多传感器测试（精选5篇）
多传感器测试 篇1
多传感器信息融合技术是20世纪80年代形成和发展的一种自动化信息综合处理技术。20世纪80年代初, Barshalom[1]就研究了带独立噪声的两传感器子系统之间的相关性。多传感器充分利用了多源数据的互补性及电子计算机运算的高速性和智能性, 大大提高了信息处理结果的质量。随着应用系统日益扩大, 所需的功能也越来越复杂, 传感器的种类也相应的增多。原来的单一传感器检测技术已不能满足要求, 于是对多传感器融合技术的研究也越来越多, 文献[2,3]在正态分布的假设下分别给出一种极大似然融合准则, 但融合时计算加权矩阵需要求解一个较高维数的矩阵的逆, 不便于实时应用。文献[4]给出了一种标量加权的信息融合算法, 但其假设局部状态估计误差不相关, 这不符合一般情形, 所以只能获得次优信息融合滤波器。
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.
[6]邓自立, 王欣, 高媛, 等.建模与估计[M].北京:科学出版社, 2007:127—256.
多传感器测试 篇2
智能手机可以做的事情越来越多，除了越来越强大的通讯和计算能力之外，它的随身性带来了另一大需求，即成为人类感知的延伸。还记得在刚刚发布的iPhone SE中，取消并不起眼的气压计，就引来果粉的口诛笔伐，可见人们对“功能”的需求十分旺盛。然而，借助小小的手机所集成的越来越多的传感器，只要你想得到并利用合适的App，它就变身为各种工具，比功能繁多的瑞士军刀还更令人眼花缭乱。
下面我们将针对不同功能需求，带来使用智能手机工具的奇思妙想，每类功能涉及多种传感器，甚至是需要它们组合工作才可以实现相应功能。然而这一切功能极度依赖你手中的设备，作为隐藏的投入，传感器多少往往代表着手机功能的强大与否，这与性能无关，一些冷门却功能强大且很昂贵的传感器，会因成本问题而被阉割掉。别抱怨，高端与低端产品的差异，往往不在于CPU、内存、屏幕、存储这些掰着手指数得出来的配置。
健康
涉及传感器：计步器、心率计、血氧计
随着健康问题日趋被人们所重视，人们更愿意每时每刻都能将身体状况呈现数据化。因此近几年手机的传感器中也涉及了很多此方面的功能。比较常见且可以直接量化的功能是如下3个传感器，这一大领域有快速发展的态势。
计步器：对，它就是风靡朋友圈的多项徒步记录App的主导元器件，虽然经常有人抱怨它的数据不准确，还常有人恶搞计步器的功能，但对于每日的步行数它还是最方便的获取方式之一。
心率计：大家对于它也不陌生，很多智能手表、心率带上都有该装置，只不过它所呈现的数据更适合于有大运动量计划的用户参考，特别是有心脏病史的用户应该关注。
血氧计：这是近年来体现在智能手机中的传感器，有了这个数值作参考，用户可以更及时了解自身的血氧水平值，以便有心脑血管病的用户及时治疗。
位置
涉及传感器：位置传感器、卫星定位
这一类传感器，相信是大家最早接触的常用传感器之一，诸如地图类App、搜索类App的快速发展，都是基于它之上的。但有些时候一些App应用会将你的位置信息所保留并加以分析，所以尽量还是对可信赖的App授权其进行位置获取，不然可能会遇到不小的麻烦。
位置传感器：通过它不仅可以实现你的地点搜索、位置定位，还让你快速找到想要的餐厅或者告诉你距离最近的餐厅有多少公里及路线。
卫星定位：这个对于有车一族就更有用了，它能实现实时导航功能以及精准对时功能，理论上讲在世界任何角落都不会走丢。
环境
涉及传感器：气压/高度、温度、湿度、光线/紫外线
环境传感器，其实就是让人们所处环境中可以感知的自然因素可量化
气压/高度、温度、湿度、紫外线：其实这几项和我们的日常最贴近，但就算知道了具体室外温度、湿度、紫外线强度，除了发朋友圈吐槽下还能有什么用呢？难道真的能立刻变出一把太阳伞、一瓶防晒霜么？
光线控制器：就日常应用来讲，诸如屏幕亮度自动调节、手机拍照时的白平衡等功能都是需要这个控制器来辅助完成的。
运动
涉及传感器：三轴（线、角）、跌落、旋转、重力、加速度
角动量守恒，一个正在高速旋转的物体（陀螺），它的旋转轴没有受到外力影响时，旋转轴的指向是不会有任何改变的。陀螺仪就是以这个原理作为依据，用它来保持一定的方向。3轴陀螺仪可以替代3个单轴陀螺仪，可同时测定6个方向的位置、移动轨迹及加速度。
这里讲到的运动并非健康运动，而是通过手机本身的旋转，跌落、加速度等操作实现更多数值的反馈。
陀螺仪：这对于智能手机来讲可是相当重要的传感/控制器，有了它再配合3轴陀螺仪就可实现诸如体感（摇一摇）、VR、惯性导航等功能，是未来潜力最大、最具智能化体验的工具。
重力控制器：简单来看，当智能手机横竖屏切换、拍照片的朝向、诸如滚钢珠类游戏，都是应用到了这个控制器。
工具
涉及传感器：角度、长度、距离、压力、声音、磁场、霍尔
其实，上述这些传感器除了最后的霍尔功能外，其他应该都很容易理解。很多人讲智能手机的普及度不断攀升，真的让低端工具类设备厂商雪上加霜。但是有一点，智能手机始终是不让带到高考考场的，而且在精密程度以及可信度上也是存在疑虑的，因此很多物理工具设备短时间是不会退出这个历史舞台的。
霍尔：目前了解到的应用主要是翻盖自动解锁、合盖自动锁屏功能都是通过霍尔磁电效应实现的，并不是我们理解的利用红外光线传感器来实现的。
安全与支付
涉及传感器：NFC、指纹
随着各种Pay的互联网支付模式被认同，人们越来越少地携带钱包出行，一部手机几乎涵盖了日常的方方面面：乘坐地铁NFC刷卡进站，绝大多数餐厅、超市、便利店均支持移动支付，因此相对安全系数更高的指纹传感器就自然地成为用户支付时的一种快捷授权方式，这也是智能手机厂商所注重的关键所在。
指纹传感器：目前主流智能手机采用的是电容式指纹识别传感器，但从2015年开始识别速度更快、识别率更高的超声波指纹识别会逐渐普及。
总结
多传感器测试 篇3
2009年2月, 北京中科泛华测控技术有限公司在深耕传感器测试领域又推新品———角位移传感器测试系统。该系统主要用于磁感式角位移传感器的校准和终检测试。角位移传感器测试系统可在稳定的环境温度范围内, 采用通讯方式获取DUT原始数据, 并对DUT进行校准和编程, 最后测量DUT的输出信号并进行验证测试。
角位移传感器在检测方面有着较高的精确性要求, 如对环境温度方面的恒定要求, 对运动机构的精确控制要求等。泛华测控的角位移传感器测试系统在温度控制、机械结构设计和运动机构控制与测试方面均达到了高精度的测试要求。如环境温度控制的精度要求可达±0.50℃;系统电机旋转时主轴的跳动小于0.006 mm;机械结构中的同轴度和平行度的偏差均小于0.025 mm。这些指标有效保证了测试结果的精确性、可靠性。同时, 该系统特有的校准功能有效避免了由于校准与测试分离带来的测试误差。
该系统的整体设计以“柔性测试”技术为核心设计理念, 充分结合了通信网络技术、软件技术和虚拟仪器技术, 具有很强的适应性、灵活性和扩展性, 可实现对角度传感器一步到位的测试操作。该系统可广泛使用于汽车、航空、工业等各行业角度传感器的校准与测试。欢迎访问www.pansino.com.cn。
多传感器测试 篇4
关键词：无线传感器网络 移动锚节点 定位算法
0 引言
无线传感器网络（Wireless Sensor Network， WSN）是由大量的静止或移动的传感器以自组织和多跳的方式构成的无线网络，以协作地感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息， 并最终把这些信息发送给网络的所有者。
无线传感器网络所具有的众多类型的传感器，可探测包括地震、電磁、温度、湿度、噪声、光强度、压力、土壤成分、移动物体的大小、速度和方向等周边环境中多种多样的现象。潜在的应用领域可以归纳为： 军事、航空、防爆、救灾、环境、医疗、保健、家居、工业、商业等领域。
传感器的准确定位既是监测目标位置信息的前提，也是实现网络拓扑管理、目标跟踪、目标轨迹预测等网络功能的基础。如何以较少的网络成本获得较多的锚节点位置信息，在网络成本与定位性能之间取得平衡是实际应用中值得研究的问题。目前比较实用的定位方式是利用一些带有GPS装置的移动锚节点按照有效规划的移动路径遍历整个监测区域，通过发送包含自身坐标的信标数据包来定位区域中的未知节点。该方法有效避免了无线传感器网络的资源浪费。对于该定位方式，移动锚节点的路径规划问题是需要解决的基本问题。
1 国内外研究现状
无线传感器网络移动锚节点定位技术领域主要集中在两个方面，即移动锚节点的路径规划问题以及移动锚节点的定位算法。
2 移动锚节点路径问题
移动锚节点的定位算法中，移动锚节点发送包含其自身位置信息的信标数据包，在其移动过的路径上形成多个虚拟锚节点，未知节点利用通信范围内的虚拟锚节点的坐标信息进行定位。有不少研究人员在移动锚节点路径方面做了研究，也取得了相应的成绩。移动锚节点路径问题大致可分为两类：静态移动锚节点路径和动态移动锚节点路径。
2.1 静态移动锚节点路径
静态移动锚节点路径是指：移动锚节点按照预先规划好的路径在网络中移动，研究正六边形移动路径的移动锚节点定位算法中，假设监测区域是正方形，移动锚节点在监测区域中按照正六边形的移动路径移动，移动锚节点每隔周期广播包含自身坐标信息在内的信标数据包。信标数据包的广播位置形成了若干个相邻的正三角形。未知节点接收通信范围内的移动锚节点信标信息，当收到满足条件的信标信息后，未知节点用相应的定位算法计算自身位置。以上提到的算法相对于动态路径规划简单易于实现，但是它们无法根据节点分布状态而灵活地变化。
2.2 动态移动锚节点路径
动态移动锚节点路径，即根据网络中节点的分布情况和移动锚节点当前位置来确定移动锚节点下一个位置。移动锚节点根据接收到的网络信息自适应调节移动路径。动态路径是不规则的图形，它利用未知节点分布信息动态调整，并且使移动路径较短，从而弥补了静态路径的短处。
3 移动锚节点的定位算法
移动锚节点的定位算法分为两类：一类是静态锚节点与移动锚节点定位未知节点，另一类只是移动锚节点定位未知节点。
3.1 静态锚节点与移动锚节点定位未知节点
MBAL和APP定位算法是典型的静态锚节点与移动锚节点的定位算法，移动锚节点通过未知节点发送的定位请求消息周期性地选择下一个移动位置，并广播包含自身坐标。未知节点通过RSSI测距方法并接收到三个以上不共线的锚节点坐标来计算出自身位置。然后，变换为静态锚节点与移动锚节点定位未知节点。
3.2 移动锚节点定位未知节点
利用移动锚节点发射信号的强度、位置信息和贝耶斯估计方法进行未知节点的位置估计。
4 小结
可以发现，尽管也有使用移动锚节点辅助定位的算法研究，但是大部分的研究主要停留在静态移动锚节点的路径规划上，并且路径规划大多针对单个移动锚节点，这种路径规划存在虚拟锚节点共线，移动路径较长和定位时间较长等问题。能精确定位的算法比较少且大多数研究都是假设在理想环境下，即没有障碍物的环境下，忽略了实际应用中存在障碍物的情况。因此障碍物环境下无线传感器网络多移动锚节点定位算法研究，使移动锚节点能在绕开障碍物的前提下，完成对网络中未知节点的精确定位，达到定位精确度高、定位覆盖范围广且定位时间短三个基本要求。
参考文献：
多传感器测试 篇5
摘 要：针对目前煤炭企业生产安全监控系统的结构特点，分析了单一传感器信息采集存在的问题，提出了基于嵌入式智能代理的多传感器信息融合的方法来提高系统信息的精确性和可靠性。在智能代理技术的基础上，确定了煤矿多传感器信息融合的结构模式，建立了多级信息融合的模型。该模型有效地构成了智能分布式监控系统，对于提高煤炭安全生产具有重要意义。
关键词：煤炭企业；智能代理；多传感器信息融合
中图分类号：TP273文献标识码：A文章编号：1672-1098(2008)01-0061-04
收稿日期：2007-09-05
基金项目：安徽省教育厅自然科学研究资助项目(2006KJ016C)
作者简介：胡胜利(1978-)，男，安徽淮南人，在读博士，讲师，主要从事信息融合、计算机支持的协同工作等研究。
Research on the Information Integration Model of
Embedded Multi-sensor
HU Sheng-li1,2,DING Rui-guo3,LIU Pan2
(1. School of Computer Science And Engineering,Anhui University of Science and Technology, Huainan Anhui 232001, China；2. School of Mechanics, Electronics and Information Engineering , China University of Mining and Technology, Beijing 100083, China；3. Liuan Human Resource Center, Liuan Anhui 237005,China）
Abstract: Aiming at the characteristics of current work safety monitoring system in coal mining enterprises, information collection problem with single sensor was analyzed. Multi-sensor information integration based on embedded intelligent agent technique was put forward to improve the systems information precision and reliability. Based on intelligent agent, multi-sensor information integration structure model for coal mines was defined, and the multi-level information integration model was built. The model is significant to improve work safety in coal mines.
Key words:Coal mining enterprise;intelligent agent;multi-sensor information integration
煤炭企业作为我国重要的、传统的能源工业，对国民经济的发展具有重要的意义。在煤炭企业生产管理的各个环节中，生产的安全监控又极其重要。目前，生产的安全监控主要包括瓦斯监控、风速测量、温度测量等环境参数，也包括煤仓煤位、水仓水位、压风机风压、各种机电设备开停等生产参数的监控［1］。监控信息的准确性又是整个系统的关键。然而现有的监测系统不论是基于标准模拟信号传输的集散式监测系统，还是基于串行通信技术的分布式监测系统，都是将各个单一传感器的检测输出信号直接作为系统的采集信息。由于煤矿井下的工作环境较为恶劣，各种传感器大都是非线性，各种干扰会对监测系统的测量产生严重的影响，使得传感器的输出信号不能准确地反映被测物理量，造成测量准确度不高，稳定性差等问题。多传感器的信息融合理论的研究将为解决这一问题提供有效的理论依据。
另外，生产监测的各种信息都是通过单片机与上位机进行通信，在上位机进行集中式信息融合。这样容易造成上位机信息量过大，处理速度较慢。现有的单片机侧重于控制，软件功能弱，难以实现较为复杂的分析和计算。随着硬件和软件技术的快速发展，嵌入式系统却完全可以实行较为复杂的运算，从而实现在采集端对信息进行处理，以避免信息集中的缺点。
1 多传感器信息融合
近几年来，多传感器信息融合MSIF（Multi-sensor Information Fusion）技术发展很快，受到人们的普遍重视，频繁地被许多军事和非军事领域所引用［2-3］。多传感器信息融合实际上是对人脑综合处理复杂问题的一种功能模拟，充分利用多传感器资源，通过对这些传感器及观测信息的合理支配和使用，将各种传感器在空间或时间上的冗余或互补信息依据某种准则进行组合起来，产生对被测对象的一致性解释或描述。其目的是基于各传感器分离的观测信息，通过对信息的优化组合导出更多的有用信息。它的最终目标是利用多传感器共同或联合的操作优势，来提高整个传感器系统的有效性，消除单个或少量传感器的局限性。
因此，多传感器系统比由它的各组成部分的子集所构成的系统更有优越性。在多传感器数据融合系统中，各种传感器的数据可以具有不同的特征，可能是实时的或非实时的、模糊的或确定的、互相支持的或互补的，也可能是互相矛盾或竞争的。它与单传感器数据处理或低层次的多传感器数据处理方式相比，更能有效地利用多传感器资源。
2 嵌入式智能代理
由于目前煤矿生产监测的各种信息都是通过单片机与上位机进行通信（见图1）。
图1 基于单片机的数据传输
如果把现场的信息能直接进行处理，再进行传输，那会大大提高传输的速度和精度。采用嵌入式智能代理技术恰好可以解决这个问题［4-5］。目前嵌入式系统已经在家电、通信、工业控制等方面得到了广泛使用，使用嵌入式智能代理技术就是在采集端使用嵌入式系统PC(Personal Computer)对信息进行数据融合处理，对现场的设备或安全状态做出判断和预测，然后将处理结果通过网络进行传输（见图2）。
图2 基于嵌入式智能代理的数据传输
嵌入式智能代理的采用，把传统意义上的简单的数据传输，转变为决策分析所需的信息传输，大大减少了网络传输的数据量，降低了系统对网络性能的依赖程度。传感设备信号可采集量的多少，很大程度上依赖于嵌入式智能代理的数据处理能力。当前，计算机芯片的运算能力已达到了每秒数百亿次，数字信号处理芯片的发展以及多芯片处理技术的发展也是日新月异，已能够满足系统的运算要求。另外，嵌入式智能代理也增加了远程分析的可操作性，由于实现了信息传输，只要能上网，即使决策人员在移动过程中（如汽车）也可对其进行实时的监测和诊断。
在对信息进行信息融合时， 其性能评估的结果往往是对多个传感器信号反馈信息的加权和。
P=A1×W1+A2×W2+…+A璱×W璱+
A璶×W璶（1）
式（1）中： 玏璱为各传感器的反馈信息（i=1,…,n）；A璱为对应的权值系数（i=1,…, n）； n为传感器通道数。
例如在瓦斯监控中，监控系统与瓦斯、一氧化碳、风速、负压、温度等因素都有关系，每种因素影响的程度又都不一样。有时现场情况发生变化，各种因素的影响程度又会发生变化［6］，因此，整个系统要具有适应性，必须能对式（1）中的各个变量进行调整，其中包括：①改变各传感器反馈信息在评估中所占的权值系数；②增加或减少传感器的反馈信息量；③改变传感器的通道数。在现有的实时监控系统中，对权值的调整比较好实现，但对后两种的调整难以实现。而在系统中使用嵌入式技术，可根据实际环境和预测决策需求，及时增加某一个或几个传感器的反馈信息量，以提高预测决策的准确性。即使在工作环境发生巨大改变，原有的传感器无法满足需要时，也可通过适当增加传感器的通道数来保证监控质量。
3 嵌入式多传感器信息融合模型
3.1 嵌入式系统结构
在现有的井下生产监控系统结构中（见图3），玁1，N2，N3为嵌入式智能代理结点，S1……S璱为各个传感器。整个系统分为两部分：嵌入式智能代理和计算机网络通信。代理结点处于系统的底层，是整个系统的主要处理部件，主要完成信息的融合功能和系统管理功能，如代理结点的添加和删除、网络的通信等。计算机网络可以使用现有的以太网技术，也可以在井下使用无线通信技术，如GPRS等［7-8］。
图3 系统结构图
代理结点中的嵌入式系统采用的是嵌入式PC， 主要把硬件（CPU、RAM、I/O口、网络等）集成在一块主板上， 将操作系统和应用软件存储在Flash芯片中。 为了满足管理和信息处理功能的需求， 可以采用处理器＋DSP的主从结构， 使系统既保证了高性能又保持了低成本（见图4）。 其中， 玈1……S璱为各个传感器信号，信息采集和信息处理由DSP完成。μP为微处理器，可采用目前流行的ARM芯片。Flash可达256 M，用来存储信息融合算法。
图4 智能代理结点结构图3.2 多级信息融合模型
由以上分析可知，每一个智能代理信息融合的结果都可以通过网络直接获得，但为了获得更加综合和准确的信息，分布在不同位置的智能代理之间应该能够相互通信，协调工作。因此，信息融合的过程可以分为两部分：单一智能代理融合和智能代理间的融合（见图5）。
其中，Sensor Node为嵌入式智能代理，Knowledge Database为某一领域的知识库，Sensor Control&Management;可以完成传感器的管理功能，如增加一个传感器或传感器失灵时，系统可以做出调整。在整个系统中，通过三个融合过程的完成，融合结果的状态值可以通过网络展现给决策者，同时也可以和其他智能代理点进行通信，协调完成综合信息的判断。
（1） 数据层融合（Raw Data Fusion） 直接在采集到的原始数据上进行融合，对未经处理的原始数据，提取特征向量,主要完成数据的关联。如温度、风速等。要求传感器是同质的(传感器观测的是同一物理现象),如果多个传感器是异质的(观测的不是同一个物理量),那么数据只能在特征层或决策层进行融合。使用的技术有Kalman滤波和贝叶斯方法。
（2） 特征层融合（Feature Fusion） 从数据融合层产生的数据中提取有代表性的特征, 将这些特征融合成单一的特征向量,然后运用模式识别的方法进行处理。使用的方法有贝叶斯方法和D－S证据理论。
（3） 决策层融合（Decision Fusion） 在每个传感器对目标做出识别后, 将多个传感器的识别结果进行融合，做出决策控制。有时，最终状态的判别除了底层传感器信息的融合以外，还需要大量的领域知识进行辅助判断。因此，在框架中给出了知识库。实际使用时，可以采用神经网络模型进行对领域知识进行训练。图5 多级信息融合框架
4 小结
本文阐述了基于嵌入式智能代理的多传感器信息融合方法的技术框架，列举了其中技术基本要素，重点研究了多传感器信息融合和嵌入式智能代理两大关键技术。
（1） 采用了处理器＋DSP主从结构。整个嵌入式系统中，处理器可完成系统管理及网络通信功能。DSP作为协处理器可完成信号处理、分析、信息融合等功能。这种结构较好地保证信号分析处理系统的实时性要求。
（2） 嵌入式智能代理充当了井下生产现场和地面决策之间的中间环节。这样，各种传感器信息可以在各自的智能代理点中独立完成信息融合和分析，各个智能代理点的分析结果又可以综合在一起为决策服务。
因此，基于嵌入式的多传感器信息融合可以满足分布式系统数据的实时检测，在煤炭生产监测和安全诊断领域会发挥重要作用。
参考文献：
［1］ 付华,沈中和,孙红鸽.矿井瓦斯监测多传感器信息融合模型［J］.辽宁工程技术大学学报,2005,2(24):239-240.
［2］ HALLD L,L LINAS J.An introduction to multisensor data［J］.Proc IEEE,1997,85(1)：6-10.
［3］ 王耀南,李树涛.多传感器信息融合及其应用综述［J］.控制与决策,2001,16(5):519-520.
［4］ 刘云，林先澄.基于高性能DSP的嵌人式AUV数据融合处理系统的研究［J］. 计算机与数字工程, 2005, 9(33):24-25.
［5］ RAMI ABIELMONA,EMIL M.PETRIU,THOM WHALEN.Multi-Agent System Information Fusion for Environment Monitoring［J］.Sorrento,Italy:IMTC 2006-Instrumentation and Measurement,2006，1 174-1 175.
［6］ 阎馨, 屠乃威. 基于多传感器数据融合技术的瓦斯监测系统［J］. 计算机测量与控制, 2004, 12(12): 1 140-1 141.
［7］ 郭智渊,高丽云.GPRS在矿井救灾无线通信系统中的应用［J］.山西煤炭,2004,24(1):55-56.
［8］ 郝成,李辉,姚征.基于GPRS的地方煤矿安全监控监测系统［J］.工矿自动化,2006(1)：30-31.