能力和运动控制精度，使其走出实验室逐步产业化具有重要的理论价值和实际意义。

参考文献：

[1]张炜.环境智能化与机器人技术的发展[J].机器人技术与应用.2008，3：13～16.

[2]张钹.机器人的智能化.国家863计划智能机器人主题专家组.迈向新世纪的中国机器人.辽宁科学技术出版社，2001：30～32.

[3]赵立军.室内服务机器人移动定位技术研究[D]：博士学位论文.哈尔滨：哈尔滨工业大学，2009.

[4]Nilsson N J. A mobile automation： An Application of Artificial Intelligence Techniques. Proceedings of the 1st In ternational Joint Conference on Artificial Intelligence. 1969：509～520.

篇5：多传感器粒子滤波融合跟踪算法

关键词：多传感器,分布式,粒子滤波,非线性非高斯,中心差分

单一传感器获得的仅是环境特征的局部信息, 它的信息量是非常有限的。由于目标跟踪系统可观测性的局限, 在复杂环境下采用单一传感器的跟踪系统要精确跟踪目标是非常困难的[1,2], 基于数据融合的多传感器跟踪系统是解决复杂环境下目标跟踪的一条有效途径[3]。

在解决非线性状态估计的次优滤波方法中, 扩展卡尔曼滤波[4,5] (EKF) 是最普遍使用的方法。但EKF仅简单线性化非线性函数到一级泰勒展开式, 估计精度有所下降。粒子滤波 (PF) 通过非参数化的蒙特卡罗方法实现递推贝叶斯估计, 目前广泛应用于非线性非高斯环境下的参数估计和状态估计[6—9]。

为了提高粒子滤波的稳定性和精度, 必须要选择好重要性密度函数 (建议分布函数) 。本文采用二阶中心差分滤波方法来产生建议分布函数, 此方法不需要计算微分, 具有良好的数值特性[10]。对于非线性非高斯环境中的多传感器分布式状态估计问题, 采用粒子滤波方法依据各传感器观测信息进行递推估计, 以在线自适应加权融合算法的方式得到系统最优估计。

1非线性系统状态和传感器观测模型

非线性离散时间系统一般状态方程可描述为

式 (1) 中, Xk∈Rnx是k时刻目标的状态向量, {Vk-1∈Rnv, k∈N}为独立同分布的过程噪声向量序列, fk:Rnx×Rnv※Rnx是非线性状态转移函数, nx和nv分别为状态和过程噪声向量的维数。

假设整个系统共有N个传感器, 每个传感器的观测方程表示为:

式 (2) 中, Yik∈Rny是第i个传感器在k时刻的观测向量, hik:Rnx×Rnv※Rnx为该传感器的非线性量测函数, {Wik∈Rny, i∈N}为独立同分布的观测噪声序列, 且各传感器之间的观测噪声互不相关。

2二阶中心差分粒子滤波算法

2.1粒子滤波

粒子滤波是基于贝叶斯采样估计原理的序贯蒙特卡罗模拟方法, 其核心思想是用一组随机样本的加权和表示后验概率, 由此得到状态的估计值。当样本数很大时, 粒子滤波估计接近于最优贝叶斯估计。

假设能够独立地从滤波概率分布函数p (Xk Yi1:k) 中抽取Ns个样本{Xk (j) }Nsj=1, 其中Yi1:k={Yi1, Yi2, …, Yik}为k时刻第i个传感器的累积观测, 则后验概率分布函数可以用以下经验概率分布函数近似表示

通常不可能直接从状态的概率密度函数中采样, 常用方法是从一个容易采样的重要性密度函数π (X0:k Yi1:k) 中独立抽取样本, 称为重要性采样[11], 每个粒子的归一化权值取为ωk (j) ∝p (X0:k (j) Yi1:k) /π (X0:k (j) Yi1:k) , 根据贝叶斯估计原理可得

对重要性密度函数, 可以分解得到

由前面几式, 可以得到权值更新公式

可见粒子滤波是利用重要密度获取支撑点集, 并随着测量值的依次迭代求得相应的权值, 最终以加权和表征后验概率密度, 得到状态的估计值

2.2二阶中心差分粒子滤波算法

为了提高粒子滤波的稳定性和滤波精度, 必须选择好重要性密度函数。本文采用二阶中心差分滤波方法来产生建议分布函数。该算法对非线性系统方程作中心差分的二阶Stirling插值公式进行展开, 不需要计算雅克比矩阵, 易于实现, 采用Cholesky分解技术保证了协方差的正定性, 在一定程度上减少了局部线性化近似的截断误差, 并且在系统状态转移概率的基础上融合了最新的量测数据, 提高了建议分布对系统状态后验概率的逼近程度。

2.2.1二阶中心差分非线性滤波算法

二阶中心差分滤波器 (DDF) 不需要计算函数的偏导数, 可应用于任意函数, 滤波方程中采用了协方差矩阵的平方根形式, 保证了协方差矩阵在传播过程的半正定性, 具有更好的数值特性。

对于一般的非线性系统, 系统状态方程和观测方程为式 (1) 和式 (2) , 且Vk:N (Vk, Q) , Wik:N (Wik, R) 。采用Cholesky分解法, 基于Stirling插值近似公式, 由文献[10]可得系统的状态估计和预测。

一步预测

预测误差协方差阵

预测量测方程

预测误差交叉均方阵

滤波增益

滤波状态方程

滤波误差协方差阵

2.2.2二阶中心差分粒子滤波算法步骤

采用二阶中心差分滤波产生建议分布函数, 并采取残差重采样[12], 构成了二阶中心差分粒子滤波算法 (DDPF) 。

(1) 初始化:在时间k=0, 抽样粒子X0 (j) :p (X0) ;j=1, …, Ns, 则第j个粒子的预测为

(2) 在任一时刻k, 根据式 (8) 求得每个粒子的一步预测Xk (j) , 用二阶插值滤波根据式 (9) 更新预测误差协方差阵Pk (j) =Sk (j) Sk (j) T。根据式 (13) 更新每个粒子的状态估计X k (j) , 根据式 (14) 更新每个粒子的协方差估计P k (j) 。

(3) 抽样粒子Xk (j) :N (X k (j) , P k (j) ) 。

(4) 由式 (6) 得到每个粒子的权值ωk (j) , 且归一化

(5) 残差重采样。如果Neff<Nth, 重采样得到等权样本集

(6) 输出:经过重抽样, 把原来的样本集映射为等权值样本集, 得到状态的估计

3多传感器分布式在线自适应加权融合算法

在多传感器组成的目标跟踪系统中, 数据融合算法的核心是:在一定的最优准则下, 利用各传感器测量值得到的目标状态估计值进行融合估计, 以充分利用这些测量数据中的有用信息。具体来说, 应用粒子滤波算法, 可得到k时刻第i个传感器的局部状态估计值X k (i) , i=1, 2, …, N。由于X k (i) 是各传感器对同一目标观测而得到的状态估计值, 即可利用多个X k (i) 进行融合, 进而获得更为精确的系统状态估计值X。

设X k (i) 是对n维随机变量Xk的N个无偏估计, 且估计误差和误差方差矩阵分别为Xk (i) =Xk-X k (i) 和Pk (i) =E Xk (i) Xk (i) T。对X k (i) 做无偏估计组合 (i) X k (i) , αk (i) 为各传感器所得滤波估计值的加权系数。容易得知, 当时, 组合X k是Xk的无偏估计, 记误差Xk=Xk-X k的方差矩阵为Pk, 建立极小化准则:J=tr (Pk) 。

在滤波算法中, 滤波误差协方差阵Pk表示目标状态的不确定性。利用传感器的每一次量测值, 更新协方差阵以减少不确定性, 所以目标状态滤波协方差Pk越小, 表明得到的状态估计越精确。由于Pk反映了滤波的精度, 故取局部状态估计的动态加权系数为

由式 (17) 可见, tr (Pk (i) ) 的值越小, 则第i个传感器的滤波估计精度越高, tr (Pk (i) ) 的倒数1/tr (Pk (i) ) 就越大, 因而在融合估计中所起的作用就越大。另外, 值得注意的是由于αk (i) 的时变性, 可以在线自适应给各传感器分配置权系数。从而实现对各传感器的采样结果进行有效融合, 形成目标状态的融合估计

4仿真结果与分析

假设目标在二维平面作匀速直线运动, 状态Xk= (x (k) vx (k) y (k) vy (k) ) ′, 初状态 (1km 0.03km/s1km 0.01km/s) , 状态方程为Xk+1=FkXk+GkVk。其中Vk为过程噪声, 协方差阵为, 传感器分别位于公共参考坐标系的原点、 (2km 2km) 和 (1km 3km) 。

观测方程为

采用EKF融合跟踪算法和本文提出的DDPF融合跟踪算法得到的估计均值和方差如表1所示。图1为两种融合算法的均方根误差曲线图。

从表1和图1可以看出, 基于DDPF的融合跟踪算法的状态估计精度要优于基于EKF的融合跟踪算法。这是因为二阶中心差分粒子滤波采用二阶中心差分滤波方法产生建议分布函数, 在系统状态转移概率的基础上融合了最新的量测数据, 提高了建议分布对系统状态后验概率的逼近程度。

此外, 由于DDPF滤波没有直接采用协方差矩阵, 保证了滤波方差阵的正定性, 克服了由于误差引起的发散现象, 也可以减少计算误差, 且以在线自适应加权进行融合, 使得该算法具有较好的收敛性和稳定性。

5 结束语

本文利用二阶中心差分粒子滤波计算目标状态估计值, 以在线自适应加权融合算法的方式得到系统最优估计。仿真实验分析表明, 对于非线性非高斯环境中的多传感器分布式状态估计问题, 基于二阶中心差分粒子滤波的多传感器分布式在线自适应加权融合算法的计算精度要优于基于扩展卡尔曼滤波的融合跟踪算法。

参考文献

[1]Klein L A.多传感器数据融合理论及应用 (第二版) .戴亚平, 刘征, 郁光辉, 译.北京:北京理工大学出版社, 2004

[2]Terwijn B, Porta J M, Kr se B J A.A particle filter to estimate non-markovian states.In:Proceedings of the8th International Conference on Intelligent Autonomous Systems, 2004:1062—1069

[3]胡士强, 敬忠良, 胡洪涛, 等.多传感器稳健融合跟踪算法.上海交通大学学报, 2005;39 (4) :509—512

[4]Huang S, Dissanayake G.Convergence and consistency analysis for extended Kalman filter-based SLAM.IEEE Trans Robot, 2007;23 (5) :1036—1049

[5]Rui H, Sachin C P, Lorenz TB.Robust extended Kalman filter based nonlinear model predictive control formulation.Joint48th IEEE Con-ference on Decision and Control and28th Chinese Control Conference Shanghai, P.R.China, December16—18, 2009:8046—8051

[6]Hue C, Cadre J L, Perez P.Sequential Monte Carlo methods for mul-tiple target tracking and date fusion.IEEE Transactions on Signal Pro-cessing, 2002;50 (2) :309—325

[7]Gustafsson F, Gunnarsson F, Bergman N, et al.Particle filters for po-sitioning, navigation and tracking.IEEE Transactions on Signal Pro-cessing, 2002;50 (2) :425—437

[8]Kotecha J H, Djuric P M.Gaussian particle filtering.IEEE Transac-tions on Signal Processing, 2003;51 (10) :2592—2601

[9]关小杰, 陈军勇.无线传感器网络中基于量化观测的粒子滤波状态估计.传感技术学报, 2009;22 (9) :1337—1341

[10]石勇, 韩崇昭.二阶中心差分粒子滤波算法.西安交通大学学报, 2008;42 (4) :409—413

[11]Djuric P M, Kotecha J H, Zhang Jian-qui, et al.Particle filtering.IEEE Signal Processing Magazine, 2003;20 (5) :19—38

篇6：多传感器融合组合导航技术研究

关键词：多传感器 组合导航 民用飞机

中图分类号：TP274. 2文献标识码：A文章编号：1674-098X（2014）09（a）-0021-01

近年来，随着GPS、格洛纳斯、伽利略和北斗全球导航卫星系统的日益完善，以飞行管理系统为核心的民用飞机机载导航设备对GNSS的依赖程度逐渐增大，特别是CAAC近年发布的PBN实施路线图要求机载导航系统逐步向RNP技术全面过渡。然而作为PBN导航技术核心定位源的GNSS有着一系列先天不足，在某些特定情况下，满足不了PBN对导航精度和连续性的较高要求，因此民用飞机必须采用多传感器融合的导航技术，提高瞬时定位精度以及GNSS不可用的情况下的导航能力。

1 多传感器组合导航技术

作为民用飞机机载航电系统的重要组成部分，机载导航设备为飞机提供全天候实时的高精度位置定位、飞行导引和完好性监控，其组成包括飞行管理系统（FMS）、全球导航卫星系统（GNSS）、惯性基准系统（IRS）、甚高频全向信标（VOR）、测距器（DME）等设备。[1]

导航系统的核心是飞行管理系统，它是一台具备各种复杂导航算法的高性能计算机，将其他导航设备发送的导航数据经过组合导航算法综合处理后得出飞机精确位置，并依据飞行员编制的飞行计划给出指引指令，引导飞机沿着既定航线飞行，取代了传统领航员的作用，大量减轻了飞行员的负担。因此，作为计算性能最强和接收信息最全的FMS理所当然是多傳感器组合导航技术的实施主体。[2]

以GPS为主的GNSS是一种覆盖全球的无源定位系统，通过接收机接收来自至少4颗卫星发出的时钟信号和星历，计算传播延时实现高精度自主实时定位，不依赖地面导航设施，在偏远地区和洋面飞行时具有突出优点，但也会受到可用卫星个数、卫星几何分布、空间射线干扰和地面地形遮蔽等因素影响，难以独自满足PBN对导航信号连续性的高要求。[3]

VOR/DME是传统的路基导航设施，通过接收地面台站发出的甚高频无线电信号结算成相对台站的方位和距离信息，结合已知的台站位置实现定位，性能可靠、便于使用，但是具有技术水平落后、导航精度不高和无法覆盖偏远山区和洋面的缺陷。

在所有的导航子系统中，惯性系统能提供的信息最全，且自主性、连续性、短期稳定性好，因此在整个区域或航路导航中始终以惯性导航系统作为基本导航手段，其它导航子系统（特别是GNSS）作为辅助手段以改善惯性系统的长期稳定性，保证导航性能符合所需导航性能要求。

导航系统的组合一般有两种基本方法：

（1）回路反馈法。即采用经典的反馈控制方法，抑制系统误差，并使子系统间性能互补。

（2）最优估计法。即采用现代控制理论中的最优估计法（卡尔曼滤波算法），从概率统计最优的角度估计出系统误差并消除之。

由于各子系统的误差源和量测中引入的误差都是随机的，所以第二种方法远优于第一种方法，卡尔曼滤波器也成为组合导航系统中最常用的算法。[4]

由于GNSS定位的高精度和实时性，采用IRS/GNSS为主用组合导航算法，可分别基于输出校正、位置组合和伪距组合的卡尔曼滤波模式。具体是用惯导和GPS输出的位置之差作为量测值，经卡尔曼滤波器估计惯导系统的各项误差，然后对惯导系统进行校正。伪距组合是一种复杂、紧密的信息综合。惯导输出位置结合GPS可见卫星位置，可以求出相应的计算距离，然后将之与GPS测量得到的距离之差作为量测值，通过卡尔曼滤波器估计惯导系统和GPS的误差量，然后进行反馈校正。在各IRS内部进行闭环修正，IRS系统的速度和姿态误差趋于收敛，即组合导航可以准确估计IRS的速度和姿态误差。在IRS/GPS组合导航状态，不使用气压高度进行高度阻尼，对GPS位置噪声有明显的抑制作用。[4]

在GNSS不可用的情况下（接收机故障或不满足信号接收要求），可采用IRS/无线电组合导航，包含IRS/DME/DME和IRS/VOR/DME这2种组合方式。IRS/无线电组合在飞行管理控制系统中进行，仅进行开环校正，目的在于对无线电推算的位置噪声进行抑制，经过对当前组合系统的性能评估，如当前状态位置精度明显优于即将引入的校准系统精度，则将延迟其进入组合状态的时间。

由于DME/DME定位精度由于VOR/DME，因此当DME台站信号良好且数量大于2时，可优先采用IRS/DME/DME组合导航，此方法基于双斜距组合方式，将DME斜距的测量误差看作由偏置误差和测量噪声误差构成，偏置误差与被测距离的远近有关，因此用刻度因子误差来描述。在构造量测前还需进行交会角判断。利用两套DME系统来确定飞机位置的定位误差却因飞机与两个地面台相对位置的不同而有较大的差异，当交会角为90°时，测距误差造成的定位误差区最小，为正方形；交会角大于90°，定位误差区域增大为菱形；若交会角接近180°，则定位误差最大。因此，在交会角在30°～150°时可采用此方法。

IRS/VOR/DME组合处理方式采用斜距/方位角组合，允许VOR和DME不在同一位置，尽管多数情况下VOR/DME地面台站是布置在同一位置的。将VOR、DME的方位和斜距测量误差看作由偏置误差和测量噪声误差构成，而DME的偏置误差与被测距离的远近有关，因此用刻度因子误差来描述。[4]

2 结语

随着航空电子技术的日新月异，以及未来对PBN技术导航精度和连续性的要求日益提高，民用飞机采用多传感器组合导航技术将成为主流，本文提出一种在FMS内部按照设备可用状态优先级实现IRS/GNSS、IRS/DME/DME、IRS/VOR/DME组合导航技术方法，可获得较为理想的导航精度和连续性。

参考文献

[1]钦庆生.飞行管理计算机系统[M].国防工业出版社，1991.

[2]Lan Moir，Allan Seabridge. Civil Avionics Systems[M]. Professional Engineering Publishing Limited，2006.

[3]Cary R.Spitzer.The Avionics Handbook[M].CRC Press LLC， 2001.

篇7：机载多传感器跟踪航迹数据融合研究

数据融合概念最早于20世纪70年代提出, 最初运用于军事领域的自动目标识别、战场监视、自动飞行器导航等。而后随着传感器技术和计算机网络的迅速发展, 数据融合成为各个国家研究的热点问题并逐渐推广至非军事领域, 被广泛应用于工业制造系统、智能交通、资源探测、气象预报、医疗诊断等[1,2,3,4,5]。

融合技术应用日趋广泛, 特别是多传感器数据融合能够利用各种传感器在性能上的差异, 利用互补性弥补单一传感器融合结果的片面性缺陷, 这对于煤矿复杂多变的安全环境具有很好的适应性。现阶段, 我国大多数煤矿还是利用单一传感器进行某一方面参数的预警或者各种传感器相互独立进行安全预警。实际情况中, 煤矿安全事故的发生常常是多个参数共同作用的结果, 例如瓦斯爆炸可能与瓦斯涌出量、环境温度、通风量有着内在关系。而多传感器信息的融合技术能够将来自不同传感器的各种信息源进行综合分析, 得到对周围环境的正确的、稳定可靠的信息, 使系统具有容错性, 提高了决策的正确性。

目前, 国内部分学者对多传感器信息融合方法在瓦斯突出预测中的应用进行了研究[6,7,8], 但大多数学者采用单一的概率论、神经网络[8]、聚类算法[9]、模糊集理论[10]或者D-S证据理论[11]等进行融合, 亦有将两者结合的, 如神经网络和证据理论的结合[12], 概率论与模糊集理论的结合[13]。

但上述方法各自有其适应对象和优缺点, 互相存在互补性。将2种或者2种以上算法进行合理集成, 往往可以扬长避短, 取得比单一算法更优的结果。而在多传感器数据融合系统中, 融合的过程发生在系统的各个不同信息层次之间, 数据融合也存在着不同的层次。根据融合对象的特点以及对象的层次, 数据融合的算法和关注点也有着非常大的差别。因此, 讨论数据融合的层次是非常有必要的, 脱离数据融合的层次问题, 单单去谈论数据融合的方法是违背客观规律的。

为此, 本文在数据融合分层理论的基础上, 提出了一种多传感器分层数据融合模型。

1 多传感器分层数据融合模型

多传感器分层数据融合模型大体上分为3个部分, 在不同层次进行不同阶段的数据处理。首先, 结合专家意见和历史经验提取导致煤矿瓦斯灾害的关键因素, 选择传感器采集井下环境信息。接下来, 在数据层, 运用层次分析法确定隶属度和相应权数, 根据确定的指标将采集信息进行处理变换, 在特征层运用模糊评价法进行一次融合, 体现了安全系统的不确定性和复杂性。最后, 在一级融合的基础上, 在决策层采用D-S证据理论融合方法, 体现了多因素的内部联系对决策的影响。分层数据融合流程如图1所示。

2 相关指标确定

指标权重反映了单项指标对项目评价的贡献大小, 也就是单项指标重要性的量化值体现了单项指标对评价目标所起作用的大小。参考文献[14]采用层次分析法将复杂的决策系统层次化, 通过逐层比较各种关联因素的重要性来为分析以及最终的决策提供定量的依据。

2.1 构造判断矩阵

对相对重要性进行判断时, 采用合适的标度将这些判断用数值表示出来。将这些数值表示的判断结果写成矩阵形式, 构成判断矩阵。

判断矩阵中, vij表示对于上层元素vk而言, vi元素对vj元素的相对重要比值, 这里采用1~9比例标度, 见表1。表中x, y分别代表导致目标结果发生的2个子事件, 本文中的子事件是指瓦斯体积分数、巷道温度和风流速度。

在判断矩阵中, 元素之间存在如下关系:

得到判断矩阵之后, 需要进一步计算各指标的相对权值。方法如下:

将矩阵按列归一化:

按行求和:

归一化:

所得wi (i=1, 2, …, n) 即为所求权值, 得到wi后, 需要对判断矩阵的准确性和一致性进行检验, 根据层次分析法, 采用λmax与n之差检验一致性, 方法如下:

当判断完全一致时, 应该有λmax=n, 定义一致性指标为

当判断一致时, CI=0;不一致时, 当λmax>0, CI>0。一般情况下, 随着n的增加判断误差也增加, 因此, 判断一致性检验的时候应考虑n的影响, 采用随机性一致性的比值:

式中:RI为平均一致性指标。

CR越小, 判断矩阵的一致性越好, 一般CR≤0.1时, 就可以判断矩阵基本符合一致性条件, 可以接受。1—10阶矩阵的平均随机一致性指标见表2。

2.2 确定隶属度

隶属度是对模糊概念的定量描述, 其确定过程由于每个人对于同一模糊概念的认识理解有差异而带有很大的主观性, 但只要反映同一个模糊概念, 在解决处理实际模糊信息的问题时得到的结果仍然大体相同。

根据参考文献[15]介绍, 选取柯西型分布隶属函数确定隶属度, 其表达式为

偏小型:烄1, x≤a

中间型:

偏大型:

在实际应用中, 可根据问题对研究对象的描述来选择适当的模糊分布。式 (7) —式 (9) 中的α, β参变量无特定意义, 是根据特定矿井实际情况及专家经验设定的阈值, 可以由矿井往年井下各个环境参数平均值并适当调整而得。

3 多传感器模糊理论综合评价

模糊综合评价是利用模糊集理论对多种因素影响的事物作出综合评判的方法。

3.1 模糊集理论

评价集:若煤矿监测系统有n种状态级别, 则其状态结果评语集合可表示为

因素集:监测中的所有传感器因素集为

权重集:监测评判状态过程中, 由于各传感器自身状况以及所处测点信号强弱不同, 并且因素集中各个因素对评价对象的重要程度贡献不同, 因此, 对各个因素vn应分配给一个相应的权值wi, 反映各因素重要程度, 构成权重集。

3.2 综合评价数学模型

单因素评价是单独从一个因素vi出发进行评价, 以确定评价对象对评价集元素Uj的隶属程度rij的过程。以各单因素模糊评价集的隶属度组成单因素评价矩阵:

模糊关系矩阵R作为一个从因素集V到评语集U的变化规则库, 每输入一组因素的权重相量W, 就可以得到一组相应的评判结果C, 如图2所示。显然, 单因素评价仅仅反映一个因素对评价结果的影响, 而煤矿灾害是多种因素交叉影响下的结果。因此, 必须考虑所有因素的影响, 这就是综合评价。综合评价集C可由单因素评价矩阵R与因素权重集W相乘得到:

4 D-S证据理论的融合方法

4.1 基本函数

设Θ为证据理论识别框架, 识别框架包含的有限个元素A称为焦点元素, 又称命题, 则空间Θ上的基本概率分配函数m可以定义如下:

4.1.1 基本可信度函数

空间Θ称为鉴别框架, 所有命题都可以用Θ的子集来表示, 设G为一个子集, 其概率分布就可以用基本概率分配函数表示:

式中:m (A) 反映了对A本身的信任度, 且满足, m (Φ) =0, Φ为空集。

4.1.2 信度函数和似然函数

为了描述对命题A的信任程度, 这里引入信度函数的概念, 用bel (A) 表示, 满足:

式中:B为在空间Θ鉴别框架下的不同于A的另一个元素, 代表影响井下环境的另外一个指标数。

似然函数用来描述对命题A的怀疑程度, 用pls (A) 表示, 满足:

4.1.3 理论性质

D-S证据理论的优点就是能够很好地表示未知信息的程度, 把一个置信度赋给一个子集的同时, 并不要求把剩余的置信度赋给子集的补集, 即, 而就表示了未知的程度, 如图3所示。

4.2 合成法则

D-S合成法则是反映证据联合作用的法则。给定几个同一识别框架上基本不同证据的置信度函数, 如果这几个证据不是冲突的, 那么可以利用合成法则计算出一个总的置信度函数作为那几个证据联合作用下产生的置信度函数, 该函数称为原来那几个置信度函数的直和, 用⊕表示。

给定A⊂Θ, 若有K, 那么m (A1) …m (An) 就是确切地分配到A的一部分置信度, 分配到A的总置信度为

式中对应着A1∩…An=A, 但未包含A1∩…An=Φ。丢弃这部分置信度, 总的置信度就要小于1, 为此考虑不一致因子K, K可表示为

因此, 当A≠Φ时, D-S合成法则可以表示为

5 实例验证

5.1 研究对象基本情况

本文选取山西省吕梁市柳林县境内沙曲矿作为实例研究对象, 该矿井田面积约为135km2, 地质储量为22.52亿t, 可采储量为12.76亿t。沙曲矿是煤与瓦斯突出矿井, 为了实现安全生产和瓦斯综合利用, 该矿设立了瓦斯研究所, 并被作为山西焦煤集团公司的瓦斯研究治理基地, 因此, 有利于数据采集试验。

5.2 分层融合模型

5.2.1 模糊集理论融合模型及求解

(1) 根据专家经验和以往事故分析, 选取煤矿事故中最为主要的3个预警指标构建一个分层的预警模型, 确定因素集:

V= (v1, v2, v3) = (瓦斯传感器, 风速传感器, 温度传感器)

(2) 根据煤矿预警系统的监测结果有3种状态:安全、轻微、危险, 建立状态结果的评语集:

U= (u1, u2, u3) = (正常, 轻微, 危险)

(3) 根据专家经验和历史数据分析, 确定专家判断矩阵:

根据式 (1) —式 (3) 得到指标权值, 见表3。

根据式 (4) —式 (6) 对指标权值进行一致性检验, CR=0.038<0.1, 满足要求。

(4) 根据实际情况, 结合本模型, 分别选取了沙曲矿南、北两翼采区的白家坡主通风机区域p1, 下龙花垣主通风机区域p2和高家山主通风机区域p3三个测点 (安全状态相同) , 3个不同时刻t1, t2, t3 (安全状态不同) 具有代表性的9组数据, 见表4。

首先对t1时刻每个传感器数据进行分层融合, 根据式 (7) —式 (9) , 令α=1, β=2, xi为传感器实测值。根据该矿实际情况, 结合专家经验, 对于瓦斯传感器:a11=0.4, a12=0.8, a13=1;对于风速传感器:a21=5.5, a22=6.5, a23=7;对于温度传感器:a31=16, a32=19, a33=22。

根据求得的隶属度值, 采用最大隶属度法进行判决, 遵循以下原则:

(1) 判决结果为隶属度最大的状态。

(2) 判决结果隶属度必须大于某一阈值, 本文规定为0.5。

(3) 判决结果与其他结果隶属度值之差必须大于某一阈值 (本文规定0.1) 。

根据以上原则得出表5的结果。

同理根据最大隶属度法, 可得t1时刻p2测点的传感器识别结果, 见表6;p3测点的传感器识别结果, 见表7。

利用模糊集融合公式 (14) 对t1时刻3个测点的传感器识别结果进行初步融合, 结果见表8。

观察可得, 由p2测点单一瓦斯传感器不能判定状态的情况得到改变, 融合后可判定为安全状态;而p3测点单一风速传感器出现的状态误判经过融合后也得到改善, 但仍可观察到初步融合后的结果依然存在判定状态绝对隶属度偏小、误差偏大、安全状态难以判定的问题。

因此, 将模糊融合后的单因素隶属度作为D-S证据理论的基本概率函数值进行二次融合。

5.2.2 D-S理论融合模型求解

将单因素隶属度作为证据理论基本概率函数进行初步融合得到表9。

根据式 (20) , 用D-S论据合成法对瓦斯体积分数的基本概率赋值函数m1和风速的基本概率赋值函数m2进行融合, 合成结果为M′, 再运用合成法对M′和温度的基本概率赋值函数m3进行融合, 得到M″, 即为安全 (M″1) 、轻微 (M″2) 、危险 (M″3) 3种状态的分层融合最终结果。

以第1次融合过程为例, 按照D-S融合规则进行融合:

同理再将M′与温度基本概率函数m3融合, 得到安全状态最后的融合结果为

同理可得轻微状态最后的融合结果为

同理也可得危险状态最后的融合结果为

从融合结果可以看出, 根据最大隶属度判定法, 第2次融合后对应状态隶属度较初次融合增加, 并且随着2次证据理论融合次数的增加, 相应目标状态的隶属度也在逐次增加。多传感器数据分层融合后相应的安全、轻微和危险状态隶属度分别提高了8.3%, 6%, 29.2%, 有助于决策人员作出判断并采取正确的应对措施。

6 结语

煤矿安全监测多传感器分层融合模型的构建是在已经成熟的数据融合分层理念上进行的创新, 在对层次分析法、模糊集理论、证据理论的分析基础上, 将3种算法分别运用在数据层、特征层和决策层, 能够更加全面地体现井下不同信息对于灾害事故的影响程度, 是一种行之有效的预警模型。

采用多层数据融合的方式可以明显提高目标状态判定准确度, 为决策人员提供更加明确的指令依据。通过试验发现, 经过分层次多次融合后的试验结果更加准确, 有助于决策人员做出正确状态判定。但该模型还需要进一步考虑采集数据的多样性和普遍性, 并且对采集数据的预处理还需寻求更加合理的方法, 多种因素的隶属度还有待于研究出更加客观的确定方法。

摘要：为提高多传感器检测系统预警的精度, 降低多传感器监测过程中出现的状态不明或状态误判的发生率, 提出了一种多传感器分层数据融合模型。该模型在数据层运用层次分析法确定隶属度和相应权数, 在特征层运用模糊评价法进行数据融合, 在决策层运用D-S证据理论进行数据融合, 可根据对应输入融合数据类型的不同运用合适的算法进行计算处理。试验结果表明, 与初始数据比较, 该模型能够将目标的安全、轻微、危险3种状态的隶属度分别提高8.3%, 6%, 29.2%, 验证了该模型的有效性。

篇8：机载多传感器跟踪航迹数据融合研究

温室环境的自动控制系统对于提高环境控制的精确度、节约能源、提高温室的管理水平、提高温室的产量与质量并最终提高温室的社会效益与经济效益起到举足轻重的作用。温室的检测系统是实现其生产自动化以及高效化的关键环节之一。但是由于测控的侧重点与我国气候条件不相匹配,且引进价格昂贵,运行费用高,难于在我国大规模推广和应用。国内自行设计、自行建造的温室,大部分测控水平较低,现代化管理水平不高,不能满足作物全年高产栽培的要求。

因此,本文提出了多传感器数据和融合技术相结合的测控方案。从多元统计理论角度提出了一种新的多传感器数据的融合算法。采用欧氏距离定义距离矩阵,利用最小距离聚类法来确定各传感器融合的次序,对温室中的温度、湿度和光照度这3个主要环境参数进行融合,从而克服以往方法中关系矩阵的主观影响,提高了数据融合结果的客观性。

1 数据融合

1.1 距离矩阵

假设有k个传感器,分别对m个指标参数进行Xi=(xi1,…,xim)T表示。为了反映不同传感器测量数据之间的偏差大小,只能通过测量数据X1,…,Xk来确定。笔者定义测量数据Xp,Xl之间的距离为欧氏距离:dpl=[(Xp-Xl)T(Xp-Xl)]1/2。dpl的值越小,则Xp,Xl越接近,否则偏差就很大,由此得到所有传感器的距离矩阵,即

undefined

显然,D为对称矩阵,主对角元素都为0。

1.2 聚类融合方法

由于关系矩阵的作用主要是用来确定相互支持的两个传感器,以便将它们合并为一个新组,其实质就是要找到各传感器之间的融合次序,再按次序进行融合。因此,为避免阈值选取的主观性,用多元统计中的聚类分析思想,视各传感器的测量数据为一批个体,利用它们的m个指标将其分若干个类型,将这若干个类型合并为一个大的类型,从而确定出各传感器融合的次序进行融合,给出如下的融合算法:

1) 首先将每1个个体作为一类,例如第i个传感器的测量数据Xi作为一类,记为πi,i=1,…,k。选择D中除去主对角元素0之外的最小元素,如为dij,则将πi,πj合并为一个新的类,记为πf={πi,πj}。在D中消去第πi,πj所对应的行与列后,加入新类πf与剩余的其它未合并的类的距离所组成的1行和1列,得到新的距离矩阵D(1)。

2) 由D(1)出发重复1)的做法得到D(2),…,直到k个测量数据聚为一个大类为止。

3) 记下每一步选择的最小元素以及合并个体的编号,对新类πf={πi,πj}采用的融合公式为

undefined

其中,f(xij,xjl)表示传感器i,j的测量数据的第l个分量融合后的值, c为大于1的实数。

2 基于多传感器融合的温室环境智能控制

环境控制技术是温室技术的核心。现代大型温室中,所有环境因子如室内温、光、气、湿、热、营养液养分状况与温度、植物根部环境温湿度等因子的监测、传感、调节,都由计算机进行综合管理,实行自动控制。温室环境控制的目的是依据不同作物本身的生理特性,部分或全部克服外界气候环境和客观条件的制约,以营造出不同作物最佳的生长环境。

目前,温室环境控制大多遵循设施农业中低成本的要求;另一方面,在其研制开发中主要侧重于计算机技术本身,没有农业专家的参与,缺乏包含各种作物自身生理信息的专家系统,使其在管理应用上存在着一定的局限性。本文在多传感器采集数据基础上, 利用最小距离聚类法确定各传感器融合的次序, 通过数据融合获知被测温室的准确温度,从而提高系统的检测精度,对温室环境的现状做出精确的判断,为温室控制系统提供准确的判据。同时,采取适当的措施对环境参数进行调节,从而得到作物生长所需的环境条件。

系统融合结构,如图1所示。

3 实验数据分析

本文针对温室作物栽培的具体环境条件,对融合算法进行了仿真实验。为了详细说明本文提出的聚类融合方法,现以测量温度和湿度为例,采用5个传感器测量在此时刻的两个特性参数,其测量结果如表1所示。

在此,m=2,k=5,因为一开始就将每一个体作为一类(取c=1.000 1), 其实际温度为25.70℃,实际湿度为62.50%。有式(1)可得距离矩阵为

undefined

由D中可以看出最小的元素为d35=23.612,所以将π3,π5合并为新类π6,求出π6与剩下的类的距离。再根据上述求解的步骤,最终得到5个传感器的融合数据为温度为25.673℃,湿度为62.89%。

运用聚类融合方法可得到数据融合结果真差分别为0.027和0.004 9,比以往用的算术平均值法真差都小。这说明聚类融合法比算术平均值法更接近真值25.70℃,提高了融合的精度。其主要原因是聚类融合方法通过采用最小距离法进行聚类从而确定出各传感器之间的融合次序再进行融合。以往的方法都没有考虑到两个传感器之间的相互支持关系以及融合次序,所以降低了数据融合的精度。

同样的方法可以找到温度、湿度、光照等主要参数任意几个之间的融合数据,这里不再赘述。

4 结束语

温室环境是一个多参数、复杂的系统,将多传感器融合技术引人温室环境控制领域,是温室环境测控的必然要求。本文提出了一种多传感器数据的聚类融合方法,该方法特别适用针对多个传感器对多个特性指标进行测量实验的数据融合问题。聚类融合算法采用欧氏距离来定义距离矩阵,通过最小距离聚类方法确定相互支持的传感器组,可以较好地避免受主观因素作用的关系矩阵。实验证明,通过多传感器融合技术对番茄温室中的温度、湿度和光照度等环境参数进行融合,提高了数据融合结果的客观性,能够避免有效数据的损失,数据融合精度较高。

参考文献

[1]万树平.多传感器数据的聚类融合方法[J].系统工程理论与实践,2008(5):131-135.

[2]杨钰.基于多传感器数据融合的温度模糊控制系统设计[J].微计算机信息,2005(11):117-118.

[3]滕召胜,罗隆福,童调生.智能检测系统与数据融合[M].北京:机械工业出版社,2000.

[4]项新建.基于多传感器数据融合的粮食仓库温度监测系统[J].仪器仪表学报,2003,24(5):525-527.

[5]Chuang K S,Tzeng HL,Chen S,et al.Fuzzy c-means clus-tering with spatial information for image segmentation[J].Computerized Medical Imaging and Graphics,2006(30):9-15.