多传感器数据融合作业

2024-07-16

多传感器数据融合作业（通用9篇）

多传感器数据融合作业篇1

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

多传感器数据融合作业篇2

关键词：多传感器数据融合,模型,结构,应用

近年来, 随着电子技术、信号检测与处理技术、计算机技术、网络通信技术以及控制技术的飞速发展, 各种面向复杂应用背景的多传感器系统大量涌现。在这些多传感器系统中, 信息表示的多样性, 信息数量的巨大性, 信息关系的复杂性以及要求信息处理的及时性、准确性和可靠性都是前所未有的。数据融合技术的产生正是源于对多源信息自动融合处理技术的需求。现代环境的多样化和复杂化使得人们必须综合利用来自多种不同传感器的观测数据和信息对环境态势作出正确而迅速的估计, 并制定相应的对策。数据融合基于各传感器分离观测信息, 将不同来源、不同模式、不同时间、不同地点、不同表现形式的信息进行融合, 通过对信息的优化组合导出更多的有效信息, 最后得出对被感知对象更精确的描述。

1 数据融合概述

早在20世纪70年代末期, 在一些公开出版的文献中就开始出现有关信息综合的概念或名词, 在其后的较长一段时期, 人们普遍使用“数据融合” (Data Fusion) 这一名词。早期的数据融合, 其信源为同类多传感器, 如多声纳、多雷达数据间融合等等, 其信息形式主要是传感器数据。随着应用需求的扩展, 融合扩大到多类信息源, 其应用范围也大幅度拓展。由于数据融合研究领域的广泛性和多样性, 多传感器数据融合迄今为止尚未有一个普适的和明确的定义。许多研究者从不同角度提出了数据融合系统的一般功能模型, 试图从功能和结构上来刻画多传感器融合技术。Edward Waltz和James Llinas给出了如下定义:“数据融合是一种多层次的、多方面的处理过程, 这个过程处理多源数据的检测、关联、相关、估计和组合以获得精确的状态估计和身份估计以及完整、及时的态势评估和威胁估计。”该定义强调了数据融合的三个主要方面:数据融合是在几个层次上对多源信息的处理, 每个层次表示不同的信息提取级别;数据融合过程包括检测、相关、估计及信息组合;数据融合过程的结果包括低层次的状态和属性估计及较高层次的态势评估。美国国防部实验室理事联谊会数据融合专家组 (Data Fusion Subpanelofthe Joint Directors of Laboratories, 简称JDL小组) 定义是:“信息融合是在多级别、多方面对单源和多源的数据和信息进行自动检测、关联、相关、估计和组合的过程。”JDL当前的最新定义是:“信息融合是组合数据或信息以估计和预测实体状态的过程”。

2 数据融合系统的功能模型

1988年, White给出了著名的一般处理模型, 后来被美国信息融合专家组发布为信息融合的DFS通用功能模型, 并逐步改进和推广使用, 已成为美国国防信息融合系统的一种实际标准。JDL模型对人们理解信息融合的基本概念有着重要影响, 已成为各国学者研究信息融合的基本出发点。在此基础上, 人们陆续提出了OODA环、Waterfal模型、Omnibus混合模型等。

3 数据融合系统的结构模型

数据融合的体系结构即结构模型, 是指系统的物理结构, 它从数据融合的组成出发, 说明数据融合系统的软、硬件组成, 相关数据及控制流、系统与外部环境的人机界面等。数据融合的体系结构可以从不同的层次上来划分, 在不同的层次上有不同的结构模型。从融合层次上看, 有根据系统的软件组成、相关数据及控制流来划分的体系结构;有根据硬件组成来划分的体系结构;还有根据系统并行处理方法划分的体系结构。

根据前面JDL模型划分的层次, 数据融合可分成五级, 即检测 (判决) 级融合、状态 (跟踪) 级融合、属性 (目标识别) 级融合、态势评估与威胁估计级融合。

随着协同开发、传统系统工程方法与企业体系结构设计方法相结合的系统工程方法、用资源管理实现信息融合系统工程等新方法新概念的出现, 一些新的体系结构设计原理不断提出。数据融合树能够将数据模型与数据处理功能分离, 实现处理功能与数据模型之间的松散耦合结构, 从而有利于处理功能模块的修改和替换。

数据融合树的结构有以下特点:每个融合节点所有输入数据的处理过程是相同的, 不会缺少其中的任一环节, 各个模块具有共同的处理功能;融合节点的每个功能模块都可以独立工作、模块只需要处理自己的输入数据和输出计算结果, 不需要了解其它模块的工作情况, 不与其它的模块共享数据;不同融合节点内的数据流及控制流是互不相同的, 因此, 必须根据各个节点的特性与功能选择合适的算法。各个融合节点的模型具有通用性和稳定性, 根据实际的情况, 选择相应的构件就可以配制成应用系统。

4 数据融合的发展展望

近年来, 多传感器数据融合技术获得了普遍关注和广泛应用, 大量应用于众多军用和民用领域, 如C3I系统、工业控制、机器人和智能仪器、空中交通管制、海洋监视和管理等领域。但由于目前尚缺乏严格的理论体系, 大多数专家学者都是从自己研究的具体系统来理解多传感器集成与数据融合的含义和提出各种不同的实现方法。数据融合面临的挑战和发展方向有:

1) 数据融合的基础理论研究。目前的实际应用的项目都是针对特定的对象和领域所进行的, 缺乏统一的系统模型建立标准和系统结构标准。确立具有普遍意义的数据融合模型标准和系统结构标准, 研究和建立多传感器集成和信息融合的基本理论框架, 以方便相互交流。

2) 开发相应的软件和硬件, 解决数据配准、数据预处理、数据库构建。数据库管理、人机接口、通用软件包开发等问题, 利用成熟的辅助支持技术, 构造通用的数据融合支撑环境, 便于快速形成面向具体应用需求的数据融合系统。

3) 改进融合算法以进一步提高融合系统的性能。数据融合的核心问题是选择合适的融合算法, 不同的算法适合于不同的融合层次、信息类型、运行环境和不同的系统结构。目前, 将模糊逻辑、神经网络、遗传算法、支持向量机、小波变换等计算智能技术有机地结合起来运用已经成为一个重要的发展趋势, 各种算法按照优势互补原则相互结合, 以克服单独使用一种算法所存在的不足。

4) 构建数据融合测试评估平台和多传感器管理体系, 加强数据融合系统工程管理软平台的研究与开发。

数据融合技术有广阔的应用前景, 随着科学技术的发展, 尤其是人工智能技术的进步, 新的、更为有效的数据融合技术必将不断推出, 并取得广泛的应用。

参考文献

[1]Edward Waltz, JamesLlinas.Multisensor Data Fusion[M].Artech House, Boston London, 1990.

多传感器数据融合作业篇3

【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.

多传感器数据融合作业篇4

基于多传感器融合的车载移动测图系统研究

提出一种基于定位传感器GPS、定姿传感器IMU、影像传感器激光扫描仪、线/面阵CCD相机等多种传感器融合的.车载移动式数据快速采集系统.

作者：陈允芳叶泽田 CHEN Yun-fang YE Ze-tian 作者单位：陈允芳,CHEN Yun-fang(山东科技大学,地球信息科学与工程学院,山东,青岛,266510)

叶泽田,YE Ze-tian(中国测绘科学研究院,北京,100039)

刊名：测绘通报 ISTIC PKU英文刊名：BULLETIN OF SURVEYING AND MAPPING 年，卷(期)： “”(1) 分类号：P2 关键词：移动测图系统(MMS) 捷联惯性导航系统(SINS) 惯性测量装置(IMU) 组合导航激光扫描仪(LS) 直接地理参考卡尔曼滤波

多传感器数据融合作业篇5

由于传感器测量准确性提高、体积缩小及成本降低,无人驾驶飞行器( 无人机) 已成为勘探、监测和救援等多方面的重要工具。无人机具有成本低、易操作、灵活性强等诸多优点,在农业生产中利用无人机检测农情,能更有效地得知农作物的生长状况、种植面积及各方面信息[1,2]。

对飞行中无人机姿态和速率的精确估算仍是一个巨大的挑战。廉价的GPS传感器可以提供相关信息,但由于其测量速率只有5Hz,即使在良好的环境中,其误差范围也会达到2m,并不适合实际应用。此外,在环境较差的状况下,GPS信号容易丢失; 而光流法并不需要与外界进行通讯,只需来自摄像头采集的信息便能正常工作。因此,采用了光流法来代替GPS,通过使用视觉算法来估算对象的运动速度。

关于无人机定位的数据融合研究中,大多数是对快速移动目标所采集的数据进行后期处理。Gross等人提出了对GPS、INS提供的数据,同时使用扩展卡尔曼滤波( EKF) 和无迹卡尔曼滤波( UKF) 融合算法进行后期处理,从而进行姿态评估,最后通过实验验证[3]。同样有人展示了使用卡尔曼滤波对GPS、INS数据进行处理的一种姿态评估算法[4]。使用连续型扩展卡尔曼滤波,继承所有由卫星传输的可用信息给INS、GPS进行数据融合,即使条件是在只有一个卫星可以观察的情况下仍可实行( 传统的离散型滤波器需要至少4 个卫星同时观察)[5]。此外,介绍了一种基于EKF与协方差自适应算法,使用GPS、INS、光流传感器进行测量[6]。这些工作的目的是将来自多个不同种类的传感器的信息进行数据融合,以得到精准、可靠的位置和速率信息。

针对农用无人机低空、低速、在白天工作等特点,以GPS、INS、光流传感器进行测量[7],以卡尔曼滤波进行数据融合,完成对无人机位置和速率的准确估算[8]。通过实验验证此法效果良好,为降低农用无人机成本,提高其精确度提供了参考。

1 实现方案

廉价GPS装置测量误差大,不足以满足新兴微小型无人机的要求。这些误差来自于多方面的因素,如观测卫星的数量和观测角度、GPS传感器的质量、数据传输中受到的信号干扰等。GPS提供的位置和速度测量的精度分别称为acc P与acc V,其变化是动态的,根据实际测量情况得出。因此,为了提高精确度,加入光流传感器和惯性传感器来辅助GPS。光流是空间运动物体在观测成像平面上的像素运动的“瞬时速度”。光流的研究是利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”。研究光流场的目的就是为了从图片序列中近似得到不能直接得到的运动场[9,10,11]。经由光流传感器的辅助测量后,再通过设计的卡尔曼滤波器进行数据融合,最终对无人机速率和位置的估算提供准确的数据。其流程如图1 所示。

2 离散卡尔曼滤波

卡尔曼滤波广泛应用于被白噪声引起干扰的离散线性动力学系统的姿态评估中,被人们所熟知。

其中,ξ 为状态向量; u为输入向量; Z为测量向量; A、B和H分别代表状态转换、输入和观测矩阵; k为离散时间指数。过程噪声和测量噪声 ω、v假定为符合正态分布的白噪声,则

其中,Q和R分别是过程噪声协方差和测量噪声协方差。

先验状态估计为

先验协方差Pk-为

由此可以确定卡尔曼增益矩阵Kk为

测量过程中,后验状态估算和误差协方差Pk分别为

3 GPS、INS、光流的数据融合

3. 1 系统模型

系统所用到的状态向量有

目标飞行在三维空间中的位置坐标为( x,y,z) ,速率为( Vx,Vy,Vz) 。这些物理量都是参照在导航坐标系下的。因此,系统的运动方程可以写成

u = [αxαyαz]T是系统的输入信号,在试验中加速度由INS传感器获得; ω ∈ R6代表过程噪声。然后,给出测量向量为

[xGPSyGPSzGPS]T是由GPS传感器计算的位置信息; VOFx和VOFy是由一种光流算法得出的在水平面上的平移速度,VZh表示垂直速度; V ∈ R6代表了测量噪声。为了实现卡尔曼滤波,系统式( 11) 必须是离散的。通过欧拉方法得到

其中,T为采样周期。

3. 2 光流计算

本研究中,将实验相机平台安放在理想的三维空间场景中飞行[12]。相机的速度在惯性坐标系中给出( Vx,Vy,Vz) ,像素点( xi,yi) 的光流计算是由其平移和转动的部分组成,方程为

转动部分ROF由下式给出,则

平移部分为

式( 15) 中,OFxi和OFyi分别是在x、y轴上的光流特征值( xi,yi) 。是相机的平移速度,( ωx,ωy,ωz) 是相机的转速,相机的焦距为fx和fy。为了更好地估算,将Lucas - Kanade算法和高精度的纹理点探测器相结合。

进行光流计算时,特征点( xi,yi) 的坐标值都是已知的,并且其运动状态相同。通过使用所有的跟踪特性,光流的平均值可表示为

其中,是指在图像坐标系中感知的光流;为相对深度; Kx和Ky为已知相机内参数的比例因子。由于光流转动关系OFx和OFy在本研究中存在弊端,因此相机要固定在水平面上,否则就需要做误差补偿。模拟速度可表示为

在实验装置中,相机安装在实验平台上,因此它们做相同的平移运动,即。

4 实验结果

为了验证提出的融合模式,开发了一套实验平台,配备了GPS、INS和光流摄像头,如图2 所示。所有算法都是由安装在平台上的便携式计算机执行。为了简化实验,只在x、y平面上进行状态估算,因此z轴是一个恒定值。为了使估算扩展到三维空间,使z轴可变,需要一个高度传感器。Open CV( 开放源代码计算机视觉类库) 用于从相机捕获图像,进行光流和水平速度估计。同样,卡尔曼滤波库用来实现卡尔曼滤波。GPS提供的测量位置频率为5Hz,其误差在2m以内。视觉算法的执行频率在40Hz,使用INS传感器测量加速度。

测试在露天广场进行,只有自然光作为光源,结果如图3 ~ 图9 所示。过程噪声矩阵Q设置的对角值很小,即

协方差矩阵R的值很难精确测量到,因为GPS并没有提供其数据,此外光照条件的不同也是其中的原因,但这些参数可以用来得知滤波器测量的可靠性。当涉及到对R矩阵的估算需要精确GPS参数( acc P)时,滤波器就不在选用GPS的参数,直接选用与精确GPS( acc P) 成比例的值来代替,位置测量使用GPS,速度则使用光流来取代,即

INS测得的系统加速度如图3 所示。由于目标没有移动,它们非常接近于0。图4 和图5 为GPS传感器测量的位置和速度信息。由于GPS受干扰性强,图6 中定位误差在2m以内。图7 为光流计算出的速度,经由卡尔曼滤波融合后测量的位置和速度如图8 和图9 所示。

5 结论

通过使用离散型卡尔曼滤波实现GPS、INS、光流的数据融合,从而对速度和位置进行估算。实验结果显示: 通过光流代替低精度GPS测量得到的速度值更加准确,位置和速度估算也得到了相应的提高。

卡尔曼滤波是从传感器测量数据与预期状态的动态模型之间进行权衡,这种权衡与过程噪声和测量噪声( 测量噪声大意味着测量数据不可靠) 相关。这可以用来改善在复杂环境中数据测量的结果,如在噪声很复杂的模型中[13],通过改变动态的过程噪声协方差矩阵来使测量数据变得可靠。当然,前提是传感器和测量过程是在理想条件下。

多传感器数据融合作业篇6

关键词：激光干涉仪；钩子函数；动态链接库

中图分类号：TP212 文献标识码：A 文章编号：1671-864X（2014）08-0181-01

前言：随着现代加工工艺的革新，人们对测量的精度有了更高的要求。为了更加精确的确定被测对象的量值，往往会选用精度高的测量基准。目前，在精密测量领域，精度比较高的位移传感器主要有光栅传感器和激光干涉仪，它们经常被当做测量基准去测量和标定被测对象。而这些精度较高的测量仪器制造方法和工序相当的严苛和复杂，需要整个制造链都在一个高标准、高品质的背景下去生产。目前，国内有制造也已有了迅猛的发展，其中的某些环节的工艺水平已经达到世界先进水平，但是整体还没均衡，因此，高精度测量仪器的国产化还不现实。在需要精密测量时，进口国外的测量仪器还是比较普遍的。Renishaw公司是世界计量和光谱分析仪器领域的领导者，主要提供测量、运动控制、光谱仪和精密加工等核心技术，从制造领域提高效率和产品质量、极大提高研发能力，使用户能够实现按溯源标准进行几何尺寸的测量。而Renishaw公司旗下的激光干涉仪就是常被用到的精密测量仪器。激光干涉仪不仅提供了高品质的硬件设备同时还提供了较为直观的开发软件Laser10供用户使用。但是，Renishaw激光干涉仪的位移读数只能通过Laser10显示，并且Renishaw公司没有提供开发的驱动程序，这极大地限制了用户多元化的开发。

一、基于Visual C++的钩子函数

钩子（Hook）函数是WINDOWS操作系统非常重要的特性，正如它名字一样它就像一个的钩子，捕获那些我们感兴趣的WINDOWS消息并获得控制权，进行相应的处理，比如数据运算、数据传递、强制传递等。钩子函数即是一个消息处理机制的平台，程序员在相应的代码段加入子程序以便监控某个特定的WINDOWS窗口消息，一旦所监控的窗口消息被钩子函数所探测到就将其截获，以便行进相应的处理。充分利用钩子函数的特性，不仅可以探测到其他进程发生的事件还能够截获程序员感兴趣的特定进程，再通过“钩挂”的形式，发给WINDOWS一个处理或过滤事件的回调函数，当每次发生您感兴趣的事件时，WINDOWS都将调用该函数[1]。Laser10运行的平台是WINDOWS操作系统同样遵循该操作系统的运行法则。这使得我们自然的想到，用钩子函数去截获Renishaw激光干涉仪数据的传输，只要我们能够找到激光干涉仪在传输数据时的窗口消息。通过观察Laser10开发软件发现，每当激光干涉仪有新测量数据产生时，Laser10软件会对窗口进行刷新从而进行数据的跟新显示，而这个刷新窗口的WINDOWS窗口消息则正式我们所需要的。钩子函数对该消息进行监控，一旦刷新窗口消息触发了钩子函数，钩子函数则截获该消息并将激光干涉仪更新的数据提取保存起来，等待其他的程序调用。

二、基于钩子函数LabVIEW与Laser10间的通信

激光干涉仪的数据被钩子函数截获之后，需要有其他的软件操作平台对此进行处理。通常Visual C++开发的操作平台对钩子函数的整合更好，但是Visual C++开发的软件平台在后续的数据处理和代码编程的问题上并不是很理想，目前，更趋向于图像化的编程方式。LabVIEW和C语言以及BASIC语言一样属于通用的编程系统，有着庞大的数据库，包括CPIB、数据分析、数据储存、串口控制和数据采集等。LabVIEW与其他编程语言最大的区别在于图形化的编程方式，用图形替代文本、数据流替代顺序执行，从而充分的发挥计算机的能力，创造出功能更加出色的仪器。Laser10相对于我们自己开发的LabVIEW软件平台应归为他方进程，双方之间的通信就应为进程间的通信。进程间如若要进行数据的交换必须要有即成的服务器端和通信协议，只有这样，服务器才能够响应哪些和自己达成通信协议的客户端，否则就称为“无意识”型通信 [25]。而上一节所讲述的钩子函数则是双方建立通信的桥梁。钩子函数不能直接被LabVIEW所使用，因为进程之间的通信需将钩子函数放到动态链接库中去并作为远程钩子来进行调用。动态链接库作为一个独立的文件它不能被直接的运行更不能接受消息，只有在其他模块调用动态链接库的函数时，它才能发挥相应的作用 [2]。从图1可以知道，Laser10作为激光干涉仪的人机交互平台，实时的显示激光干涉仪的测量数据信息。每当有数据更新时伴随一个“窗口刷新”消息进入队列等待处理，而早已在动态链接库中的钩子函数正是监控该“窗口刷新”消息，一旦激活则将里面的数据全部提取并保存，最后等待LabVIEW软件平台进行调取使用。这样，激光干涉仪的位移测量数据被传输到的LabVIEW软件平台进行更全面的诊断和处理。通过LabVIEW强大的数据处理模块，可以对激光干涉仪测量的位移数据进行误差分析、曲线拟合等操作，使原本单一的数据监控方式变得更加开放、多元以及智能。

图1 激光干涉仪数据融合原理图

三、LabVIEW调用动态链接库

动态链接库的存在使程序外部访问代码成为的了现实，LabVIEW要成功的调用动态链接库还必须要满足一些要求，即是要知道被调用函数代码所在的库文件以及在库文件中使用的函数名称、调用的规则以及函数参数的数量和类型包括返回类型[3]。当这些信息都具备后，就可以通过LabVIEW进行调用。然而，在编写调用程序的时候，往往会遇到复杂的指针、多位数组结构，要想确定它们对于调用函数节点的配置是比较麻烦的，而LabVIEW中的调用库函数节点则可以很好的处理这些问题。在编写调用代码的过程中最为重要的一个环节就是对调用库函数节点进行初始化，这是进程间进行通信的握手协议。图2为调用库函数节点初始化的界面，不难发现，初始化信息主要分为四个部分：函数、参数、回调和错误检查。

图2 调用库函数节点配置窗口图

函数部分需要知道被调用动态链接库的的库名以及它所在的路径，函数名则要填写被调用钩子函数的函数名称。而线程在默认的情况下，初始化为“在UI线程中运行”，此时调用的函数值将直接在用户线程中运行。如果，多个线程同时调用动态链接库中的函数时则要选择以递归方式调用的“在任意线程中运行”。调用规范默认情况下就选择“C”规范。参数部分是初始化调用函数的返回类型，返回类型可以是是 Void，Numeric 或String。通过回调选项卡可预先设置函数调用的次数。该函数允许用户根据配置的调用库函数节点的实例，初始化、更新或清除用于DLL或共享库的数据。通过为函数配置的“调用库函数节点”的实例数据指针传递调用。通过错误检查页可指定“调用库函数节点”的错误检查级别。

四、结束语

通过LabVIEW开发软件调用含有钩子函数的动态链接库，可以获取激光干涉仪的位移测量数据，这使得数据处理环节变得更加的开放和多元，为下游市场的开发和操作提供了更多的可能性。但是进程间的通信在方便同步的同时消耗了CPU额外的时间，在面对大量信息实时操作时还是显得有些不足并需要完善。

参考文献

[1]徐志凯.热动类基本数据库与函数库的研究与开发.东南大学.2004

[2]梁庚等.Windows下进程间通信方式探讨.微型电脑应用. 2006（12）

多模型多传感器标量加权信息融合篇7

本研究针对多模型多传感器系统, 基于标量加权的最优信息融合算法, 给出了一种分布式标量加权最优信息融合Kalman滤波器。在融合中心只需要计算加权标量系数, 避免了加权矩阵的计算, 也避免了集中式估计要求大量观测数据的输入和在融合中心进行大量的滤波计算, 因而可减小在融合中心的计算负担。由于采用分布式的结构, 某些传感器出现故障, 可由剩余的传感器继续融合估计, 避免了集中式估计由于某个传感器出现故障而使整个系统不能工作的缺点, 所以它具有可靠性。

1 标量加权线性最小方差最优信息融合准则

新近文献[5]给出了一种标量加权融合算法, 与一般的矩阵加权相比, 它是一种次优融合准则, 但由于它只需计算加权标量系数, 避免了计算加权矩阵, 从而减小了计算量。特别是当系统状态维数较高时, 可明显减小计算负担。且仍能在总体上改善每个局部估计, 因而它具有工程应用价值。

引理1设为对n维随机向量z的L个无偏估计, 记估计误差为 (i≠j) 相关, 误差方差和互协方差阵分别为Pi2和P2ij, 则标量加权最优 (线性最小方差) 信息融合无偏估计为:

其中最优融合标量系数āi (i=1, 2, …, L) 如下计算:

其中向量ā=[ā1, ā2, …, āL]T, e=[1, 1, …1]T, 矩阵A= (tr P2ij) (i=1, 2, …, L) 相应的最优信息融合估计的误差方差阵为:

且有关tr P02≤tr Pi2, i=1, 2, …, L。

推论1当估计误差不相关时, 即P2ij (i≠j) , 则标量加权最优融合估计为式 (1) , 其中最优系数为:

相应的最小融合方差阵为:

2 多模型多传感器标量加权最优信息融合Kalman滤波器

考虑带L个传感器的多模型离散随机系统

其中:xi (t) ∈Rni为第i个子系统的状态, yi (t) ∈Rmi为第i个子系统的观测, 白噪声w (t) ∈Rri, vi (t) ∈Rmi分别为第i个子系统的系统噪声和观测噪声, Φi, Γi, Hi, Ci为适当维数的常阵。z (t) ∈Rn是待估计的状态向量, 它通常为xi (t) (i=1, 2, …, L) 的公共状态分量所构成的向量, 且n≤min{ni, i=1, 2, …, L}。

假设1 wi (t) 和vi (t) (i=1, 2, …, L) vi (t) 是带零均值的相关白噪声, 即:

其中δtk是Kronecker delta函数。且∑ij∑i。

假设2初始状态xi (0) 与白噪声wj (t) 和vj (t) (i=1, 2, …, L) 相互独立, 且

本研究目标是基于观测 (yi (t) , yi (t-1) , …yi (1) ) (i=1, 2, …, L) , 寻求最优标量权重āi (t) (i=1, 2, …, L) , 最后求得状态向量z (t) 的标量加权最优 (线性最小方差) 信息融合Kalman滤波器。

引理2多模型多传感器系统 (6) , (7) 在假设1, 2下, 第i个子系统有最优Kalman滤波器

其中:为第i个子系统的滤波估计, kfi (t) 为滤波增益, Pix (t+1|t+1) 为滤波误差方差阵。

定理1多模型多传感器系统 (6) , (7) 在假设1, 2下, 第i个与第j个子系统之间有如下递推的Kalman滤波误差互协方差阵

其中:Pxij (t|t) , i, j=1, 2, …, L, i≠j为第i个与第j个子系统之间的滤波误差互协方差阵, 初值为Pxij (0|0) =0。

证:由Kalman滤波器有第i个子系统滤波误差为:

代入上得:

又因为:

将 (19) 式代入 (20) 式, 因为, 所以

, i, j=1, 2, …, L记号⊥表示正交, 则可引出 (17) 式成立。证毕。

定理2多模型多传感器系统 (6) ~ (8) 在假设1, 2下, 有最优标量加权信息融合Kalman滤波器

其中:标量加权系数āi (t) (i=1, 2, …, L) 由引理1中的 (2) 式求, 且最小融合方差由 (3) 式计算, 基于第i个子系统的局部滤波器zi (t|t) 和局部滤波误差互协方差阵Pzij (t|t) 由下式计算:

其中i=j时, 即为滤波误差方差阵Piz (t|t) 。第i个子系统的滤波器, 局部滤波误差方差阵Piz (t|t) 和互协方差阵Pzij (t|t) , i≠j, 分别由 (11) , (16) , (17) 式计算。

证:对 (8) 式两边同时取在线性流形 ( (L (yi (t) yi (t-1) , …, yi (L) ) ) 上的射影运算引出式 (22) 。再由 (8) 和 (22) 引出 (23) 成立。证毕。

3 仿真研究

考虑3模型3传感器跟踪系统

其中:T为采样周期, 状态s (t) , 分别为目标在时刻t T的位置、速度和加速度。假设wi (t) 和vi (t) (i=1, 2, 3) 是相关高斯白噪声, 且满足如下关系:

w1 (t) =λ1w (t) , w2 (t) =λ2w (t) , w3 (t) =λ3w (t) , vi (t) =γiw (t) +ξi (t) , i=1, 2, 3.已知w (t) 是带零均值、方差为Qw的高斯白噪声。ξi (t) (i=1, 2, 3) 是带零均值、方差各为Qξi (i=1, 2, 3) 的独立的高斯白噪声, 且独立于w (t) 。在仿真中取采样周期T=0.1, , Qw=1, Qξ1=1, Qξ2=2, Qξ3=0.5, H1[1 0], H2[1 1], H3[1 0 0], λ1=0.9, λ2=0.95, λ3=0.013, γ1=0.5, γ2=0.8, γ3=0.9取200个采样数据。

仿真结果如下图所示。

在图1中的实线代滤波融合误差曲线, 其他三条虚线分别代表各子系统滤波误差曲线。由图可看出融合误差明显小于单个估计误差。图2中实现亦代表滤波融合估计曲线, 虚线代表子系统滤波估计曲线[6]。

4 结论

在实际应用中, 单传感器往往存在着不稳定性, 而多传感器则可以克服这些不足。本文对多模型多传感器给出了一种分布式标量加权的最优信息融合Kalman滤波器, 给出了局部子系统之间的滤波误差互协方差阵的计算公式。通过实验仿真可看出融合估计曲线位于中间部分, 代表融合估计综合了各子系统的估计信息, 验证了融合算法的有效性。

参考文献

[1]BAR-SHALOM Y.On the track-to-track correlation problem[J].IEEE Trans on automatic Control, 1981, 26 (2) :571-572.

[2]KIM K H.Development of track to track fusion algorithm[C].Proc of American Conference.Troy:Rensselaer Polytechnic Institute, 1994:1037-1041.

[3]CHEN H, KIRUBARAJAN T, BAR-SHALOM Y.Performance limits of track-to-track fusion versus.centralized estimation:theory and application[J].IEEE trans on Aerospace and Electronic Systems, 2003, 39 (2) :386—398.

[4]邓自立, 祁荣宾.多传感器信息融合次优稳态Kalman滤波器[J].中国学术期刊文摘 (科技快报) , 2000, 6 (2) :183—184.

[5]SUN S L.Multi-sensor optimal information fusion Kalman filter with application[J].Aerospace Science and Technology, 2004, 8 (1) :57—62.

多传感器信息融合及其应用篇8

1 信息融合的定义与原理

多传感器信息融合(MSF)比较确切的定义可以概括为:利用计算机技术对按时序获得的若干传感器的观测信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程.信息融合技术最早应用于军事领域,在军事中把信息融合技术定义为一个处理探测、互联、相关、估计以及组合多源信息和数据的多层次多方面过程,以便获得准确的状态和身份估计,完整而及时的战场态势和威胁估计.在习惯上,很多文献中使用数据融合的概念,实际上在这里数据的含义已经被扩展了,不单单代表狭义上的“数据”,有时可以是信息,甚至是知识.本文将不加以区分地使用信息融合和数据融合这2个名词.

人类的大脑就是一个典型的多传感器信息融合系统.在日常生活中,大脑通过收集来自身体各个传感器(眼睛、耳朵、鼻子、四肢)的信息(景物、声音、气味、触觉),把各类信息进行组合整理,通过先验知识去估计、理解周围环境或正在发生的事情.

在现代工业和军事应用中,多传感器信息融合的基本原理就像人类大脑综合处理各类信息一样,充分利用多个传感器资源,通过对这些传感器及其观测信息的合理支配和使用,把多个传感器在空间或时间上的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,使该多传感器系统由此获得比它的各个组成部分的子集所构成的系统具有更优越的信息处理性能、稳健性和抗干扰能力.需要强调的是应用中用于多传感器信息融合的数据可能具有不同的特征:可能是实时数据,也可能是非实时数据;可能是瞬变的,也可能是缓变的;可能是模糊的,也可能是确定的;可能是相互支持或互补的,也可能是相互矛盾或竞争的.

2 多传感器信息融合的功能模型和层次

2.1多传感器信息融合的功能模型

下面介绍一个简单的多传感器信息融合系统的功能模型(如图1所示),提供一个概貌,说明通用的信息融合系统的功能组成以及各个组成之间的联系.尽管信息融合系统的结构形式多种多样,但其基本的功能原理和作用基本相同[1].

该模型有3个传感器,它们共同监视某一区域.该区域内的目标有不同的运动类型.该模型中,数据融合系统的功能主要有校准、相关、识别、估计.这些功能贯穿整个融合系统.模型的融合功能分2步完成,对应不同的信息抽象层次,第1步是低层处理,对应像素级融合和特征级融合,输出的是状态、特征和属性等;第2步是高层处理(行为估计),对应决策级融合,输出抽象结果,如威胁、企图和目的等.

2.1.1探测

传感器扫描监视区域,每扫描一次区域,传感器即将判断为目标的测量参数报告给信息融合过程.

2.1.2校准

数据校准单元的作用是统一系统内各传感器的时间和空间参考点.在实际应用中,由于各传感器采集信息的频率和通信设备的传输速率不尽相同,各传感器所处的空间位置也有所差异,造成各传感器在时间和空间上是独立的异步工作的,此时必须实现时间和空间的校准,进行时间搬移和坐标变换.多传感器时间校准的方法有泰勒展开修正法、内插外推法和虚拟融合法等,文献[2]中已经做了比较详尽的描述,这里不再赘述;文献[3]给出了空间坐标变换算法.

2.1.3相关

数据相关单元的作用是判别不同时间空间的数据是否来自同一目标.

2.1.4状态估计

状态估计又称目标跟踪.每次扫描结束时将新数据集与原有(以前扫描得到的)数据进行融合,根据传感器的观测值估计目标参数,并利用这些估计预测下一次扫描中目标的位置.

2.1.5目标识别

目标识别亦称属性分类或身份估计,用以确定目标的类别.

2.1.6行动估计

将所有目标的数据集与先前确定的可能态势的行为模式进行比较,以确定哪种行为模式与监视区域内所有目标的状态最匹配.

2.2多传感器信息融合的层次(级别)

对于多传感器信息融合的层次或级别,有着不同的看法,主要有以下3种典型的分层模型:

在文献[1]中按照数据抽象的层次,将数据融合分为3级,即像素级融合、特征级融合和决策级融合.

美国国防部的Joint Directors of Laboratories(JDL)数据融合研究小组将数据预处理后的多传感器数据融合过程划分为4个层次[4](见图2),即:1级融合:目标状态估计和属性估计;2级融合:战场态势估计;3级融合:敌方威胁估计;4级融合:处理精炼.

有的专家[5,6]则根据数据融合功能层次性和信息流通方式及传输形式,将传感器融合分为5级,即检测级融合、位置级融合、属性级融合、态势评估和威胁估计.

以上3种数据融合的分层方式虽然在表述的外在形式上有所差异,但其包括的内涵基本相同,即从各个不同角度给出了信息融合的过程:信息检测→特征提取→数据关联→态势估计.

在实际的多传感器信息融合系统工程应用中,不能生搬硬套所谓的经典理论,应具体情况具体分析,综合考虑传感器的性能、系统的计算能力、通信带宽、期望得到结果精度以及资金等各方面因素,选择以上的一种或者几种适合自己的数据融合模型予以应用.

对于多传感器信息融合技术在工程中的具体应用,将在第4节中予以介绍.

3 多传感器信息融合的技术和方法

3.1信息融合的技术

多传感器信息融合通过信号处理技术、图像处理技术、模式识别技术、估计技术以及自动推理技术等多种技术提高状态感知能力.该技术广泛用于自动目标识别、敌/我/中立方识别(IFFN)处理以及自动状态评估等应用领域,关键技术有:

·多目标跟踪的信息融合技术;

·多假定跟踪和相关技术;

·随机数据关联滤波(PDAF)技术;

·交互式复合建模(IMM)技术;

·目标机动信息处理技术;

·非线性滤波技术;

·融合结构技术(集中式结构与分布式结构);

·相似传感器融合技术(结构、算法和方法);

·不相似的传感器融合技术;

·传感器对准技术(包括各种类型的对准难题及其解决技术);

·特征融合技术(识别/分类、证明推算、专家系统、神经网络、模糊逻辑、贝斯网络等).

3.2信息融合的方法

目前信息融合有上百种算法,比较成熟的多传感器信息融合算法有:贝叶斯估计法、聚类分析法、证据理论法、熵法、鲁棒估计法、递归算子法、卡尔曼滤波法、最优理论法、加权平均法、D-S算法、代数法、品质因素法、基于模板法、计划认识法、一般专家系统法[7]等.近年来,还出现了用于信息融合的计算智能方法,主要包括:模糊集合理论、神经网络、粗集理论、小波分析理论和支持向量机等.

4 多传感器信息融合的应用

信息融合技术最早源于军事领域,但由于其巨大应用潜能和广阔的发展前景,近几十年信息融合技术在民事应用领域也得到了较快发展.

4.1信息融合技术在军事方面的应用

目前世界各主要军事大国都竞相投入大量人力、物力、财力进行数据融合方面的研究,并已经取得显著的研究成果.美、英、法、意、日等国已经研究出了上百个军用数据融合系统.典型的如美国的“全源信息分析系统”(ASAS) 、“战术陆军和空军指挥员自动情报保障”系统(LENSCE) 、“敌态势分析系统”(EN2SCS)[8];英国的“炮兵智能信息融合”系统(AIDD)、“机动和控制”系统(WAVELL)[9]、“分布式数据融合系统”;加拿大海军开发的AAWMSDF(海军防空多传感器融合系统)[10]等.

英国BAE系统公司开发的“分布式数据融合”(decentralized data fusion,DDF)系统独特之处在于它采用的是分布式数据融合[11]技术,而传统的数据融合都是集中式的,即所有的信息在一个中心节点完成综合和融合.这样,一旦中心节点遭到攻击,就会破坏整个系统.但采用DDF技术的系统就不存在这样的问题,因为综合和融合是在网络中的任何节点上进行的.若一个节点脱离网络,其他部分仍会继续工作并共享、综合和融合信息.

BAE系统公司已成功验证了将地面和空中的分散传感器组网互联并融合其信息的技术.使传感器网络中的全部数据都被实时地综合和融合到了1幅单一的作战空间态势图中.该公司在试验中成功地在8个节点之间进行了组网互联.这8个节点包括2架自主式UAV、1台战场监视雷达、1台武器定位雷达、2名带有电子式双眼望远镜及掌上电脑的士兵和2名乘坐吉普车在试验场上机动的士兵.整个网络可以动态地进行重新布局.一旦武器定位雷达检测到“敌”火炮开火,自主式UAV可立刻得到相关信息,并迅速飞往有关区域进行调查;战场侦察雷达可跟踪地面机动目标,即使该目标离开了视线,该雷达仍可对目标保持“虚拟跟踪”或“虚拟警戒”,一旦某架UAV飞越了一个不同的传感器,它将把该传感器引入这个网络,从而使单一态势图中的信息更为完备和准确.

4.2信息融合技术在民事方面的应用

经过几十年的发展,信息融合技术在民用领域已经有着广泛的应用前景,主要用于目标识别、智能交通、物体跟踪、工业机器人、故障诊断、反馈控制等领域[12].下面仅以汽车自动无人驾驶为例说明信息融合技术在民事方面的应用.

汽车自动无人驾驶控制系统,该系统由差分全球定位系统(DGPS)、惯性传感器(INS)、数字地图(DM)、立体图像传感器(SVS)、激光探测器(LS)和雷达(Radar)系统组成.其中差分全球定位系统、惯性传感器、数字地图是用来确定汽车行驶地理位置和方向,并检测路面的几何形状;图像传感器主要识别和跟踪汽车行驶路面边缘;激光探测器和雷达完成汽车行驶过程中路况和前方障碍物等信息的检测.系统将各传感器输出的信号通过卡尔曼滤波后进行信息融合,从而得到汽车行驶路面的情况,通过控制机构实现汽车自动无人驾驶[13].在自动驾驶系统中识别障碍物的算法结构如图3所示.

采用CLARK(Combined Likelihood Adding Radar)算法进行精确测量障碍物位置和道路状况,CLARK算法使用视觉图像的对比度和颜色信息探测目标,使用矩形模板法识别目标.CLARK算法首先对雷达信号进行卡尔曼滤波,以剔除传感器输出的强干扰,其状态方程和观测方程如下

式中,R(t)为前方障碍的真实距离(未知);undefined是其速度(未知);D(t)为距离观测值;△t为2次观测的间隔时间;w(t)和v(t)为高斯噪声.给定D(t),由卡尔曼滤波器估计R(t)和undefined的值,并把估计值undefined作为距离输入值,使用undefined和D(t)的差值确定所用矩形模板的偏差.

在探测到障碍后,CLARK算法将这些信息整合到道路探测算法LOIS(Likelihood of Image Shape)中,使用七维参数探测法(三维用于障碍,四维用于道路),同时给出障碍和道路预测的最好结果.其公式为

undefined

式中,Tb、Tl、Tw为相平面内矩形模板的底部位置、左边界和宽度的3个变形参数;[xr(t), xc(t)]为变形模板相平面的中心;[yr(t), yc(t)]为雷达探测并经卡尔曼滤波的障碍在相平面的位置.将地平面压缩变换为相平面,σr2(t)为undefined的实时估计,σc2(t)为相平面内一个路宽的值(3.2 m),tan-1的压缩比率在相平面内不小于Tmin(路宽的一半),不大于Tmax(路宽).通过求解式(2)后验证P(k′,b′left,b′right,vp,Tb,Tl,Tw|[yr(t),yc(t)],Observed Image)的最大值获得障碍和道路目标.

本例很好地应用了文献[1]的分层模型,即图像传感器完成像素级融合、激光探测器和雷达完成特征级融合,最后实现无人驾驶,则属于决策级融合.

随着数据融合技术的日渐成熟,其在军用、民用方面的界限变得越来越模糊,一些民用中好的数据融合算法也可以应用到军用中去,同时一些军用的数据融合算法又促进了民用数据融合技术的发展.

5 结束语

目前多传感器信息融合技术尚处于不断发展变化阶段,随着理论研究的进展和工业技术的发展,可以预计多传感器信息融合技术将在以下几个方面取得进展:

(1)完善信息融合的基础理论,建立统一的信息融合领域,研究并完善实用的信息融合算法分类,并统一信息融合分层方法;

(2)改进信息融合算法,在完善原有算法的基础上充分吸收其他学科、领域的最新研究成果,研究适于在并行机上处理的融合算法;

(3)建立多传感器信息融合评价体系.

多传感器数据融合作业篇9

在使用检测装置获得系统信息时, 通常检测参数间都存在着交叉灵敏度影响, 其具体表现是在传感器的输出值不仅取决于一个被测参量, 而其他参量变化时输出值也要发生变化。例如, 油品含水量检测过程中就存在温度的交叉灵敏度影响, 存在交叉灵敏度的传感器, 其性能不稳定, 测量精度较低, 为了提高目标参数测量灵敏度, 消除其他干扰量的影响, 提高目标参数的辨识能力, 多传感器信息融合是有效的方法之一。

1 曲面拟合基本原理

多传感器信息融合的方法有多种, 这里用回归分析法, 且以二传感器信息融合为例, 介绍二次曲面拟合法。其基本原理是:由二维回归方程来建立被测目标参量与传感器输出量之间的对应关系, 按最小二乘法原理[1], 由实验标定/校准数据计算出均方误差最小条件下的回归方程中的系数。这样, 测得了传感器的输出值, 就可以由已知系数的二维回归方程来计算出相应的输入目标参数。在油品水分测量系统中, 样品温度对水分测量的影响较大, 所以在测量水分含量时需要消除温度的影响。如果测量时只对水分传感器进行一维标定实验, 被测水分值有较大的误差, 所以水分参量W需要用水分传感器的输出电压Um和温度传感器的输出电压Ut的二元函数来表示。即W=f (Um, Ut) 。

由坐标 (Umi, Uti) 决定的Wi在一个平面上, 可利用二次曲面拟合方程, 即二维回归方程来描述, 如下关系式 (1) [1,2]:

$\begin{array}{l} W = a_{0} + a_{1} U_{m} + a_{2} U_{t} + a_{3} U_{m}^{2} + \\ a_{4} U_{m} U_{t} + a_{5} U_{t}^{2} + σ (1) \end{array}$

式中:a0～a5为常系数;σ为高阶无穷小。

如果上述方程中的常系数已知, 则检测油品水分含量时只要采集到传感器的输出Um, Ut即可测量出油品中的水分含量, 所以要进行标定实验, 以便使用标定的输入和输出值由最小二乘法原理确定拟合方程的系数。

2 曲面拟合步骤

2.1 实验标定

在传感器的量程内确定n个水分标定点, 在工作温度范围内确定q个温度标定点, 即:

$\begin{array}{l} W_{i} : W_{1} ‚ W_{2} ‚ \dots, W_{n} \\ t_{j} : t_{1}, t_{2}, \dots, t_{q} \end{array}$

对传感器进行静态标定如下:在q个不同温度状态下, 测得不同标准含水量下的水分传感器输出值Um;在n个不同标准含水量下, 测得不同温度时样品温度传感器的输出值Ut。实验中, 使用电容传感器对机油进行标定, 可得表1所示的实验数据标定表。

对应于上述各标定点的输入值读取相应的输出值Umi和Uti, 利用LabVIEW进行编程, 最终得到式 (1) 常系数a0～a5的值。如果上述常系数已知, 那么检测水分W和输出Um和Ut的二元输入/输出特性方程式 (1) 就可确定。当采集到工作范围任意温度下传感器的输出值Um, Ut时, 通过式 (1) 用基于LabVIEW设计的虚拟仪器即可得到被测量W。

2.2 二次曲面拟合方程待定常数的确定

为确定式 (1) 所得到的曲面拟合方程系数, 利用最小二乘法原理, 求得的系数值均满足均方误差最小条件。即由二次曲面拟合方程计算得到的W (Umk, Utk) 与标定值Wk之间存在误差Δk, 其方差为:

$Δ k^{2} = [W_{k} - W (U_{m k} ‚ U_{t k})]^{2} ‚ k = 1 ‚ 2 ‚ 3 ‚ \dots ‚ q \times n$

总计有qn个标定点, 其均方差Rl应最小[1]:

$\begin{array}{l} R_{l} = \frac{1}{q n} [(W_{k} - (a_{0} + a_{1} U_{t k} + a_{2} U_{m k}^{2}) + a_{4} U_{m k} U_{t k} + \\ a_{5} U_{t k}^{2})]^{2} = R_{l} (a_{0} ‚ a_{1} ‚ a_{2} ‚ a_{3} ‚ a_{4} ‚ a_{5}) \end{array}$

由上式可知均方误差Rl常系数的函数, 根据多元函数求极值条件, 令下列偏导数为零, 即:

$\partial R_{l} / \partial a_{i} = 0 i = 0, 1, 2, \dots, 5$

则可得如下6个方程:

${\begin{cases} a_{0} l + a_{1} A + a_{2} B + a_{3} C + a_{4} D + a_{5} E = Ο \\ a_{0} A + a_{1} C + a_{2} D + a_{3} F + a_{4} G + a_{5} Η = Ρ \\ a_{0} B + a_{1} D + a_{2} E + a_{3} G + a_{4} Η + a_{5} Ι = Q \\ a_{0} C + a_{1} F + a_{2} G + a_{3} J + a_{4} Κ + a_{5} L = R \\ a_{0} D + a_{1} G + a_{2} Η + a_{3} Κ + a_{4} L + a_{5} Μ = S \\ a_{0} E + a_{1} Η + a_{2} Ι + a_{3} L + a_{4} Μ + a_{5} Ν = Τ \end{cases} (2)$

式中:

$\begin{array}{l} l = q n \\ A = \sum_{k = 1}^{l} U_{m k} \end{array}$

; $B = \sum_{k = 1}^{l} U_{t k}$ ; $C = \sum_{k = 1}^{l} U_{m k}$ ; $D = \sum_{k = 1}^{l} U_{t k};$

$E = \sum_{k = 1}^{l} U_{t k}^{2}$ ; $F = \sum_{k = 1}^{l} U_{t k}^{3}$ ; $G = \sum_{k = 1}^{l} U_{t k}^{2};$

$Η = \sum_{k = 1}^{l} U_{m k} U_{t k}^{2}$ ; $Ι = \sum_{k = 1}^{l} U_{t k}^{3}$ ; $J = \sum_{k = 1}^{l} U_{m k}^{4};$

$Κ = \sum_{k = 1}^{l} U_{m k}^{3} U_{t k}$ ; $L = \sum_{k = 1}^{l} U_{m k}^{2} U_{t k}$ ; $Μ = \sum_{k = 1}^{l} U_{m k} U_{t k}^{3};$

$Ν = \sum_{k = 1}^{l} U_{t k}^{4}$ ; $Ο = \sum_{k = 1}^{l} W_{k}$ ; $Q = \sum_{k = 1}^{l} U_{t k} W_{k};$

$R = \sum_{k = 1}^{l} U_{m k}^{2} W_{k}$ ; $S = \sum_{k = 1}^{l} U_{m k} U_{t k} W_{k}$ ; $Τ = \sum_{k = 1}^{l} U_{t k}^{2} W_{k}$

根据文中所给传感器的二维实验标定数据 (如表1所示) , 用LabVIEW公式编辑出A-T的算法, 利用LabVIEW中数组元素相加 (Multiply) , 该VI的功能可以将数组中所有元素逐一相加求和。获取系数A-T程序如图1所示。图2为运行后获得的A-T系数。

将A-T的单个值组建成二维数组, 然后按式 (1) 通过求解线性方程 (Solve Linear Equations VI) 便可求得方程系数a0～a5的值。由式 (1) 可得到矩阵方程:

$[\begin{matrix} l & A & B & C & D & E \\ A & C & D & F & G & Η \\ B & D & E & G & Η & Ι \\ C & F & G & J & Κ & L \\ D & G & Η & Κ & L & Μ \\ E & Η & Ι & L & Μ & Ν \end{matrix}] [\begin{array}{l} α_{0} \\ α_{1} \\ α_{2} \\ α_{3} \\ α_{4} \\ α_{5} \end{array}] = [\begin{array}{l} Ο \\ Ρ \\ Q \\ R \\ S \\ Τ \end{array}]$

式中:l=qn=6×4=24, 将所得数值l, A, B, C, D, E通过数组创建 (Build Array) 的VI可得到矩阵A第一行数组 (first line) 。以次类推分别创建矩阵A第二行、第三行…第六行数组。将六组数组再次用build array VI组建成二维六行六列的数组。图3为获取系数a0～a5的程序框图。将所得方程矩阵与Wk的值经解线性方程 (Solve Linear Equations VI) 的VI求得最终a0～a5的方程系数。

运行LabVIEW后在前面板如图4所示, 得到a0～a5的百分比系数值为:

$\begin{array}{l} a_{0} = 22.716 4; a_{1} = - 1.720 89; a_{2} = 6.143 4; \\ a_{3} = - 4.785 59; a_{4} = 3.236 93; a_{5} = - 0.712 424 \end{array}$

所以当水分传感器的输出电压为Um, 温度传感器的输出电压为Ut时, 水分参量W与Um和Ut二元函数为:

$\begin{array}{l} W = 22.716 - 1.721 U_{m} + 6.143 U_{t} - 4.786 U_{m}^{2} + \\ 3.237 U_{m} U_{t} - 0.712 U_{t}^{2} \end{array}$

因此当采集到传感器的输出值Um, Ut时, 根据方程式 (2) 就可以计算传感器的被测参量W。

3 结语

传感器信息融合处理是一个测试中常遇到的问题, 数据融合没有统一的方法, 需要针对不同的应用背景采取有效的处理手段, 选择相应的融合算法, 本文以LabVIEW软件作为开发平台, 探讨二维回归分析法, 使用最小二乘法原理, 对测量的多传感器信息进行融合, 从而保证在多种因素影响下目标参数测量的准确性。

摘要：以LabVIEW软件作为开发平台, 使用最小二乘法原理, 对多变量因素通过曲面拟合的方法求得被测量的拟合方程。这使得油品水分检测过程中水分传感器输出信息和环境温度信息可以有效地融合。与单依靠水分传感器输出电压测量法对比, 这种实现方法简单、可靠, 提高了目标参数测量的辨识能力, 从而保证在温度影响下油品水分的测量准确性。

关键词：曲面拟合,信息融合,虚拟仪器,LabVIEW

参考文献

[1]李庆扬.数值分析[M].武汉:华中理工大学出版社, 1996.

[2]侯国屏, 叶齐鑫.LabVIEW7.1编程与虚拟仪器设计[M].北京:清华大学出版社, 2005.

[3]周箭.虚拟仪器及其技术研究[J].浙江大学学报, 2000, 34 (6) :686-689.

[4]罗桂娥.油品含水量智能检测仪的开发与信息融合技术的研究[D].长沙:中南大学, 2002.

[5]罗桂娥, 杨欣荣, 曾明.采用虚拟仪器技术的油品含水量检测系统[J].电子技术应用, 2003 (1) :75-78.

[6]刘君华.基于LabVIEW的虚拟仪器设计[M].北京:电子工业出版社, 2003.

[7]雷勇.虚拟仪器设计与实践[M].北京:电子工业出版社, 2005.

[8]陈敏, 杨欣荣.测量油品含水量的射频电容式传感机理[J].传感器技术, 2002 (7) :15-17, 20.

【多传感器数据融合作业】推荐阅读：

多传感器数据融合06-28