多软件融合（共10篇）
多软件融合 篇1
科学技术对社会发展产生了强大的推动力。其中数据融合作为一项新型技术,在社会多个领域得到了广泛应用和推广。借助该项技术,用户能够共享多个平台上的量测数据,获取质量更高的信息。在实践中,多传感器数据融合技术能够对多个目标进行跟踪,满足工作需求。但目前人们对于该项技术的了解和认识深度不够,因此加强对多传感器数据融合系统软件实现的研究具有非常重要的现实意义,能够帮助相关领域正确认识该项技术,且能够提高技术利用率,创造更多价值。
1系统需求分析
多传感器数据融合能够对观察目标的多个特性进行传输,并在此基础上确定目标身份,具有较强的可靠性优势。如侦察地面武装机械,能够针对侦察对象的尺寸、形状等了解其振动特性,为后续工作提供科学依据。正因如此,不同领域给予该项系统更多关注。多传感器信息融合作为一个综合、系统的过程,无论是哪种融合形式,都需要了解系统的需求,才能够提高系统设计及实现针对性。在实际工作中,完成系统能够模拟实际环境,为数据融合系统提供信息,促使系统能够对数据融合结果进行评估,并以可视化形式将信息呈现出来,为各项工作的顺利开展提供相应的支持。综上所述,数据融合系统功能性较强,如数据融合性能评估、系统状态信息可视化等[1]。
2系统分析及设计
针对融合系统设计而言,应坚持相应原则,如可拓展、方便维护等原则;设计更加灵活的配置方式,满足多元模型、算法的应用;另外,随着系统应用范围的扩大,在设计时,还应考虑通用性、开放性等要求,使得系统能够满足多个平台、传感器的应用,且方便日后维护,降低维护成本,从而促使系统功能得到充分发挥。
2.1系统构成
结合上文提到的系统需求及功能来看,可以将系统划分为8个子系统。一是剧情生成子系统作为整个系统的基础,其主要负责想定元素编辑、剧情生成等,并向系统传递真值数据,实现对整个系统的有效控制。是针对数据采集系统来说,要确保系统能够实时接收由不同系统发出的数据信息,如真值、模拟及仿真等数据,并将不同的数据存储到对应的数据库当中,为后续维护及管理工作的顺利开展奠定坚实的基础。三是传感器模拟子系统由多个传感器模拟器构成,但其数量主要由剧情系统决定。一般来说,在系统运行过程中,不同传感器接收器接收到的数据,能够转换到坐标系当中,并按照一定的扫描周期输出数据信息[2]。四是平台模拟系统,与传感器系统存在一定的相似之处,平台模拟设备的数量需要由剧情系统决定。在实际工作中,该系统主要结合惯导、卫星导航等模型输出数据信息,为用户提供数据信息。五是数据融合子系统,作为关键系统,由多个独立的工作数据融合模块构成,在系统中,能够接收来自于传感器输出的点迹、航迹数据等数据信息,同时还能够对多个目标进行实时监控,形成多种处理模式。除此之外,还有态势可视化等3个子系统。
2.2系统架构
针对多传感器数据融合系统来说,系统有序运行需要局域网的支持,构建分布式多平台多传感器数据融合环境。具体来说,受到剧情真值数据输出频率高等因素的影响,如果将多个数据融合模块置于同一网络当中,极有可能出现延迟问题。因此为了增强系统运行实时性,可以从两个局域网入手,并通过网络管理控制子系统进行连接。在此基础上,系统的A网向B发送数据信息,不仅能够缓解网络荷载,有效提升网络运行速度,且能够增强系统灵活性,满足用户多元化需求。
3关键技术分析
3.1建立传感器模拟器
系统能够为实践提供指导的关键在于环境的真实还原。因此针对各类传感器模拟成为融合系统实现的重难点。就设计层面来看,传感器模拟子系统应努力接近外部环境,充分考虑杂波、电磁干扰等因素[3]。而针对实现层面而言,需求采取面向对象思想,将各类传感器视为一个类,并结合剧情生成系统具备信息,构建相应的类实例,进行初始化处理后,为后续系统的良性拓展奠定坚实的技术基础。
3.2完善融合评估指标
融合评估指标体系的构建能够对系统性能等进行全面、准确地评估,及时发现系统设计存在的不足之处,并加以调整和优化。因此建立并完善融合评估指标体系非常重要。具体来说,首先需要构建数学模型,并利用计算机算法实现。通常而言,评估指标的选择与融合算法存在非常密切的联系。在实践中,为了提高评价准确性,应坚持完整性、针对性原则,以便构建完善的指标体系。在指标的帮助下,对系统运行情况进行监督和控制,及时发现问题,并采取相应的措施进行优化,增强系统性能。
4系统实现
该系统由多台计算机构成独立的A、B以太网,并在网络管理控制帮助下实现对计算机的连接。其中A网真值信息可以采取广播方式进行传输,而控制信息则采取TCP方式[4]。B网模拟数据输出可以采取组播方式。针对软件运行,引进Windows XP-SP3系统,并在Visual Studio2010环境当中,采取面向对象思想,满足软件运行需求,同时还需要借助C语言开发,最后促使系统能够稳定、有序运行,为用户提供数据信息[5]。综合上述实例来看,该系统配置方便、合理,与实际情况相符,能够为多传感器数据融合调试、测试等提供动态化、实时性环境。综合来看,软件对数据进行预处理后,能够应用于不同时域、频域,如滤波器、转换器,以此来提取可用信息。
5结语
根据上文所述,信息时代背景下,信息技术成为社会各领域发展不可缺少的一部分,在提高工作有效性等方面占据至关重要的位置。本文设计并实现了一种具有开放性特点的数据融合仿真环境。经过实践发现,方针系统架构科学、合理,具有较强的通用性、实用性特点。因此该系统适合推广,能够为实践工作提供科学依据。随着技术不断发展,还可以将其与通信技术有机整合到一起,提高系统运行有效性。
参考文献
[1]孙豫川,裴海龙,吴毅彬,等.基于ARM7飞控系统多传感器数据融合方法及实现[J].计算机测量与控制,2013(1):103-105,141.
[2]苏楞高娃.地面多传感器数据融合算法分析与软件实现[J].北京农业,2013(9):161-162.
[3]张宝童,易凯.多传感器数据融合仿真系统的设计与实现[J].数字技术与应用,2013(4):189-190.
[4]胡昌林,孙伟.多传感器数据融合性能评估指标及计算方法[J].现代雷达,2013(3):41-44,49.
[5]张克军.基于实时操作系统的多传感器融合系统软件结构[J].微型电脑应用,2011(7):24-28,70.
多软件融合 篇2
曾颂平当今时代，人类已经进入了信息技术、大数据、云服务、人工智能等高速发展和广泛运用的时代，而每一次随着时代的发展，科学技术的巨大进步,都会给人们的生活方式带来巨大的变革。大数据技术的日渐成熟、以及云服务技术支持下的交互式教学平台的发展,给教育带来了新的机遇和挑战,国家要求中小学不仅要普及信息技术教育,还要求信息技术与课堂教学相融合,利用信息技术转变学生的学习方式，这是信息技术课程和其它学科双赢的一种教学模式。多技术融合教学的方法，是将信息技术有机地融合在各科教学过程中,使信息、信息技术与学科课程结构、课程内容、课程资源及课程实施紧密地融合为一体，从而更好地完成课程目标，并提高学生对信息的获取、分析、加工、交流、利用和创新的能力，从而更好地培养学生的自主、合作意识和创新能力。
多技术融合教学的方法，并不是一个简
单的信息技术如何应用于教学的问题,而是涉及了教育思想、教学理念、教与学的理论等根本性的问题，其目的是为了给学生创设-一个自主、合作、探索的学习环境,充分体现和发挥学生在学习中的主体作用,把学生的主动性、积极性充分调动起来。多技术融合教学的方法是一个改革教学结构，使教与学达到最优化效果的过程。多技术融合教学的方法，必将给“教与学“迎来-场巨大的变革。因为多技术融合教学的方法,能充分激发学生的学习兴趣。多技术融合教学,具有直观、形象、具体、临场化的特点，运用多技术融合创设的多媒体情境,能使抽象概念具体化、使难理解的问题容易化，如物理教学中,分子的无规则运动，导体中的电流及自由电子的定向运动，通过相关的flash动画演示，使抽象的内容变得直观具体,便于学生理解。多技术融合教学,不仅更具有丰富的学习资源，而且交互性更好、更便捷,能提供泛在数字化学习环境。多技术融合教学,能使学生成为学习的主导者,实现个性化、自主、探究性学习,转变学生的学习方式。二十一世纪的学生应具备的核心学习能力是:
1、信息获取与加工能力;
2问题解决能力;
3、批判性思维能力;
4、创新能力;
5、沟通能力;
6、跨文化理解能力;
7、团对合作能力。而传统的教学方法，难于培养出学生具备这些核心能力，只有多技术融合教学的方法，才能培养学生具备这些核心学习能力。要实施多技术融合教学:
1、信息素养必须成为学生、教师的能力之一，教师和学生都必须具备-定的信息技术能力，作为教与学的基础;
2、信息技术与教师、学生、教学内容等应处于同样的地位，是教与学的组成部分;
3、技术成为支撑学科教学的有效工具。要实施多技术融合教学,一是借助互
动式电子白板,把传统教学的优势给予.教学模式是在一定的教学理论或学习理论指导下，在某种学习环境中展开的教学活动进程的稳定结构形式，是开展教学活动的一套方法论体系；是基于一套基于教与学理论而建立起来的较稳定的教学活动的框架和程序。教学模式是教与学理论的具体化，同时又直接面向和指导教学实践，具有可操作性。它是教学理论与教学实践的桥梁。
延庆:多民族融合的吟唱 篇3
据第六次全国人口普查资料显示，这片土地如今生活着汉、回、满、朝鲜族等36个民族。其中，主要以汉族为主体， 满族、蒙古族、回族、朝鲜族为主要少数民族。
少数民族种类呈多元化趋势
2010年，北京市延庆县共有36个民族。其中，有35个少数民族，与第五次全国人口普查相比，增加了18个民族。增加的民族分别是：达斡尔族、鄂温克族、东乡族、撒拉族、保安族、哈萨克族、柯尔克孜族、锡伯族、俄罗斯族、羌族、傣族、傈僳族、拉祜族、纳西族、阿昌族、水族、仡佬族和仫佬族。
少数民族人口地区分布相对集中
少数民族人口以满、蒙、回、朝鲜族为主，依次排在北京市延庆县少数民族人口数的前四位。其中，满族9866人，蒙古族542人，回族498人，朝鲜族230人，以上4个少数民族人口数合计为11136人，占少数民族人口总数的96.2%。当前少数民族人口主要集中在延庆镇、永宁镇、康庄镇、大榆树镇和井庄镇，以上五个乡镇少数民族人口共计9885人，占少数民族总量的85.4%。
少数民族人口增长快于汉族
2010年，北京市延庆县汉族人口为30.6万人，与2000年的第五次全国人口普查数据相比，增加了4.0万人，增长15.2%，年均递增1.4%。少数民族人口为1.1万人，增长16.9%，年均递增1.6%。
少数民族性别比下降
2010年，少数民族常住人口中男性为6139人，女性为5440人。男女性别比为113∶100，比2000年的120∶100有所下降。
少数民族人口以中、青年人居多
2010年，北京市延庆县少数民族人口中15~35岁青年年龄段的人口数为4768人，占少数民族人口总数的41.1%；35~59岁的中年年龄段的人口数为3809人，占少数民族人口总数的32.9%；0~14岁少儿年龄段的人口数为1894人，占少数民族人口总数的16.4%；60岁以上老年年龄段的人口数为1108人，占少数民族人口总数的9.6%。
少数民族人口文化程度以初、高中为主
2010年，北京市延庆县6周岁及以上的少数民族人口中，具有初中文化程度的人口数为3213人，具有高中文化程度的人口数为2260人，以上两项人口合计数为5473人，占50.3%；具有大学及以上文化程度的人口数为3116人，占28.7%；具有小学及以下文化程度的人口数为2286人，占21%。
少数民族人口离开户口登记地的主要原因是求学
多模型多传感器标量加权信息融合 篇4
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.
多软件融合 篇5
1了解软件技术专业的人才培养目标和就业岗位
软件技术专业培养具有良好职业道德、工作态度和行为规范，熟悉最新的.NET开发环境，能够熟练运用.NET平台开发工具完成软件的功能模块设计、编码、调试和测试任务的高素质、高技能专门人才。学生毕业后可在软件开发类、软件外包类及网络技术类相关企业中胜任多个岗位，下面是以学生在企业中成长过程来归纳好的岗位:初次就业岗位有初级程序员、初级软件测试员;发展岗位有程序员、高级程序员、软件开发工程师、软件测试员、软件测试工程师;拓展岗位有项目经理、系统分析师和系统架构师等。学生没有足够的社会经验，而“职业生涯规划”课程教学与软件技术专业相融合，能够使学生结合未来的工作和发展，进行教学实践活动，使学生能够在实践操作的过程当中，对未来的工作产生大致的了解。这种方式既能够提升软件技术专业教学的质量和效果，同时也能够提升“职业生涯规划”指导的价值，使“职业生涯规划”指导能够更加富有内涵，以丰富的实践活动和多样化的教学案例加深学生对未来工作的认知程度。
2了解专业相关职业群，明确专业发展前景
了解专业有关的职业群，能够使学生对未来的工作产生大致的了解，帮助学生更好地学习，为未来的工作奠定一定的基础。教师可以适当引导学生对专业技能相关的职业群进行了解，为学生介绍有关的职业以及相关的专业技能要求等等。这种方式能够开拓学生的视野，使学生能够对职业产生一定的规划，展现高职教育的特色之处。教师要注意循序渐进地进行授课。
2.1展示软件技术专业典型职业发展路线
发展路线1：程序员、高级程序员、开发工程师、项目经理、高级项目经理、系统架构师。这条发展路线是往软件开发技术的上层发展，最后成长为系统架构师，系统架构师难度比较大，但是工资很高，目前系统架构师是按小时算钱，一个小时可达几万元，不过系统架构师只是在大型公司才会有，对高职学生来说走这条路需克服重重困难才能成功，所以难度比较大。发展路线2：程序员、高级程序员、开发工程师、项目经理、高级项目经理。与发展路线1相比较，区别在最后一步是成长为底层开发人员，所以这是往软件开发技术的底层发展路线，相对于系统架构师来说，工资虽然低一点,但成长为底层开发人员难度较小一点。发展路线3：程序员、高级程序员、开发工程师、项目经理、高级项目经理、市场总监/技术总监、CEO。这是往软件开发管理人员方面发展的路线，收入也很高。
2.2理清发展路线中各种岗位所需的职业水平
在明确软件技术专业相关的岗位要求和职业群之后，教师可以组织学生研究和分析具体的岗位职业要求、技能要求等等，组织学生对岗位进行综合分析。具体如下：1)岗位不同，对应的专业能力也不同。JAVA程序员：要能够熟练使用Java开发工具，熟悉JavaJSP编程语言及J2EE规范，结合各类型的软件(使用JAVA开发桌面应用程序使用JSP进行小型动态网站;开发SSH框架进行大中型网站或系统开发)等等进行操作，能够自主编写程序。.Net程序员：要可以自主应用Microsoft.Net开发软件，了解C#编程语言和Microsoft.Net开发技术，明确Mi-crosoft.Net应用架构，会编写程序的相应技术文档。移动开发程序员：要能够熟练使用一种移动开发工具，熟悉Java编程语言及J2EE规范，能够借助手机客户端进行程序或者软件的设计，能够自主编写程序。软件技术支持人员：熟悉软件项目，能够部署发布软件系统，能够维护系统处理故障，能够培训用户并提供技术支持，具有一定的交际与语言表达能力。2)在各种岗位需具备如下的方法能力。能根据工作需要和个人发展需要确定学习目标和计划，自主学习，并利用现代化手段，进行信息的收集与整理;能够借助工具阅读专业相关的外文(如英语)资料。3)在各种岗位需具备如下的社会能力。工作中能遵守法律法规、社会公德和职业道德;能与客户、系统分析师、系统架构师、项目经理、开发组员、测试组员等相关人员进行有效的交流、沟通和合作;能用语音、文字正确表达设备软件项目的相关业务;能积极进取，并能将自己的职业发展与企业发展相结合;具有良好的团队合作精神和职业精神。
3理清职业相关证件
职业相关证件能够表示学生的职业技能水平，是当前人才市场中较为看重的内容。教师要注重指导学生考取职业相应的证书。如参加全国计算机技术与软件专业技术资格(水平)考试，获取相当于高级水平的计算机信息处理技术员证书;还可参加全国计算机信息高新技术考试，获取相当于中级水平的VisualC#平台证书等。当学生对所学习的内容和软件技术产生大致的.了解之后，教师可以为学生讲解考证的相关内容，使每一位学生都能够积极参与考证活动，形成一定的考证意识，并在考证的过程当中，检验自身的理论知识掌握水平和实践技能操作能力。这种方式也能够使教师明确进一步教学的内容，使学生更加明确自身的问题和优势，从而使学生的学习活动和教师的教学活动能够富含针对性特点。
4明确学校教学优势和人才培养效果等情况
当前很多高职院校采用“校企结合”、“校企合作”的方式，加强与校外优秀企业的合作。在这种模式下，学生的实践机会增加，展现了高职院校的独特教学模式和教学价值。学校可以与其他优秀的企业建立一定的合作关系，构建“校企合作”的办学模式，为学生提供更多的实践场所，将理论课程教学和实践教学活动相结合，真正实现“理实一体化”的教学模式，为学生未来的工作创建良好的基础，为学生未来的发展增添更多的优势。学校为软件技术专业提供了优质的平台，实训室学生用机是高端苹果机，软件技术专业采用逆向软件工程及全程软件测试的“1+3”项目课程人才培养模式。“1”表示以一门程序设计语言(如“C#程序设计”)为基础;“3”表示通过“MIS开发实战”、“Web应用与开发”、“软件项目开发组织管理”三门项目课程，使学生成为在软件工程规范下进行高质量软件项目开发的程序设计员。以项目为载体，由易到难，按软件开发过程的逆序“编码(实现)、设计、需求分析”，分阶段学习经过整合的项目课程;项目教学中贯穿进行软件测试V形模型中的各测试类型“单元测试、集成测试、系统测试”。为弥补课堂教学无法达到的素质或技能方面的缺陷，还可结合不同学期的课程开设、能力需求情况等，推出形式与内容多样的课外活动，例如企业参观、MIS开发技能竞赛、综合软件项目开发、ITAT软件开发技能竞赛、移动互联网技能竞赛、企业优秀人才或历届优秀毕业生先进事迹专题讲座、PPT制作竞赛等，以固化或拓展学生素质。
5结语
多传感器信息融合综述 篇6
多传感器信息融合是随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术和并行计算的软硬件技术等相关技术的发展而诞生的一门新兴学科。信息融合是关于协同利用多传感器信息, 进行多级别, 多方面, 多层次信息检测、相关、估计和综合以获得目标的状态和特征估计以及态势和威胁评估的一种多级信息自动处理过程。它首先广泛地应用于军事领域, 如海上监视、空-空和地-空防御、战场情报、监视和获取目标及战略预警等, 随着科学技术的进步, 多传感器信息融合至今已形成和发展成为一门信息综合处理的专门技术, 并很快推广应用到工业机器人、智能检测、自动控制、交通管理和医疗诊断等多种领域。
1 多传感器信息融合的概念
信息融合 (information fusion) 起初被称为数据融合 (data fusion) , 起源于1973年美国国防部资助开发的声纳信号处理系统, 其概念在20世纪70年代就出现在一些文献中。在20世纪90年代, 随着信息技术的广泛发展, 具有更广义化概念的“信息融合”被提出来。在信息融合领域, “多传感器融合”、“数据融合”和“信息融合”都被人们经常提及, 实际上, 它们之间是有差别的, 但在不影响应用的前提下, 数据融合和信息融合是可以通用的。本文作者认为比较确切的概念为:综合来自多个传感器的感知数据, 以产生更可靠、更准确或更精确的信息。经过融合的多传感器系统能完善地、精确地反映检测对象特性, 消除信息的不确定性, 提高传感器的可靠性。
2 多传感器信息融合的层次
在多传感器数据融合中, 数据的多样化要求按照数据的类型、采集方式特点或工程的需要有层次、分步骤的进行融合, 这就需要引入数据融合的层次问题。一般来说, 数据荣浩然有三种基本结构:即数据层融合、特征层融合和决策层融合。
2.1 数据层融合
这是最低层次的信息融合。这种方法是直接在采集到的原始数据层上进行的融合, 在各种传感器的原始测量未经处理之前就进行数据的综合分析。
2.2 特征层融合
这是中间层次的信息融合。在这种方法中, 每种传感器提供从观测数据中提取的有代表性的特征, 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。这种方法对通信带宽的要求较低, 但由于数据的丢失使其准确性有所下降。
2.3 决策层融合
这是最高层次的信息融合。在这种方法中, 将每个传感器采集的信息变换, 以建立对所观察目标的触笔结论, 最后更具一定的准则以及每个判定的可信度做出最优决策。
3 信息融合的主要算法
多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类, 随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见, 神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。以下扼要介绍这些技术方法。
3.1 平均加权算法
信号级融合方法最简单、最直观方法是加权平均法, 该方法将一组传感器提供的冗余信息进行加权平均, 结果作为融合值, 该方法是一种直接对数据源进行操作的方法。
3.2 卡尔曼滤波法
卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推, 决定统计意义下的最优融合和数据估计。
3.3 多贝叶斯估计法
多贝叶斯估计将每一个传感器作为一个贝叶斯估计, 将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数, 通过使用联合分布函数的似然函数为最小, 提供多传感器信息的最终融合值, 融合信息与环境的一个先验模型提供整个环境的一个特征描述。
3.4 证据推理法
证据推理是贝叶斯推理的扩充, 其3个基本要点是:基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的, 分三级。第1级为目标合成, 其作用是把来自独立传感器的观测结果合成为一个总的输出结果 (D) ;第2级为推断, 其作用是获得传感器的观测结果并进行推断, 将传感器观测结果扩展成目标报告。这种推理的基础是:一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告;第3级为更新, 各种传感器一般都存在随机误差, 所以, 在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。因此, 在推理和多传感器合成之前, 要先组合 (更新) 传感器的观测数据。产生式规则采用符号表示目标特征和相应传感器信息之间的联系, 与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中, 2个或多个规则形成一个联合规则时, 可以产生融合。应用产生式规则进行融合的主要问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关, 如果系统中引入新的传感器, 需要加入相应的附加规则。
表1对常用的数据融合算法进行了比较。
4 结束语
多媒体信息融合是一个新兴的研究领域, 随着信息融合技术的发展, 其应用领域得以迅速扩展。信息融合已成为现代信息处理的一种通用工具和思维模式。本文主要对多传感器信息融合的概念, 层次以及主要算法进行了论述, 多媒体数据融合技术具有十分广泛的应用前景, 一下两个研究方向是我们值得关注的:一是基于Agent的信息融合;二是WEB信息融合。
摘要：多传感器信息融合是一门新兴的学科, 它已被广泛应用于许多研究领域。本文主要对多传感器信息融合的概念, 多传感器信息融合的层次, 信息融合的主要算法等方面进行了介绍和展开了综述。
关键词：多传感器,信息融合,综述
参考文献
[1]杨万海.多传感器数据融合及其应用[M].西安:西安电子科技大学出版社, 2004, 4.
[2]何友, 王国宏.多传感器信息融合及应用[M].北京:电子工业出版社, 2000, 11.
[3]高隽.智能信息处理方法导论[M].北京:机械工业出版社, 2004, 6.
移动多协议融合网关的建模 篇7
随着信息技术的飞速发展，网络的种类也越来越多，同时产生了异构的网络环境。但是由于异构网络之间的协议并不相同，网络之间也无法实现互联互通[1]。移动环境下的多协议融合网关的提出，就是试图解决这个问题的。网关能够分析各种网络的路由协议，并在协议之间转换，从而使得不同类型的网络之间能够相互通信。
目前，国内的多协议融合网关的研究主要来自电信，移动等大型的运营商。但这些运营商的网关主要静止在其核心网内，缺乏移动性和灵活性。同时，国内对于在移动环境下的多协议融合网关的研究相对较少，仅有中科院，清华大学等少数机构在研究，提出的方案也不多。本文在OPNET的基础上，对多协议融合网关进行建模并采用该模型组成多层级的移动自组织网络，实现了业务数据的交换和无缝转发。
1 OPNET仿真软件
计算机网络仿真软件OPNET是由美国OPNET Technology公司开发，通过图形化编辑界面支持面向对象的建模方式，支持有线网络、无线局域网甚至卫星通信网的建模，是当前世界上先进的网络仿真开发平台之一。它以面向研发的OPNET Modeler为基础，系列产品还包括IT Guru、SP Guru、OPNET Development Kit和WDM Guru等等。
1.1 OPNET建模原理
OPNET Modeler采用层次建模方式[2](Hierarchical Network Modeling):从协议间关系看，节点模块完全符合OSI标准，自上而下分别是业务层，TCP层(传输层)、IP封装层、IP层、ARP层、MAC层、物理信道;而从模型层次关系来看，提供了三层建模机制，分别在进程层，节点层和网络层实施由下而上的建模方式。
三层模型的最下层是进程模型(Process Model)，通过有限状态机描述;中间层次为节点模型(Node Model)，由各个处理器/队列模块组成，每个处理器/队列模块包含一个或多个进程模型。最上层则为网络模型(Network Model)，通过对节点模型的配置组合最终构成设想的网络环境。
OPNET Modeler采用离散事件驱动(Discrete E-vent Driven)的模拟机制，与时间驱动相比，计算效率得到了很大提高。每一时刻，进程模型的有效状态机总是停留在特定状态，时间触发后则执行事件，随后进行状态转移。
2 多协议融合网关建模
2.1 网关功能概述
移动环境下的多协议融合网关的功能是建立移动单元和传统网络的连接，同时具备互操作传统和非传统通信设备的网关能力[3]。其本身也可以作为一个移动终端，实现移动多跳的自组织网络，类似一个自治域，可在域内融合多种不同的末端网络。因此，网关在移动网络环境下可以灵活充当以下角色:
(1)Wi-Fi WLAN AP(Access Point):为其他Wi-Fi终端提供WLAN接入服务。
(2)单跳/多跳Ad hoc节点:与其他终端或者网关节点组成不同层级的移动自组网、移动混合自组网[4]。
(3)有线局域网节点:与其他局域网节点构成本地局域网。
(4)网关节点:同时具备以上3种角色中多种，并且提供所连接的各个末端网络之间的路由互通功能。
2.2 网关节点模型
网关节点模型如图1所示，每一组进程模块都代表OSI通信协议模型的一层。可以明显的看出，它包含tcp模块，tpal模块，udp模块，rsvp模块，ip_encap模块，ip模块，arp模块(arp0、arp1、arp2、arp3),eth_port_rx和eth_port_tx,wlan_mac和wlan_port等模块。其中各模块的功能说明如下:
(1)位于ip模块上层的模块除了tcp和udp实现了传输协议外，rrp,rip,bgp,rsvp,ospf,igrp,eigrp,isis等模块都分别实现了对应其名称的路由协议，具体在本文中都不再赘述。
(2)ip_encap模块作为ip模块与上层的接口，为上层进入ip模块的分组封装ip协议的首部，形成ip数据报文，同时作为下层的接口，对下层进入上层的数据包解封装，将报文的有效数据部分传入上层。
(3)ip模块是网关节点的核心模块，接收来自上层的分组，根据不同的路由协议执行路由选择，Ad hoc路由协议、有线网络和WLAN的路由协议均在这一层实现，是实现多协议融合的核心模块。
(4)arp模块，mac模块和wireless_lan_mac模块的作用是仿真协议栈中的有线和无线数据链路层，提供信道接入协议。
(5)eth_rx和eth_tx模块为物理层模型，负责有线网络的数据收发功能。wlan_port_rx和wlan_port_tx模块负责无线网络的数据收发功能。
由于多协议融合网关要实现功能概述中的三个功能，因此ip模块下层连接四个不同类型网络的接口，分别为有线网络，基础架构的无线网，终端级Ad hoc网络以及网关级Ad hoc网络[5]。
2.3 网关进程模型
2.3.1 IP模块
网关节点模型的核心模块是ip模块，网络层的功能几乎都通过ip模块实现，扩充和修改网络层的功能也要修改ip模块。ip模块的根进程为ip_dispatch，而ip_dispatch再通过创建各种子进程实现ip模块的所有功能[6]。MANET路由协议的增加或者修改需在manet_mgr子进程中完成。manet_mgr子进程实现了本文中网关采用的aodv协议。
ip模块的数据处理流程:上下层的数据到ip模块后，由CPU模拟进程统一接收，经判断再转发到合适的处理进程。当ip模块需向外发送数据，CPU模拟进程并不会直接对外发送数据。若是向上层(ip_encap模块)发送数据，首先将数据发送给ip模块的根进程ip_dispath，然后再由其转发到上层，若在MANET进程有数据要发送，先发送给manet_mgr，它再转发到ip_dispatch，最后ip_dispatch转发给上层;若是向下层(arp模块等)发送数据，则是靠网络接口处理进程(ip_output_iface)或(mpls-mgr进程)完成转发。
从以上分析可知，要实现多协议网关异构网的路由功能，需要修改网关节点CPU模拟进程中的路由核心函数，使其融合多种路由协议实现异构网互通。
2.3.2 网关路由转发过程
网关具体路由过程如图2所示，网关内保存了3张路由表，分别为routing table、网关级aodv table、移动终端级aodv table。routing table为除了Ad hoc以外的节点提供路由，而Ad hoc节点的路由与转发则需通过网关级aodv table或移动终端级aodv table来完成。算法步骤如下:
(1)网关每收到一个数据帧，首先检查帧的目的MAC地址是否为网关相应接收端口的MAC地址，若不是则直接丢弃，否则转步骤(2)。
(2)提取帧的目的IP地址，查找routing table，在routing table中是否查询到相应路由信息，若存在且为本地路由，则帧不再转发，网关接收处理，若非本地路由，则转步骤(3)。
(3)根据路由信息里下一跳所属的端口号，查询配置文件，确定端口连接的网络类型，若非Ad hoc网，则通过端口直接转发，否则，确定Ad hoc类型为网关级还是终端级，若为网关级(只有一种可能，即该帧的目的主机为某网关，因为通往该目的主机的路由信息在routing table中找到，可以确定目的主机所属网络必然与该网关相连;若帧的目的主机非网关，而为某子网中的节点，则在routing table中查不到路由信息)，则查询网关级aodv table，若找不到目的网关，则运行网关级aodv协议进行路由寻路。若为终端级Ad hoc网(目的主机属于该网关下的Ad hoc子网)，则查询终端级aodv table，若查询不到路由信息，则运行终端级aodv协议进行路由寻路。
(4)若在routing table中查询不到任何路由信息，则说明帧的目的主机不在该网关所连接的任何网络，而属于另一网关下的某一子网。此时查询网关级aodv table，若有去往目的主机的所属网络的路由信息，则直接路由，否则网关运行aodv协议执行路由寻路，直到目的主机所属网关响应路由寻路请求，告知本网关它可以去往目的主机;本网关更新网关级aodv table，将数据发送至目的主机所属的网关，转发完毕。
3 仿真场景设计
本文设计了两个仿真场景，其中场景一专门验证网关在不同层级的Ad hoc网络通信的功能，场景二验证网关在异构网下不同终端之间的通信功能。
3.1 不同层级Ad hoc仿真场景
仿真场景如图3所示，整个网络由两个Ad hoc子网和一个网关级Ad hoc网络组成。2个终端节点和1个网关节点组成Ad hoc子网1,1个服务器节点，1个终端节点和1个网关节点组成Ad hoc子网2,3个网关节点组成上层的网关级Ad hoc网络，其中两个子网中的网关节点是跨层级Ad hoc混合网关。
为验证网络的连通性能，在此场景中加载FTP服务，FTP Client设置在Ad hoc子网1中，FTP Server设置在Ad hoc子网2中。根据Ad hoc网络的单跳特性，Client与Server通信需多个中间节点转发数据，必然跨越多层Ad hoc网络，因此可验证网关节点的混合移动组网功能。
3.2 异构网络通信场景
仿真场景如图4所示，有线局域网，无线局域网以及Ad hoc网络三网组成异构网络。其中，有线局域网由6个终端节点，1个服务器节点以及1个交换机节点组成;无线局域网由4个无线终端节点和1个服务器节点组成;Ad hoc网络由6个终端节点和1个服务器节点组成。唯一的网关节点是异构网网关，在此场景中同时作为WLAN的AP,Ad hoc节点以及LAN的外部通信节点。
为验证异构网络的互通性，在此场景中加载FTP、Email以及Database服务。FTP Server设置在有线局域网中，FTP Client设置在Ad hoc网络中;Email Server设置在无线局域网中，Email Client设置在有线局域网中;Database Server设置在Ad hoc网络中，Database Client设置在无线局域网中。不同业务跨越不同的子网，网关节点起到转发数据的关键作用，可借此场景验证网关在异构网络组网功能。
4 仿真结果分析
仿真采用Windows XP SP3操作系统，使用OP-NET软件的版本为14.5，编译器使用微软Microsoft Visual Studio 2010编译软件。
4.1 参数设置
场景1中Ad hoc网络采用AODV路由协议[7]，参数设置如表1所示，FTP Client节点IP地址设置为192.168.1.2,FTP Server节点IP地址设置为192.168.100.3，处于不同的网段，网关1设置192.168.1.1和192.168.2.1两个IP地址，网关3设置192.168.100.1和192.168.2.3两个IP地址。
加载在场景中的FTP业务参数设置如表2所示，传输的文件大小设置为5kB。
场景2中的Ad hoc网络同样采用AODV协议，参数与场景1一致。有线局域网采用RIP路由协议，采用默认设置。加载在场景中的FTP业务参数设置与场景1一致。Email业务的参数如表3所示，每封Email的尺寸为2kB。
Database业务的参数如表4所示，两个事务发生的时间间隔服从指数分布，事务请求数据包的大小为32768bytes。
4.2 结果分析
场景1主要关注FTP Client(IP地址为192.168.1.2)与FTP Server(IP地址为192.168.100.3)节点的数据传输。仿真运行时间为10分钟，收集的统计量有Client与Server的端到端时延，FTP传输数据大小，路由跳数，丢包率等。
表5为Client与Sever通信仿真结果统计量，可得Server到Client的时延较短，双向时延均为毫秒级。Client上传了5kB的数据，这与参数设置的文件大小是一致的。Client到Server的平均跳数为6，这符合Ad hoc网络单跳的特性，从192.168.1.2到192.168.100.3恰好需要6跳路由。丢包率大致保持为0，这反映了移动组网的稳定性。
从场景1的结果分析中可得，多协议网关在多层级Ad hoc网络中能有效实现数据传输，运行Aodv协议并顺利路由报文到目的地址，与预期的结果基本一致。
场景2较场景1复杂，仿真时间设置为20分钟。本文重点分析各配对客户端与服务器的通信情况，以此验证多协议网关异构组网是否成功。图5为位于有线局域网中的FTP Server和位于Ad hoc网中的Client通信对比图，上下两图的曲线大致相同，表明Server发出的数据包均被Client收到。也即表明有线局域网和Ad hoc网络能互通。
图6为位于无线局域网中的Database Client与位于Ad hoc网络中的Database Server通信对比图，最上面的曲线为Server发送数据曲线，上下两条曲线大致相同，表明Server发出的数据包均被Client收到，也即表明无线局域网与Ad hoc网络能互通。
图7为位于有线局域网中的Email Client与位于无线局域网中的Email Server通信对比图，最上面的曲线为Server发送数据曲线，上下两条曲线大致相同，表明Server发出的数据包均被Client收到，也即表明有线局域网与无线局域网能互通。
至此，由以上3个服务运行后的统计结果可知，无论服务器节点与客户端在何种网络，两者之间均能通信并且实现无缝数据传输。从而说明多协议网关具有组建异构网络的能力。
5 结束语
多协议融合网关是一种能连通异构网络的设备。本文利用OPNET仿真软件对多协议网关进行节点域和进程域的建模，并在两种不同的场景下加载FTP,Database,Email等数据业务，模拟网关在真实网络环境下的工作情况。实验结果证明，多协议网关完全实现了异构网络下的路由与数据转发功能，对在特殊环境下的移动组网有重要的实际意义。下一步工作将在网关功能中融合3G网络，进一步增强网关的组网能力。
摘要：多协议融合网关是一种融合多种路由协议,实现异构网络混合组网的网络设备。为验证多协议网关在移动环境下的可行性,文中在OPNET网络仿真软件的基础上,对多协议网关建立模型,并设定通过网关互操作Ad hoc、WLAN、LAN网络的仿真场景,加载Email、FTP、Database业务模拟实际网络行为。结果表明,移动多协议融合网关能实现异构网络之间数据的交换和无缝转发,保障异构网络业务的需求。
关键词：多协议融合,移动,OPNET仿真,异构网络
参考文献
[1]郑景远.多协议网关的设计和实现[D].西安:西安电子科技大学,2010.
[2]陈敏.OPNET网络仿真[M].北京:清华大学出版社,2004.
[3]胡志远,李宁,郭建丁,等.无线异构网络的资源分配策略[J].计算机应用,2011,4(31):893-895.
[4]郑少仁,王海涛,赵志峰,等.Ad-Hoc网络技术[M].北京:人民邮电出版社,2005.
[5]刘军科.移动WLAN传输组网方案探析[J].科技之风,2011(5):68.
[6]高嵩.OPNET Modeler仿真建模大解密[M].北京:电子工业出版社,2010.
[7]马杰.OPNET的无线Mesh路由模块扩展[D].西安:西安电子科技大学,2008.
多传感器信息融合技术 篇8
多传感器信息融合是现代信息处理领域新近崛起的一个前沿性的研究方向,是针对一个系统中使用多个传感器这一问题而展开的一种信息处理方法。它通过对多类同构或异构传感器的冗余信息和互补信息进行综合(集成或融合),得到被观测对象更加精确的评估,以便对事物进行正确的判断和决策[1]。相比于单传感器,多传感器信息融合能够增加测量的维数和置信度,改进系统的探测性能,扩展空间和时间的覆盖范围,改进系统可靠性和可维护性,提高系统容错性和鲁棒性,达到系统内优势互补,资源共享,提高了资源的利用率[2]。
信息融合技术开始与20世纪70年代,早期主要是应用在军事上,用于目标的检测、定位、跟踪和识别[3,4,5]。而随着工业系统的复杂化和智能化,该技术已经推广到了民用领域,主要应用有移动机器人[6,7]、医疗诊断[8]、智能交通[9]、智能制造[10]、智能检测、目标识别、现代化管理以及刑侦等很多领域。
本文对信息融合的模型结构和主要的融合算法进行详细的归纳总结,对目前的信息融合存在的问题进行阐述,并对未来研究方向进行展望。
2 信息融合的模型结构
多传感器信息融合的关键问题是模型设计。融合模型主要有功能模型和结构模型。功能模型从融合过程出发,描述数据融合包括哪些主要功能和数据库,以及进行数据融合时系统各组成部分之间的相互作用过程;结构模型从数据融合的组成出发,说明数据融合系统的软、硬件组成,相关数据流、系统与外部环境的人机界面[11]。
比较有代表性的功能模型:早期用于美国军事的JDL模型,它将信息融合分为三级:第一级为位置估计与目标身份识别;第二级为态势评估;第三级为威胁估计,这种分级方法广为认可和采用。为进一步使信息融合具有实际的指导性,何友等在JDL模型的基础上提出五级模型[12]。第一级检测级融合;第二级位置级融合;第三级目标识别级融合;第四级态势估计;第五级威胁估计。前三级的信息融合适用于任意的多传感器信息融合系统,后两级主要适用于军事的C3I系统。功能模型的最新进展是JDL提出的四级融合模型[13]。在原来三级模型的基础上又增加了“精细处理”级,此模型更强调了人在信息融合发展中认识上的升华。
对于结构模型,在信息融合的不同层次上有不同的结构模型。检测级的结构模型有:并行结构、分散结构、串行结构、和树状结构。位置级的结构模型有:集中式、分布式、混合式和多级式。属性级的结构模型有三类:对应决策层、特征层和数据层属性融合。
3 信息融合的主要算法
信息融合的研究内容极其丰富,涉及的基础理论也非常广泛,而信息融合方法是信息融合研究的核心技术。目前融合方法大致可以分两类:概率统计方法和人工智能方法[14]。其中概率统计方法主要有卡尔曼滤波、假设检验、贝叶斯方法、统计决策理论以及其他变形的方法。人工智能方法包括D-S证据推理、模糊逻辑以及神经网络、专家系统等。其中贝叶斯估计、D-S证据推理、模糊理论、神经网络占整个信息融合算法的85%[15]。而支持向量机作为一种比较新的机器学习方法也已经在信息融合中应用。
3.1 贝叶斯估计
贝叶斯融合方法产生于多传感器融合技术的初期,它首先对各传感器信息进行相容性分析,删除可信度低的错误信息,在假定已知相应的先验概率的前提下,根据贝叶斯规则获得每个输出假设的概率。对可信度低的错误信息可以采用数据探测技术中的分布图法[16]剔除。
贝叶斯是融合静态环境中多传感器低层信息的一种常用方法,适用于测量结果具有正态分布或具有可加高斯噪声的系统。此法的局限性在于先验概率的获得比较困难,特别是当数据是来自于低档传感器或,而未知命题的数量大于已知命题的数量时,先验概率是非常不稳定的。
3.2 Kalman滤波及其扩展
此方法用测量模型的统计特性递推决定在统计意义下是最优的融合数据估计。如果系统具有线性动力学模型,且系统噪声和传感器噪声是符合高斯分布的白噪声,那么,Kalman滤波为融合数据提供唯一的统计意义下的最优估计。工程实际应用中,系统模型线性程度的假设或者数据处理不稳定性时,将对信息融合过程产生较大影响。在这种情况下,常常采用扩展Kalman滤波(EKF)取代常规的Kalman滤波[17]。有时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器性能变坏,甚至使滤波发散。为了解决此问题,产生了自适应Kalman滤波[18]、去偏转换测量Kalman滤波[19]和无偏转换测量Kalman滤波[20]。针对目标状态的概率密度随时间演变的特点,又有Monte Carlo粒子滤波法[21]和无影变换Kalman滤波等[22]。而且现在也有很多研究者将Kalman滤波法和其它融合算法相结合,比如将小波变换和Kalman滤波相结合的多传感器数据融合在实际应用中也取得了较好的效果[23]。
此种方法用于实时融合动态的低层次冗余传感器数据采用Kalman滤波具有递推特性,但其计算要求和复杂性影响了其计算速度,但随着计算机技术的飞速发展,这些将不再阻碍此法的实际应用。
3.3 D-S证据推理
D-S(Dempster Shafer)证据推理是贝叶斯方法的扩展,它采用概率区间和不确定区间来确定多证据下假设的似然函数,也能计算任一假设为真条件下的似然函数值。它通过定义识别框架、基本可信度分配、信任函数、似真度函数、怀疑度函数、信任区间,在此基础上应用D-S合成规则进行证据推理,它能区分不确定信息和未知性信息,容错能力较强。
此方法缺点是一般情况下计算量非常大,且要求合并的证据相互独立,这在实际应用中很难满足。而且,在工程实际应用中,如何有效获取基本概率赋值也有待于进一步深入研究。同时,D-S理论只积累单独的信息源,而当事件合并后,时间权重与信任度之间存在不合理关系[9],因此,该理论还需进一步深入研究完善[24]。
3.4 模糊逻辑
利用模糊逻辑可将多传感器数据融合过程中的不确定性直接表示在推理过程中。通常模糊逻辑和其它的信息融合方法联合使用,如基于模糊逻辑和扩展的Kalman滤波的信息融合[25],基于模糊神经网络的多传感器融合[26~28]等。
3.5 人工神经网络
基于神经网络的信息融合实质上是一个不确定性推理过程,它充分利用外部环境的信息,实现知识的自动获取以及在此基础上进行联想推理。经过大量的学习和推理,将不确定环境的复杂关系融合为系统能够理解的符号。
传统的神经网络结构需要大量学习样本和隐结点数,甚至需要很多的隐含层,因此,需要很大的计算工作量。为了有效地改善神经网络信息融合的效果和速度,利用阵列神经网络进行信息融合的结构模型[29]。由多传感器所获取的有关环境方面的信息都具有一定程度的不确定性,所以现在很多采用模糊神经网络数据融合。模糊神经网络实质上就是将模糊逻辑推理的知识结构和神经网络的自学习能力结合起来,从而同时具有模糊逻辑和神经网络的优点。现在也有学者将神经网络和D-S证据理论相结合的数据融合算法研究。由此可见各种数据融合算法相结合,是未来算法研究的一个趋势。
3.6 支持向量机
支持向量机SVM(support vector machine)最初是由Vapnik提出的一种新兴的基于统计学习理论的学习方法。它通过构造最优超平面,使得对未知样本的分类误差最小。根据结构风险最小化归纳原则,为了最小化期望风险的上界,SVM通过最优超平面的构造,在固定学习经验风险的条件下最小化VC置信度[30,31]。与神经网络的启发式学习方式和实现中带有的很大的经验成分相比,SVM具有更严格的理论和数学基础,不存在局部最小问题。小样本学习使它具有很强的泛化能力,不过分依赖样本的数量和质量。
SVM已成为当前机器学习的一个研究热点,并且已经应用于多传感器信息融合中[32~35]。具体实际应用表明,该方法适用于解决小样本、高维特征空间和不确定条件下的多传感器信息融合问题,提高了融合结果的准确性和可靠性,提高了输入数据信息的利用效率和融合方法的灵活性。但由于本身支持向量机的理论和实践研究还都不够成熟,所以基于支持向量机的信息融合方法还有待完善。
随着人工智能技术的发展,以模糊理论、神经网络、证据理论、支持向量机为代表的智能方法占有越来越大的比例,因为这些方法兼有对问题描述的非建模优势和语言化描述与综合优势[36]。
4 信息融合研究中存在的问题
信息融合的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。因此信息融合问题本身至今未形成一套完整的理论,目前尚存在以下的问题:
(1)未形成基本的理论框架和广义融合算法:目前,绝大多数的融合研究皆是针对特定的应用领域的特定问题开展的,即根据问题的种类,各自建立直观的融合准则,形成最佳融合方案。目前还没有建立起一种通用的模型结构与方法,用来处理多维不确定性的信息,这不利于学科的发展和应用领域的开发。
(2)关联的二义性:关联的二义性是信息融合的主要障碍.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。传感器测量的不精确性和干扰等都是引起关联二义性的因素。所以关联二义性是信息融合研究亟待解决的问题。
(3)信息融合方法与融合系统实施存在的问题:目前,大多数信息融合是信息的简单合成,并未充分有效地利用多传感器所提供的冗余信息,融合方法研究也还处于初步阶段[37]。而且目前很多研究工作亦是基础研究和仿真性试验。因此,信息融合系统的设计实施还存在许多实际的问题。
5 信息融合的研究方向展望
信息融合技术涉及传感器技术、数据处理、网络通信、人工智能等相关技术,尚处在不断的变化和发展过程中,未来主要的研究方向应包括以下几方面:
(1)多传感器信息融合统一理论模型的建立
目前信息融合的数学模型与融合方法都具有明显的个性特征,缺乏通用性。如果建立起统一理论框架,包括信息的统一描述、数据处理的一般流程、融合空间的统一模型结构、归一化的融合结果,这样,对信息融合技术的发展和应用将是一个重要突破。
(2)异类传感器信息融合技术的研究
异类多传感器信息融合由于具有时间不同步,甚至是空间上不同步,数据率不一致及测量维数不匹配等特点,因而具有很大的不确定性[38]。这样,在融合处理之前需要对异质信息进行预处理,包括信息的统一表述,信息的转换以及去异质性等[1]。在融合过程中,需要在公共的融合空间对多维信息分别进行定标、时空匹配和时空相关,以保持融合信息的一致性,使信息融合系统在公共空间中进行融合,最终得到高精度的、高质量的融合结果。
(3)人工智能技术在信息融合中的应用研究
人工智能在多传感器数据融合中的应用已经是国内外研究的一个热点。目前应用于数据融合的人工智能方法有模糊集合理论、神经网络、专家系统、粗集理论、小波分析理论、和支持向量机等。人工智能技术在数据关联、目标跟踪、目标分类、特征提取、管理和评估等数据融合模型的研究已取得了一些进展,但在工程实现上还有许多问题需要处理。
(4)信息融合中的数据库和知识库技术研究
建立信息融合用的数据库和知识库,研究高速并行检索和推理机制,利用大型空间数据库中数据和知识进行推理是融合系统过程中的关键任务。但其数据量往往非常庞大,这就有必要深入研究和探讨用于空间数据库的知识发现机制和方法。
(5)多传感器信息融合系统的工程实现
目前尽管信息融合技术已经应用于军事和民事领域,但是都属于简单的应用,尚未开发出功能先进的集信息获取、融合、传感器管理和控制一体化的多传感器信息融合系统。
(6)信息融合系统的性能测试与评估
对于复杂的多传感器系统的性能测试及可靠性评估是多传感器信息融合的重要研究内容。目前,在实际中,不同的融合目的有不同的融合评估准则和方法,为了使准则具有可检测性和可比性,我们希望能够建立一个一致、统一的信息融合的评估体系,对信息融合效果能够进行实用的、可比拟的、可操作的评估。
6 结束语
多传感器信息融合技术作为一种新的现代信息处理技术,正在得到越来越多的关注。随着工业大系统的蓬勃发展和未来信息战的需求,以及相关学科的不断发展,多传感器信息融合将会得到更深入的理论研究,也将拥有更广阔的应用前景。
摘要：系统地介绍了多传感器信息融合技术的理论、模型和应用,并对多传感器信息融合的几种主要算法进行了全面的阐述和归纳,指出了信息融合研究中存在的主要问题,最后对信息融合技术的未来研究方向进行了展望。
电法多属性RGB色彩融合 篇9
1 属性融合技术
1.1 方法思路
为了模拟岩矿石的副电阻率的性态, 人们提出过很多个电路模型, 其中最成功的柯尔-柯尔模型。
其中ρ0为零频率时的等效电阻率, τ是时间常数, η是视极化率, c为频率相关系数。成千上万的岩石标本和露头上的测定结果表明柯尔-柯尔表达式不只是合适的, 而且是量度频谱激电特性的极好表达式。
四个柯尔-柯尔参数中, η表征了激电效应的强弱, ρ0反映了导电性的好坏, τ和c决定了双对数坐标中复电阻率幅频曲线变化的快慢, 和最大斜率出现的频率 (或相频曲线的陡缓和最大相位出现的频率) (频率域) 或二次场衰减的快慢 (时间域) 。根据研究, 对岩矿石的η和τ影响最大的是结构, 包括导电矿物的连通情况及颗粒大小等。c则反映了结构的均匀程度。因此, 可以根据η和τ来评价激电异常, 其中τ是评价激电异常的最重要的参数。这里选择视极化率、时间常数、频率相关系数三个电法属性进行RGB融合, 每个属性映射为一种颜色。通过改变属性与RGB的组合, 可以获得多张RGB融合图。
1.2 电法属性RGB颜色融合原理
红 (R) 、绿 (G) 、蓝 (B) 各占一个色彩通道, 作为三种基本颜色, 他们的取值范围为0~255。计算机显示设备通过RGB三者混合产生更多的颜色, 即
式中IRGB表示某一点的颜色;IR, IG和IB分别表示红, 绿, 蓝三种颜色;S为混色变换, 由计算机显示设备完成。在本文中, 由属性到RGB的映射采用的是一阶线性变换, 即
式中I表是一种属性 (η、τ、c) , νi表示一种属性的某个值, νmax和νmin分别表示一种属性值中的最大值和最小值。
1.3 电法属性RGB颜色融合流程图
2 实际电法数据处理
针对某地区数据, 首先进行插值处理, 分别得到时间常数、视极化率、频率相关系数3个 (*.grd) 文件, 利用自己开发的软件同时将这3个属性数据导入, 成图如下:
通过鼠标右键选择不同的属性组合得到不同的融合图像。
3 结论
以VC++为开发工具较好的实现了电法多属性RGB色彩融合, 明显的突出了异常, 同时验证了算法的可行性和软件的正确性。
摘要：为了提高电法属性的分析效率, 避免单一属性方法的片面性和更好的突出异常, 本文介绍在VC++环境下实现电法多属性RGB色彩融合。
关键词：多属性分析,RGB色彩融合,VC++
参考文献
[1]丁峰, 年永吉, 王志国, 等.地震多属性RGB颜色融合技术的应用研究[J].石油物探, 2010, 5.
[2]赵虎, 尹成, 朱仕军.多属性融合技术研究[J].勘探地球物理进展, 2009, 4.
[3]林岚, 李利军.基于RGB融合与主分量分析法融合比较[J].科学技术与工程, 2002, 7.
[4]刘国兴.电法勘探原理与方法[M].北京:地质出版社, 2005.
多软件融合 篇10
标准Kalman滤波是用于线性系统的最小均方意义上的最优状态估计。Kalman滤波对非平稳信号具有较强的估计能力,但标准最优Kalman滤波的缺点和局限性是要求知道系统的数学模型和噪声统计特性。所以,在单一尺度上,如果由于多种不确定因素干扰,导致使用不精确的模型和噪声统计,设计出的Kalman滤波器会导致滤波器性能变坏[1]。
多分辨率的数据进行多级别、多层次的处理能够获得更有价值的信息,而这种信息是单一尺度上所无法获得的。通过多尺度分解,在不同的尺度空间上分别刻画目标的特征属性再加以融合,可以有效地降低不确定因素的干扰,从而提高滤波器的滤波性能[2,3,4]。小波变换的多尺度特点非常适合多尺度信号的处理,特别是依靠小波变换的重构算法对低分辨率补充一定信息可以获得高分辨率近似补充。文献[5]中提出基于小波变换,寻找基于全局信息的一步预测值和估计误差协方差矩阵,通过综合不同尺度的信息来降低Kalman滤波对数学模型和噪声统计特性的依赖,这种方法比起单一尺度上的Kalman滤波效果是明显的,但计算量较大,由于算法侧重于横向数据更新,全局最优预测值和误差矩阵对滤波效果的影响变得较大,容易受到干扰。本文就此提出一种基于多尺度Kalman的融合滤波方法。充分利用初始估计序列来有效地降低向量和矩阵维数,减少运算量,把标准Kalman滤波只在单一尺度和时间轴上,对状态估计值和误差协方差进行数据更新,改进为基于小波变换在尺度轴和时间轴上,通过不同尺度的观测数据,纵向和横向双向数据更新,算法侧重于纵向数据更新,充分利用多尺度数据进行多层次融合处理,从而获得更好的滤波效果。
本文主要思想可以概括为:首先,在最细尺度N上通过标准Kalman滤波得到初始估计序列,然后通过小波变换将状态估计值和状态估计误差协方差的分块序列分解到最粗尺度,并根据相应尺度上的观测数据进行数据更新,然后通过小波重构,实现不同尺度上的数据更新,当纵向回归到原始尺度即最细尺度时,再跳至下一个数据块进行,直至滤波结束。在实际中,也可以利用此方法解决多传感器多分辨率数据的融合,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。
2 多尺度动态系统的描述及Kalman最优滤波
通常情况,动态系统状态方程在尺度N上的描述为
其中:k为离散时间变量,x(N,k)是状态向量,Φ(N,k)是系统状态转移矩阵,w(N,k)是系统噪声,且服从均值为零,方差为Q(N,k)的正态分布,初始值x(N0,)为一随机变量,其均值和方差是E[x(N,0)]=x0和E{[x(N,O)-x0][x(N,O)-x0]T}=P0。
动态系统量测方程在尺度N上的描述为
其中:C(N)系统观测阵,z(N,k)是对x(N,k)的观测值,观测噪声v(N,k)服从均值为零,方差为R(N,k)的正态分布,初始值x(N0,)与观测噪声v(N,k)以及系统噪声w(N,k)之间是互不相关的。
在尺度N上标准Kalman最优滤波的基本方程,如式(3)~式(7)所示:
3 基于小波变换的多尺度动态系统描述
我们由小波理论可知[6],通过一个脉冲响应为h(l)的低通滤波器可以从尺度i上获得粗尺度i-1上的平滑信号xL(i-,1k),脉冲响应为g(l)的高通滤波器可获得细节信号xH(i-,1k):
通过小波变换将状态方程从尺度i分解到粗尺度i-1,我们可以发现不同尺度之间的参数矩阵之间的内在联系,为了计算方便,一般我们取状态方程中的G(N,k)为单位阵,则i-1尺度上系统状态方程为
其中上标i表示结果由尺度i上小波分解得到的,比较式(10)和(11)可得式(12)~式(13):
由式(13)可推导出:
同样,用小波变换将量测方程从尺度i分解到尺度i-1,则i-1尺度上系统量测方程为
比较式(15)和式(16)可得式(17)~式(18):
从式(12)∼式(13)和式(17)∼式(18)可以看出,通过尺度i上的系统状态和量测方程的参数矩阵,可以很容易地获得尺度i-1上的相应的参数矩阵,研究标准Kalman最优滤波的基本方程可知,在尺度i-1上进行标准Kalman滤波估计还需要和Pk+1/k(i-1),我们将在多尺度Kalman滤波算法中给出计算方法。
4 基于小波变换的多尺度Kalman滤波
首先,假设一长度为T的信号,我们在单一尺度N上用标准Kalman滤波根据观测值进行估计。由于多种不确定因素干扰,滤波效果并不会很理想,在尺度N上,经Kalman滤波后,我们将得到估计序列和相应的估计误差协方差阵序列Pk/k(N),序列长度均为T,我们把得到的这一系列估计序列定义为初始估计序列,将这些序列分割成长度为M的数据块,其中T和M均设定为2的整数次幂,方便后续的小波变换。这样分割后的序列可表示为Xm(N)和Pm(N),则:
对于数据块Xm(N)中的每一个数据元素均来自于初始估计序列的估计值,由于我们要在尺度轴上对此估计值进一步修正,所以我们可以将此值看作一步预测状态估计值,为了保持与标准Kalman最优滤波方程中的符号的一致性,我们用符号来代替数据块Xm(N)的表示,此时是由初始状态估计值组成的数据块。
由式(8)~式(9)可知:经过从尺度N到尺度i的小波塔式分解,信号可分解为尺度i上的平滑信号和相应的各尺度l(i≤l≤N-)1的细节信号,这样我们把初始状态估计序列通过小波变换向尺度i分解,可得到尺度i上的平滑信号和相应各尺度l上的细节信号,如式(21)~式(22)所示:
对于初始状态估计序列,分解后不同尺度上的序列集合为
接下来,我们要获得相应尺度上的预测误差协方差阵。由估计误差协方差阵的定义可知:
其中:为尺度N上的一步预测误差,由于我们是对长度为M的数据块操作,所以此时估计误差协方差为一矩阵块。根据初始估计误差协方差阵序列,我们可以获得数据块Xm(N)的估计误差协方差阵为,如果用表示第i行第j列的元素,则:
同样,为了保持与标准Kalman最优滤波方程中的符号的一致性,我们用符号Pk/k-1(N)来代替数据块表示。这样对Pk/k-1(N)做小波变换实际上是一个二维离散小波变换[6],通过小波变换我们可以得到尺度i上的Pk/k-1(i)。
若在单一尺度上测量,我们可以通过下采样Zk(N)获得尺度i上的测量序列Zk(i),若是多传感器多分辨率系统,则尺度i上的测量值Zk(i)可以通过不同传感器的观测获得。在尺度i上,我们利用Kalman滤波方程对数据块进行数据更新。由式(17)、(18)、(23)和(26),我们可以得到尺度i上的Ck(i),Rk(i),和Pk/k-1(i),并通过式(27)~式(31)在尺度i上Kalman滤波:
数据更新结束后,通过小波重构我们可以得到尺度i+1上的以及Pk/k-1(i+1),在通过尺度i+1上观测值Zk(i+1)用同样的方法对序列进行数据更新,以此类推,直至尺度N,我们便得到了尺度N上的。同时在小波重构时,还可根据实际的研究情况,结合一定的小波域值去噪方法来去除部分噪声影响[7,8]。
5 仿真算例
实验一
系统在尺度4上的状态模型和尺度j(j=4,3,2,1)上的量测模型,如式(32)~式(33)所示:
其中:、w(,4k)~N[,0Q(,4k)]、v(j,k)~N[,0R(j,k)];式中Q(,4k)=diag1(1,),测量矩阵C(j,k)是单位矩阵,测量误差协方差矩阵R(j,k)为
尺度4为最细尺度,初始值x0=[10,]0T和P0=diag(4,4),选用d B4小波分解和重构。图1(a)信号在尺度4上的量测值(T=512,含两个状态分量)。图1(b)为最细尺度(i=4)上Kalman滤波结果。图1(c)为融合4层信息后的多尺度Kalman滤波结果(M=32),可以很直观地看出,多尺度Kalman滤波的有效性。
从表1中可以看出,融合的尺度越多,测量值的改进越明显,但当融合尺度数目过多时,测量值的改进程度明显减少且运算量随之增大,这是由于测量值提供的有用信息变少了,在粗尺度上的数据更新也就相应变少。从表2中可以看出,不同数据块大小对滤波效果也有明显影响,当数据块选取过大时状态估计误差协方差矩阵较大,数据之间的影响变大,导致滤波性能降低。所以,我们可以确定实际需求,确定适当融合尺度数目和数据块大小有效地提高滤波性能和效率。
实验二
继续采用式(32)∼式(33)的系统状态模型和量测模型,尺度4为最细尺度。假定此系统为多传感器多分辨率系统,我们用三个分辨率不同的传感器来观测系统信号,并进行数值仿真,三个传感器对信号观测的结果如图2(a)∼图2(c)所示,其信噪比(SNR)分别为13.4d B、9.2d B、6.7d B,图中为信号的第一个状态分量,初始值x0=[10,0]T和P0=diag(4,4)。这样式(27)的尺度i上的测量值Zk(i)可以通过不同传感器的观测获得,我们选用d B4小波分解和重构,传感器1、2、3的量测分别对应尺度2、3、4上的观测,将三个尺度上的数据融合后的结果图如图2(d)所示,其信噪比为19.3d B,可以看出基于多尺度Kalman的多传感器数据融合滤波算法具有良好的滤波效果,可用于多分辨率多传感器数据融合。
6 结论
本文通过深入分析基于小波变换的动态系统模型,提出一种基于多尺度Kalman的数据融合滤波的方法,利用小波的多尺度特点,把初始估计序列多尺度分解,并进行分层Kalman滤波估计,通过小波重构进行估计融合。该算法将小波多尺度分解和Kalman滤波结合起来,同时还有效地利用了多分辨率的数据信息。通过实验可以看出,该算法对实际中含较强噪声的动态系统状态估计效果较好,同时也能用于多分辨率多传感器数据融合。
摘要：本文通过分析基于小波变换的动态系统模型,提出一种基于小波多尺度的Kalman数据滤波方法,本文利用小波的多尺度特点,把初始估计序列多尺度分解,并在不同尺度层上进行Kalman滤波估计,再利用小波重构来融合各层的估计信息,把标准Kalman滤波只在单一尺度和时间轴上对状态估计值和误差协方差进行数据更新,改进为基于小波变换的尺度轴和时间轴上的双向数据更新,该算法将小波多尺度分解去噪和Kalman滤波相结合,对实际中含较强噪声的动态系统的状态估计效果较好。算法也可用于多分辨率多传感器数据融合。
关键词：多尺度,Kalman滤波,小波变换,数据融合
参考文献
[1]邓自立,许燕.基于Kalman滤波的白噪声估值理论[J].自动化学报,2003,29(1):21-23.DENG Zi-li,XU Yan.White Noise Estimation Theory Based on Kalman Filtering[J].Acta Automatica Sinica,2003,29(1):21-23.
[2]HONG L,CHEN G R,CHUI C K.A Filter-bank-based Kalman Filtering Technique for Wavelet Estimation and Decomposition of Random Signal[J].IEEE Trans.On Circuits and systems II:Analog and Digital Signal Processing,1998,45(2):237-241.
[3]WEN X B,TIAN Z,LIN W.Robust Kalman Filter and Smoothing Recursive Estimator for Multiscale Autoregressive Process[C]//ICSP’04.7th International Conf.Beijing:IEEE,2004,1(1):364-367.
[4]雷明,韩崇昭,元向辉,等.非线性系统的小波分频的扩展Kalman滤波[J].光电工程,2006,33(6):68-72.LEI Ming,HAN Chong-zhao,YUAN Xiang-hui,et al.Wavelet Decomposing based Subbandwise Extended Kalman Filtering for the Nonlinear System[J].Opto-Electronic Engineering,2006,33(6):68-72.
[5]文成林.多传感器单模型动态系统多尺度数据融合[J].电子学报,2001,29(3):341-345.WEN Cheng-lin.Multiscale Data Fusion for Multi-Sensor Single Model Dynamic Systems[J].Acta Electronica Sinica,2001,29(3):341-345.
[6]MALLAT S.A Wavelet Tour of Signal Processing(Second Edition)[M].San Diego:Academic Press,1999.
[7]彭玉华.一种改进的小波变换阈值去噪方法[J].通信学报,2004,25(8):119-123.PENG Yu-hua.An Improved Thresholding Method in Wavelet Transform Domain for Denosing[J].Journal on Communications,2004,25(8):119-123.