多传感器数据融合方法研究综述资料Word格式文档下载.docx
- 文档编号:17050623
- 上传时间:2022-11-28
- 格式:DOCX
- 页数:8
- 大小:39.52KB
多传感器数据融合方法研究综述资料Word格式文档下载.docx
《多传感器数据融合方法研究综述资料Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《多传感器数据融合方法研究综述资料Word格式文档下载.docx(8页珍藏版)》请在冰豆网上搜索。
人类的各感官,诸如眼、耳、鼻、手指就是传感器,通过这些传感器人们获取“数据”=光、声、味、触觉,加上人的先验知识,在人脑很强的关联推理下,带有手工辅助和没有辅助的人都能成功地对传感器和源数据进行综合分析,从而,对周围环境和发生的事件做出估计。
20世纪70年代以来,自动系统已经模拟了许多诸如此类的人的功能,它们借助于计算机综合多传感器的数据来获得任何单个传感器不可能单独提供的有用数据。
此过程有不同名称:
多传感器或多源相关,多源综合,传感、混合或数据融合。
目前,在天气预报、交通管制、战场态势估计、目标分类与跟踪等民用及军事领域中,多传感器数据融合技术得到了广泛的重视和应用。
由于多传感器信息的冗余性、互补性、时效性和低代价,使得多传感器数据融合系统具有较强的鲁棒性。
从实质上说,数据融合不仅仅是一种处理数据的方法,同时它也是认识和改造世界的方法学。
1数据融合的处理过程
单一传感器只能获得环境特征的部分信息,描述对象和环境特征的某个侧面,而融合多个传感器的信息可以在较短的时间内,以较小的代价得到使用单个传感器所不可能得到的精确特征。
数据融合是将不同来源、不同模式、不同媒质、不同时间、不同表示的信息有机的结合[2],最后得到对被感知对象的更精确的描述。
多传感器数据的融合就像人脑综合处理信息一样,充分利用多个传感器资源,通过对多传感器观测信息的合理支配和使用,把多传感器在空间或时间上可冗余或互补信息,依据某种准则来进行组合,以获得被测对象的一致性解释或描述。
具体地说,多传感器数据融合处理过程如下:
(1)配准:
将传感器数据统一到统一参考时间和空间;
(2)关联:
使用某种度量尺度将来自不同传感器的航迹与测量数据(数据报表)进行比较,以确定要进行相关处理的候选配对;
(3)相关:
对关联后的航迹和报表进行处理以确定它们是否属于同一目标,从而帮助对所感兴趣的目标进行检测、分类与跟踪;
(4)估计:
使用相关处理后的结果通过对目标的状态变量与估计误差方差阵进行更新,从而实现对目标未来位置的预测;
(5)分类:
通过对航迹与目标的特征数据的分析,确定目标的类型;
(6)信息反馈:
根据融合后的结果对处理器的各种阈值、处理时间以及其他参数进行反馈调整,以提高系统的工作效率。
2数据融合的结构层次
2.1数据融合结构
结构是指一种有多个单元组成的系统,达到个体单元所不能达到的效果和功能。
结构决定了系统的设计信息和系统在运行、测试及技术支持上的要求,并且确定了对结构组件的约束。
数据融合的结构一般有两种分类标准。
其一:
根据传感器数据在送入融合处理中心之前的处理程度,融合结构被分为传感器级融合(也被称为自主式融合、分布式融合或后传感器融合等)、中央级数据融合(也被称为集中式融合或前传感器融合等)以及混合式融合,混合式融合是指既有传感器级融合也有中央级融合。
其二:
根据数据和处理过程的分辨率,融合结构被分为像素级融合、特征级融合和决策级融合。
在选择合适的数据融合结构时也需要考虑其他因素,例如数据处理和通信资源以及融合后结果的存放位置等。
2.2数据融合的层次
多传感器数据融合与经典信号处理方法之间也存在本质的区别,其关键在于数据融合所处理的多传感器信息具有更复杂的形式,而且,可以在不同的信息层次上出现,每个层次代表了对数据不同程度的融合过程,这些信息抽象层次包括数据层(像素级)、特征层和决策层[3]。
相应的数据融合也主要有数据级、特征级和决策级融合3种方式。
数据级融合是指在融合算法中,要求进行融合的传感器数据间具有精确到一个像素的匹配精度的任何抽象层次的融合;
特征级融合是指从各只传感器提供的原始数据中进行特征提取,然后,融合这些特征;
决策级融合是指在融合之前,各传感器数据源都经过变换并获得独立的身份估计。
信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合,最终得到整体一致的决策[4]。
3常用数据融合方法
多传感器数据融合涉及到多方面的理论和技术,如,信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。
很多学者从不同角度出发提出了多种数据融合技术方案。
3.1基于参数估计的融合方法
3.1.1分批估计融合算法
在多传感器数据融合过程中,需要考虑融合结果的精度、实时性和有效性等问题[1-2]。
而在单传感器。
数据采集的情况下,参数估计通常采用递推估计算法,其精度和实时性并不理想。
由于对单传感器在不同时刻检测数据的融合可看作同一时刻在不同空间检测数据的融合[3],为了提高融合的实时性,将传感器数据采用分批估计算法,从其时间上融合转变到空间上融合,主要思路是将同一时刻处在不同空间位置的各传感器的检测数据进行分批处理以求得到更高精度和实时性的结果。
3.1.2自适应加权融合算法
自适应加权融合算法结构及有效性分析如上所述,由于各个传感器的精度不可能完全一样,也就是说每个传感器的可信度难以完全一致,为了使融合的结果更优,可根据各个传感器所得到的测量值自适应地寻找其对应的权数以达到最优的融合结果,即所谓自适应加权融合算法。
自适应加权数据融合模型如图3.1所示
图3.1自适应加权融合算法结构
3.2基于最优估计的数据融合方法
“数据融合”是一种思想而非某个具体的算法,其主要原理是用多个传感器(同质的或异质的)对同一对象进行描述,从而得到该对象的多源观测数据,并将这些数据进行集成,以获得对被控对象的更好的理解[5]。
它结合最优估计理论、自动控制、人工智能和决策论等多门理论和方法[6]。
具体地说,多传感器数据融合技术是指通过一定的算法“合并”来自多个信息源的数据,以产生更可靠、更准确的信息,并根据这些信息做出最可靠的决策,即根据多源观测信息给出一个关于状态的最优估计量。
由此可见,多传感器数据融合的最终目的和结果,是以最优估计方法进行系统的状态向量估计。
有关系统状态的估计理论是概率统计理论的重要组成部分,它也是数据融合理论中的最底层位置融合的理论基础。
系统状态的最优估计是指某一指标函数达到极值时的估计,基本的估计准则主要包括最小二乘估计(LSE),最小均方误差估计(MSE),极大后验估计(MAP),Bayes估计和极大似然估计(ML)等。
LSE使用的最优指标是使量测估计的精度达到最佳,也即最小化拟合误差时得到的估计,估计中不必使用与被估计量有关的动态信息与统计信息,甚至连观测数据误差的统计信息也可不必使用,所以估计精度不高,该方法的最大优点是算法简单,在对被估计量和量测误差缺乏了解的情况下仍能使用;
MSE是所有估计中估计的均方误差为最小的估计,是所有估计的最佳者,但是它需要知道或计算被估计量和量测数据的一阶和二阶矩;
MAP,Bayes估计和ML都与条件概率密度有关,除一些特殊分布外,如正态分布情况,计算都十分困难,但若事先能提供被估计量的某些先验信息,无疑对其估计是有益的。
所以,每种最优估计方法都有其适用性,在融合过程中,必须针对具体情况选择基于最优估计的数据融合方法。
3.3遗传算法和模糊理论相结合
遗传算法是一种并行算法,能够较好地解决多参数的优化问题,并针对算法的特点采用某些较新的算子,如实编码方式和对应的交叉算子与不一致变异技术的应用都保证遗传算法具有较好的性能并节省时间。
另外,遗传算法所采用的某些算子能更好地模拟模糊关系,可以使融合达到较高的精度。
将其与模糊理论相结合可以在信息源的可靠性、信息的冗余度、互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合[7]。
因此,该方法逐渐成为目前的研究热点之一。
例如:
ChoiJN等人提出一种基于分层公平竞争的并行遗传算法和信息粒化理论的混合优化模糊推理系统[8]。
另外,遗传模糊控制还被用于策略问题的研究。
3.4模糊理论和神经网络理论相结合
神经网络具有大规模并行处理能力、自学习能力和自适应能力,其仿生特性使之能更有效地利用系统本身的信息,并能映射任意函数关系,但缺点是知识表达比较困难,学习速度慢。
而模糊系统则采用简单的规则,但自动生成和调整隶属度函数和模糊规则是个难题[7]。
两者相结合产生的模糊神经网络可以看作是一种不依赖于精确数学模型的函数估计器。
它除具有神经网络的功能外,还能处理模糊信息,完成模糊推理功能。
模糊神经网络的节点和参数均有明显的物理意义,初值比较容易确定,利用学习算法可以使之很快收敛到要求的输入、输出关系,并且,参数的学习和调整比较容易,性能优于单纯的模糊控制和单纯的神经网络[9]。
模糊系统与神经网络的结合方式各种各样,目前的各种模糊神经网络,一般可分为两类:
根据模糊数计算得到的模糊神经网络;
以模糊规则的逻辑推理过程为基础而形成的模糊神经网络。
第一类模糊神经网络,其结构沿袭普通的多层前向网络,但输入输出为模糊语言值,权值一般取模糊数或清晰数,所以,权值调整算法是根据模糊数的计算特点而改进的BP算法;
主要用于模拟模糊规则集,进行近似推理。
第二类模糊神经网络的输入输出为精确值,一般包括模糊化、推理和清晰化过程,此类网络由于规则表达形式的多样性和网络模拟方法的灵活性而产生了各种结构和算法,主要用于时间序列预测、多种数据融合等方面。
近年来,国内外出现了大量关于模糊神经网络的研究,如用于非线性模型的模糊神经网络混合辨识方法,用一种三层前反馈神经网络和Levenberg-Marquardt学习算法实现模糊系统的规则等。
模糊神经网络的优势使其广泛应用于控制、模式识别、数据融合等领域,具有很大的发展前景[10]。
3.5遗传算法和神经网络理论相结合
神经网络技术是模拟人类大脑而产生的一种信息处理技术,它使用大量的简单处理单元(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他层上的神经元联接,采用并行结构和并行处理机制,因而,网络具有很强的容错性和自学习、自组织及自适应能力,能够模拟复杂的非线性映射。
因此,大量的工程实际应用中都将其与遗传算法结合起来使用,如用于片上系统的智能信息处理[11],优化集成电路板中金属层间介电质的参数设计以及处理和分析非线性地震数据等。
3.6遗传算法和模糊神经网络相结合
模糊神经网络和单纯的模糊控制与单纯的神经网络相比,具有更优的性能,但仍然存在不足,因此,有研究将遗传算法与模糊神经网络结合起来以取得更好的数据融合效果[12]。
姜静等人先用遗传算法对模糊神经控制器进行离线训练,然后,用BP算法对模糊神经控制器进一步在线训练,仿真结果表明:
模糊神经控制器比模糊控制器取得了更好的控制效果[13]。
3.7模糊逻辑和Kalman滤波相结合
经典最优Kalman滤波理论对动态系统提出了严格的要求,即当观测几何信息和动力学模型及统计信息可靠时,Kalman滤波计算性能较好。
但在实践中很难满足这一条件,在使用不精确或错误的模型和噪声统计设计Kalman滤波器时会导致滤波结果失真,甚至使滤波发散[14]。
为了解决此问题,产生了自适应Kalman滤波。
Escamilla-Ambrosio等人提出了一种基于模糊逻辑的自适应Kalman滤波数据融合算法,该算法使用模糊逻辑调整Q和R的值使之可以更好地符合协方差的估计值。
接着Escamilla-AmbrosioPJ等人又将上述算法用来建立集中式、分布式和混合式的自适应Kalman滤波多传感器融合算法。
另外,TaftiAD等人还提出了一种可用于实时处理的自适应Kalman滤波和模糊跟踪数据融合算法。
近年来,模糊Kalman滤波算法在实际中得到了非常广泛的应用,例如:
目标跟踪、图像处理以及组合导航等。
3.8小波变换和Kalman滤波相结合
在实际中,不同的传感器数据采集系统采集的数据具有不同的分辨率,因而,需要解决多分辨率数据的融合技术和方法,以便更好地利用不同分辨率数据的互补信息,达到更佳的融合效果。
Kalman滤波对非平稳信号具有较强的估计能力,能对信号所有的频率成分同时进行处理。
同时,小波变换具有高分辨力,对高频分量采用逐渐精细的时域和频域步长,可以聚焦到分析对象的任意细节。
因此,小波变换与Kalman滤波结合可以取得良好的融合效果。
3.9模糊理论和最小二乘法相结合
最小二乘法的准则是选取X使得估计性能指标(估计误差的平方和)达到最小。
它是以误差理论为依据,在诸数据处理方法中,误差最小,精确性最好,并在处理数据过程中不需要知道数据的先验信息[11]。
因而,刘建书等人利用模糊理论中的相关性函数对多传感器的相互支持程度进行计算,应用基于最小二乘原理的数据融合方法,对支持程度高的传感器数据进行融合。
仿真结果表明:
相比同类融合方法,该方法获得的结果具有更高的精度。
4结论
多传感器数据融合与经典信号处理方法之间也存在本质的区别,其关键在于数据融合所分析处理的数据信息更复杂,而且,可以在不同的信息层次上进行处理,每个层次代表了对数据不同程度的融合过程,这些信息抽象层次包括像素级、特征级和决策级。
如表4.1所示对三种融合过程所属层次、主要特点、方法及应用进行了总结归纳。
表4.1不同的信息层次上的数据融合分类
类型
像素级融合
特征级融合
决策级融合
所属层次
最低层
中间层
最高层
主要优点
原始信息利用率最高信息最详细,精度最高
压缩原始信息,减少干扰数据,易实现实时处理,精度较高
信息量最大程度压缩,较强容错能力,信息传输快捷
主要缺点
处理时间长,数据中干扰多
融合前必须提取相关特征,并按相关性分类组合
原始数据丢失较多,误判几率比较高
主要方法
加权平均法,小波变换等
聚类分析法,贝叶斯估计法,信息熵法等
专家系统,神经网络法,模糊集理论等
4.1存在的主要问题
数据融合是一门新兴学科,虽然已得到广泛应用,但绝大部分的研究都是针对特定的问题、特定的对象、特定的层次,并在此基础上形成所谓的最佳方案。
因此,数据融合问题本身至今未形成一套完整的理论体系。
另外,关联的二义性是数据融合的主要难题。
在进行融合处理前,必须对来自多传感器的观测结果进行关联,保证所融合的信息是来自同一观测目标或事件,以保证融合信息的一致性。
如果对不同目标或事件的信息进行融合,将难以使系统得出正确的结论,这就是所谓的关联的二义性问题。
如何解决关联二义性是当前数据融合研究领域亟待解决的问题。
目前的数据融合是经一种简单的方法合成信息,得出融合结果,并没有充分有效地利用多传感器所提供的冗余信息,实现多传感器信息的高智能化处理,融合方法的研究也还处于初步阶段。
目前的许多研究工作仍属于试探性、仿真性的工作,投入正式使用的数据融合系统较少。
因此,数据融合系统的设计实施还存在许多实际问题,如传感器测量误差模式的建立、复杂动态环境下的系统实时响应等。
4.2发展方向
(1)建立数据融合的基础理论,这包括进一步研究融合技术的数学基础,对于同类信息相融合的数值处理:
主要研究其各种最优、次优分散式算法,对于不同类型信息相融合的符号处理方法,引进其它领域的一些新技术,如具备学习功能的新型AI技术、进化算法、小波分析技术、进化神经网络等。
其中进化算法与神经网络相结合已成功地用于基于时间序列分析的财政预算。
(2)开展对兼有稳健性和准确性的融合算法和模型的研究。
多传感器数据融合从本质上说是一个参数估计问题,或者说是一个算法问题。
信号处理技术及其软件的实现方法在数据融合中占了相当大的比重。
应加强对国内外研究成果的跟踪,借鉴成功经验,着重研究相关处理、融合处理、系统模拟算法和模型,开展对数据融合系统的评估技术和度量标准研究。
参考文献
[1]祝宏,曾祥进.多传感器信息融合研究综述[J].计算机与数字工程,2007,35(12):
46-48.
[2]姜万录,李冲祥,刘继刚.多传感器数据融合技术的现状及展望[J].机床与液压,2003(3):
16-19.
[3]吴艳.多传感器数据融合算法研究[D].西安:
西安电子科技大学,2003.
[4]周芳,韩立岩.多传感器信息融合技术综述[J].遥测遥控,2006,27(3):
1-7.
[5]韩敏,孙燕楠,许士国,等.一种模糊逻辑推理神经网络的结构及算法设计[J].控制与决策,2006,21(4):
415-420.
[6]李娟,李甦,李斯娜.多传感器数据融合技术综述[J].云南大学学报,2008,30(S2):
241-246.
[7]华鑫鹏,张辉宜,张岚.多传感器数据融合技术及其研究进展[J].中国仪器仪表,2008(5):
40-43.
[8]ChoiJN,OhSK,PedryczW.Identificationoffuzzyrelationmodelsusinghierarchicalfaircompetition-basedparallelgeneticalgorithmsandinformationgranulation[J].AppliedMathematicalModelling,2009,33(6):
2791-2807.
[9]白云飞,曲尔光.多传感器信息融合技术及其应用[J].机械管理开发,2008,23
(1):
69-70.
[10]杨钢,王玉涛,陆增喜,等.多传感器数据融合技术在多相流参数测量中的应用[J].仪表技术与传感器,2005(11):
51-53.
[11]Abde-lAty-ZohdyHS,EwingRL.Intelligentinformationprocessingusingneuralnetworksandgeneticalgorithms[C].Proceedingsofthe43rdIEEEMidwestSymposiumonCircuitsandSystems,Lansing,2000:
840-845.
[12]孙有发,陈世权,吴今培,等.一种基于模糊遗传神经网络的信息融合技术及其应用[J].控制与决策,2001(16):
717-720.
[13]姜静,姜琳,李华德,等.基于遗传算法的模糊神经控制器[J].煤矿机械,2007,28(3):
129-131.
[14]刘严岩,多传感器融合技术的几个关键技术的研究[D].中国科技技术大学电子工程与信息科学系,2006:
1-137.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 传感器 数据 融合 方法 研究 综述 资料
![提示](https://static.bdocx.com/images/bang_tan.gif)