多傳感器信息融合技術(shù)及其應(yīng)用

1、多傳感器信息融合技術(shù)及其應(yīng)用多傳感器信息融合技術(shù)及其應(yīng)用學(xué) 院：信息工程學(xué)院 專業(yè)班級：自動化0301班 姓 名：魏紅霞 指導(dǎo)教師：段承先摘 要：本文介紹了多傳感器數(shù)據(jù)融合的概念、優(yōu)點、結(jié)構(gòu)、方法和應(yīng)用。數(shù)據(jù)融合把來自不同傳感器的、或其它信息源的數(shù)據(jù)加以綜合、相關(guān)、互聯(lián)，以便提高定位和特征估計的精度。本文最后對kalman融合算法進行仿真，并對其結(jié)果進行分析。仿真結(jié)果表明，融合算法令人滿意。關(guān)鍵詞：多傳感器信息融合；融合算法；matlab仿真；kalman濾波multi-sensor information fusion and its applicationabstract the conc

2、ept、advantages、architecture、methods and application of multi-sensor data fusion are described. data fusion is the process of combining、correlating、associating data from multi-sensor and/or other information sources to achieve refine deposition、identity estimation and assessment of situations. finall

3、y, the integration of kalman algorithm simulation, and analysis of its results simulation results show the fuzzy method is satisfactory.key words multi-sensor data fusion；fusion algorithm；matlab simulation；kalman filter1 多傳感器信息融合技術(shù)的概述任何一種新技術(shù)的誕生，其原動力都來源于人類的需求，其目的都是為了滿足人類的需求。數(shù)據(jù)融合技術(shù)當然也不例外1。數(shù)據(jù)融合技術(shù)最根本的目的

4、在于增強了人類對復(fù)雜的未知環(huán)境或事物的認知能力。多傳感器信息融合（multiple sensor information fusion, msif）,也稱為多傳感器數(shù)據(jù)融合，就是對多傳感器的數(shù)據(jù)進行多級別、多方面、多層次的處理，即組合或融合來自多個傳感器或其他信息源的數(shù)據(jù)，以獲得綜合的、更好的估計。2 多傳感器信息融合技術(shù)的基本理論多傳感器信息融合的基本原理或出發(fā)點就是充分利用多個傳感器資源，通過對這些傳感器及其觀測信息的合理支配和利用，把多個傳感器在空間或時間上的冗余或互補信息依據(jù)某種準則來組合，以獲得被測對象的一致性解釋或描述，使該信息系統(tǒng)因此而獲得比它的各個組成部分的子集所構(gòu)成的系統(tǒng)更優(yōu)

5、越的性能。 信息融合的層次結(jié)構(gòu)多傳感器信息融合的方法多種多樣，沒有一種普遍適用的標準模型。根據(jù)處理對象層次不同可以分為：數(shù)據(jù)（像素）級融合、特征級融合和決策級融合2。 信息融合的結(jié)構(gòu)形式數(shù)據(jù)融合系統(tǒng)是由各種傳感器、處理機及相關(guān)設(shè)備與融合軟件組成的。隨著應(yīng)用場合的不同，其結(jié)構(gòu)形式也多不相同。根據(jù)傳感器和融合中心的信息流關(guān)系，可分為集中式、分布式、混合式融合結(jié)構(gòu)和串聯(lián)式融合結(jié)構(gòu)3。 信息融合的一般方法融合方法研究的內(nèi)容是與數(shù)據(jù)融合有關(guān)的算法。多傳感器融合的實質(zhì)是多源不確定性信息的處理，這是一個復(fù)雜的處理過程。信息融合算法，一般可以分為經(jīng)典和現(xiàn)代方法。經(jīng)典方法包括加權(quán)平均法、最小二乘法、極大似然估計

6、、卡爾曼濾波、d-s證據(jù)理論和貝葉斯估計等?，F(xiàn)代方法包括模糊邏輯、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊積分理論等。3 kalman濾波及其仿真卡爾曼濾波處理的基本思路是:對于運動目標，由描述目標運動模型的線性動態(tài)方程，在當前濾波估值的基礎(chǔ)上預(yù)測下一時刻的目標狀態(tài)，并將這一預(yù)測值與下一時刻狀態(tài)觀測值加權(quán)平均，獲得下一時刻的濾波估值，由此實現(xiàn)連續(xù)、實時的、遞歸濾波。 kalman 濾波方程及其解設(shè)已知動態(tài)系統(tǒng)的狀態(tài)方程和量測方程，它們分別為4： （1） （2）在狀態(tài)方程和量測方程中，一般與是已知的，是量測的數(shù)據(jù)，也是已知的。如果暫時不考慮和，此時按式（1）和式（2）得到與分別用 、表示，則有， （3） （

7、4）這里 （5） （6）因此，與真值的均方誤差是一個誤差方陣。如果我們能求的這個誤差陣最小條件下的，然后將此帶入式（6），得到的就是對的線性最優(yōu)估計。 根據(jù)式（1）、式（2）和式（6）來求均方差最小條件下的。用表示均方誤差陣 （7）并令 （8）在推導(dǎo)中設(shè)初始狀態(tài)與、均不相關(guān)。最后我們得到下列一組卡爾曼一步遞推公式： （9） （10） （11） （12） 構(gòu)建kalman濾波的方框圖假設(shè)系統(tǒng)的傳遞函數(shù)為 則狀態(tài)空間表達式為：根據(jù)假設(shè)的傳遞函數(shù)，可以編輯如圖1的系統(tǒng)方框圖。圖1 系統(tǒng)方框圖 kalman濾波源程序在matlab的命令窗口中輸入下列程序5a=-1 0 0 ;1 -3 0;0 1 -4

8、aa(1)=0c=0 1 -2t=i=1 0 0;0 1 0;0 0 1b=a*td=1/2*a2*t2e=i+d+b n10,n11=size(x1)n20,n21=size(x2)n30,n31=size(x3)r1=0 %r1(1)=0 r2=0r3=0r4=0s=0;0;0 z1=x1(1) z2=x2(1)z3=x3(1)z4=y(1)p=1 0 0;0 1 0;0 0 1 for i=2:n10z1=(z1*(i-1)+x1(i)/i; z2=(z2*(i-1)+x2(i)/i; z3=(z3*(i-1)+x3(i)/i; z4=(z4*(i-1)+y(i)/i w1=(x1(1)

9、-z1)2; w2=(x2(1)-z2)2; w3=(x3(1)-z3)2; w4=(y(1)-z4)2 ; for k=2:iw1=w1+(x1(k)-z1)2; w2=w2+(x2(k)-z2)2; w3=w3+(x3(k)-z3)2; w4=w3+(y(k)-z4)2; endr1=w1/i; r2=w2/i; r3=w3/i; r4=w4/i; q=sqrtm(r1) 0 0;0 sqrtm(r2) 0;0 0 sqrtm(r3) r=sqrtm(r4) pk=e*p*(e')+q h=pk*c'/(c*pk*(c')+r)p=(i-h*c)*pk s=e*s+

10、h*(y(i)-c*e*s) aa(i)=s(2,1)endt=1:n10plot(t,aa(t),'r',t,x1(t),'b')把此程序輸入完畢，且在simulink環(huán)境下打開圖1的方框圖，按回車鍵，得到圖2。 圖2 輸入為正弦波時的仿真圖 圖3 輸入為階躍信號時的仿真圖 仿真結(jié)果分析如圖2所示，圖中有藍、紅、綠三條曲線，其中綠色的曲線是在完全沒有干擾是的狀態(tài)x1(t)的曲線。由于輸入是正弦波，沒有干擾x1(t)基本上也是正弦波曲線。藍色的曲線是在加正態(tài)白噪聲的情況下，直接測到的信號的曲線，而紅色的是kalman濾波后得到的曲線，對比藍色和紅色的曲線可知：加

11、干擾之后而沒有采用kalman濾波的曲線基本上看不出來是正弦波，而采用kalman濾波曲線基本是正弦波的形狀。從以上的仿真結(jié)果可以看，卡爾曼仿真結(jié)果令人滿意。而圖3只是在輸入為階躍信號時的境況。 4 結(jié)論多傳感器信息融合是一個信息處理過程，它將來自不同途徑，不同時間，不同空間的傳感器信息協(xié)調(diào)成統(tǒng)一的特征表達式，以完成對某一對象和環(huán)境特征的描述。本文通過搜集、整理和總結(jié)今年來國內(nèi)外在信息融合領(lǐng)域的最新研究成果和最新進展，借鑒其相關(guān)的經(jīng)驗，作了更進一步的深入研究。本文還獨立的用matlab對卡爾曼濾波進行仿真，驗證了算法的優(yōu)越性。參考文獻1 王軍，蘇劍波，席裕庚. 多傳感器集成與融合概述j. 機器人. 2001,23(2).2 羅躍綱，陳長征. 基于信息融合的集成小波神經(jīng)網(wǎng)絡(luò)故障診