异质传感器数据融合

异质传感器数据融合（精选7篇）

异质传感器数据融合 篇1

摘要：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。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。

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.

[2]Lawrence A, Klein.Sensor and data fusion conceptsand applications.SPIE Op-tical Engineering Press, Washington, 1999.

无线传感器网络中的数据融合 篇2

0.1数据融合的含义

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地结合，最后得到对被感知对象的更精确的描述。融合一般可以简单地认为是将多个节点采集到的数据中的冗余部分去掉，当然也有一些融合函数是传送多份数据中最大的或最小的数据等。

0.2无线传感器网络中数据融合的意义及作用

无线传感器网络感兴趣的是具有特定属性的感知数据，信息的传送是以数据为中心的。由于传感器节点数量大且随机分布，相邻的传感器对同一事件进行监测所获得的数据具有相似性，而传感器节点在能量、存储空间与计算能力上有限，因此冗余数据的传送在一定程度将消耗过多的能量，缩短整个网络的生存期。为避免上述问题，传感器网络在收集数据过程中需要使用数据融合技术，即将来自多传感器节点的数据进行综合处理，得出更为准确完整的信息。

在无线传感器网络中数据融合作用表现在三个方面：节省能量，提高信息准确度和提高数据聚集效率。

1 数据融合技术的研究现状

(l)遗传算法和模糊聚合相结合。

这种方法的优点在于：首先遗传算法是一种并行化算法，能够较好地解决多参数的优化问题，并且针对算法的特点采用某些较新的算子，如实编码方式及对应的交叉算子，和不一致变异技术应用都保证遗传算法具有较好的性能并节省时间;其次，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。这两种方法的结合还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。

(2)模糊系统与神经网络相结合。

神经网络虽然对环境的变化具有较强的自适应能力和自学习能力，但从系统建模的角度而言，它采用的是典型的黑箱学习模式。因此，当学习完成后，神经网络所获得的输入输出关系无法用容易被人接受的方式表示出来;且神经网络诊断方法存在故障判断中非此即彼的绝对性，有时使诊断结果与实际情况不符。而模糊系统是建立在被人容易接受的表达方式之上，但如何自动生成和调整隶属度函数和模糊规则，则是麻烦的问题，它依赖于专家，很费时间。如果将模糊逻辑与神经网络融合，取长补短，利用神经网络来实现系统的模糊逻辑推理，(使传统的神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的物理含义)建立一种基于模糊系统与神经网络融合的方法，可提高整个系统的学习能力和表达能力，克服各自的不足，充分发挥两者优势。这些问题都不是仿真所能解决的。

(3)兼有稳健性和准确性的融合算法和模型的研究。

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。目前，国内外已有不少学者致力于此，针对具体的应用对象提出了相应的各种模型及算法。

(4)研究数据融合用的数据库和知识库，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(1012Bytes)，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。目前己有许多学者致力于此领域的研究，提供了多种数据挖掘方法：如基于泛化的空间数据挖掘方法、空间数据聚类、近似计算与聚类、挖掘光栅数据库。POSS-Ⅱ决策树方法的分类稳定性优于神经网络。1996年,Shek研发了CONQUEST(基于内容的空间和时间查询)。

(5)

开发推理系统，以进行融合过程中的状态估计和决策分析。

(6)研究数据融合的体系结构。

在Reiner和Yannor提出的集中式、自主式和混合式结构的基础上，又有学者提出了多级混合结构的设计思想。

2 分簇算法中的数据融合

LEACH协议是由美国MIT的Heinzelman等研究人员设计的无线传感器网络路由协议，该路由协议能够在无线传感器网络中定期选举一些簇头节点，形成基于层次结构的路由机制。该路由协议可以支持簇头节点中的数据融合，以减少数据传输的能量消耗。

在LEACH协议中，数据融合是在簇头节点中进行的。由于所有簇成员节点都会将自己采集的现场数据先发送给簇头节点，因此簇头节点是非常合适的数据融合点，能够体现出尽早进行数据融合的原则和优势。LEACH协议中，一旦选举产生新的簇头节点后，其附近的传感器节点会申请加入该簇头，成为簇成员节点。在每个簇中，簇成员节点与簇头节点的通信可以采用时分复用，由簇头节点通知每个成员节点与簇头节点通信的时隙，然后簇成员节点会依次发送数据给簇头节点。簇头节点在等到每轮数据通信结束后，对所有簇成员节点发送给它的数据进行融合处理。

先有的LEACH协议只提到了可以在簇头节点进行数据压缩，但没有给出具体的压缩方法及实例。从理论上讲，压缩方法可以随具体应用的不同而不同，可以针对不同数据类型的特征采用压缩效率好的算法。可以在这设想一种编码的压缩算法在传感器节点对采集到的原始数据进行压缩处理后才传输给汇聚节点，以减少数据传输所消耗的能量。

3 数据融合的负面影响

数据融合技术会给无线传感器网络带来明显的负面影响，那就是明显增加了端到端的延迟时间。一方面，进行数据融合意味着报文将在数据融合点耗费更多的处理时间，处理时间的长短与数据融合算法的复杂度有关;另一方面，数据融合意味着报文将在数据融合点停留更多的时间，需要等待来自其它数据源的数据，以对来自不同数据源的数据进行融合处理，然后将处理结果向汇聚节点转发。

4 结束语

在无线传感器网络中引入数据融合技术有效地提高了数据收集效率，提高了信息采集的及时性，节省了通信带宽和能量资源，从而延长了网络生命周期，这对无线传感器网络的设计与应用具有重要的意义。但由于对无线传感器网络数据融合具体方法的研究还处于初步阶段，还没有很好解决融合系统中的容错性、鲁棒性等问题，所以将数据融合技术应用于无线传感器网络还存在许多实际问题。

参考文献

[1]郭戈,罗志刚.多传感器数据融合方法的研究与发展[J].机电一体化,2003,6(5):12-17.

[2]任丰原,黄海宁,林闯.无线传感器网络[J].软件学报,2003,14(7):1282-1291.

[3]涂国平,叶素萍.一种传感器数据的融合算法[J].传感器技术,2003,22(3):30-32.

[4]郑勇,杨志义,李志刚等.基于无线传感器网络的网内数据融合[J].计算机应用研究,2006,23(4):89-91.

[5]张明路,戈新良,唐志强等.多传感器信息融合技术研究现状和发展趋势[J].河北工业大学学报,2002,(2):30～35.

[6]Lan F Akyildiz,weilian Su,Yogesh Sankarasubramani-am,etal.A Survey on Sensor Networks[J].IEEE Communications Magazine,2002,40(8):102-144.

异质传感器数据融合 篇3

随着电子技术、信息处理技术的飞速发展, 数据融合技术已广泛应用于各种复杂领域, 尤其在水下水声目标探测识别方面是较早应用的领域。由于水下环境的复杂性和不确定性, 造成了单个传感器接收信息不仅不全面, 而且不可靠, 从而使得多个传感器的联合使用成为一个趋势。多传感器数据融合技术的基本原理就像人脑综合处理信息一样, 充分利用多个传感器资源, 通过对传感器及其观测信息的合理支配和使用, 把多传感器在空间或时间上冗余或互补信息依据某种准则进行组合, 以获得被测对象的一致性解释或描述[1]。现代舰艇往往配备多部主动声呐和被动声呐, 搜集不同方位的目标信息或同一目标的不同特征信息, 进而做出更精确

的高频超视距雷达信息处理与融合 (61135001)

的判断。

本文采用多套水声设备或同一套设备的不同工作方式 (即多传感器) 来定位水下水声目标, 对测量结果进行数据融合, 提高定位精度, 从而获得目标位置的更准确信息。

1 模糊理论

设要把n个冗余数据融合为一个数据。设原始数据为X1, X2, …, XM, 它们是不同传感器对同一物体的同一物理量进行测量得到的。Xj (j=1, 2, …, M) 均为随机变量。水声设备 (四元超短基线阵) 接收水下目标发送的声信号, 获取时延信息t, c为水下声速, 根据空间几何关系可以推导出水下目标的坐标值Xj直角坐标系中的坐标xj, yj或zj) [3], 定位精度为坐标值的标准差σj。四元超短基线阵被动定位结构如图1所示。

采用格拉斯准则剔除测量数据中疏失的数据值, 步骤为:

(1) 由式 (1) 和式 (2) 计算各个水声设备定位水下目标得到的位置数据值的均值和标准差:

(2) 由式 (3) 计算格拉斯统计量[4]:

若满足式 (4) , 则舍弃T对应的:

(3) 重复式 (1) 、式 (2) 和式 (3) , 直至所有的数据值都满足格拉斯准则。

2 两个数据的加权平均法融合

2.1 常规加权平均法

所有传感器都可以在测量之前经过仔细校准来消除系统误差, 于是Xj (j=1, 2, …, M) 都没有系统误差。设只有X1和X2被融合, 它们均为随机变量, X1是[-1, 1]上的均匀分布, X2是[-h, h]上的均匀分布, 令h≥1, 设σ1和σ2为两组数据的精度值, k为权重因子, 0<k<1, 融合后的数据为Y, 通常的融合两个数据的加权平均法的形式如:

这是独立于上下文的定常 (Context Independent Constant Behavior, CICB) 融合算子, 其融合参数不随待融合数据的变化而变化。设σ3为融合数据Y的精度, 则若σ3<σ1且σ3<σ2, 就说明加权平均法有效改善了多套水声设备的定位精度。

2.2 优化加权平均法

现在来优化常规的加权平均法, 需要求出当k为何值时, 该方法能达到最优, 也就是精度达到最高。这里通过最小化E|Y|来求k的值[5], 首先计算概率分布函数, 然后计算, 再令d (E|Y|) /dk=0, 就能求出k的最优值, 结果如下:

将式 (6) 代入式 (5) , 计算融合数据Y, 再代入式 (2) , 求出融合精度σ3。

2.3 自适应加权平均法

经过格拉斯统计量判据后, 对得出的有效数据求取各组测量数据的估计值X0和估计标准差σ0, 计算原数据值和估计值的均值之间的模糊贴近度, 求出各组数据的相对权重, 从而得出最优加权因子:

将式 (7) 代入式 (5) , 计算融合数据Y, 再代入式 (2) , 求出融合精度σ4。

2.4 三个数据的加权平均融合

设只有X1, X2和X3被融合, 它们均为随机变量, X1是[-1, 1]上的均匀分布, X2是[-h2, h2]上的均匀分布, X3是[-h3, h3]上的均匀分布, 令h2≥1, h3≥1, 设σ1, σ2和σ3分别为三组数据的精度值, k1和k2为权重因子, 0<k1<1, 0<k2<1, 0< (1-k1-k2) <1, 融合后的数据为Y, 通常的融合三个数据的加权平均法可以描述为:

事实上, 大多数加权平均法都可以用式 (7) 来表示, 简单来说, 就是先融合X1和X2, 再将融合结果与X3进行融合, 求取最终融合数据的精度值σ4。

3 算法仿真

在实际工程应用中, 采用2台水声设备或1台设备的不同工作方式对水下目标进行定位, 可以在不同时间段内采集到多组数据, 换算为目标的位置数据值x, 首先通过提出的模糊理论剔除不满足格拉斯准则的数据, 再在两套数据组中个选择一个数据进行融合, 得到融合精度。

这里的仿真过程采用Matlab函数unifrnd分别生成两个数据X1和X2, 各包含100个数据点, 其中X1是[-1, 1]上的均匀分布, X2是[-h, h]上的均匀分布, h≥1。

(1) 按照优化加权平均法对两个数据X1和X2进行融合, 获取优化加权因子k和融合精度σ3。

(2) 按照自适应加权平均法对两个数据X1和X2进行融合, 获取优化加权因子k0和融合精度σ4。

(3) 计算两个数据X1和X2各自的定位精度σ1和σ2, 与融合后的数据精度σ3和σ4进行比较, 如表1所示。

将获取的精度值σ1, σ2, σ3和σ4用Matlab函数画图, 如图2所示。其中σ2变化趋势较大, 不在图中显示。

将图2和表1结合可以看出, 随着σ2逐渐变大, σ3和σ4总小于σ1, σ3和σ4而且相差较小, 这就说明优化加权平均法和自适应加权平均法都可以有效改善定位精度, 而且采用两种方法对两个数据进行融合后的结果区别不大。

(4) 用蒙特卡洛方法做10 000次两个数据的融合, 得到融合精度均值。由于函数unifrnd生成的数据X1和X2带有随机误差, 只做一次两个数据的融合, 不能充分说明优化加权平均法和自适应加权平均法的细微差别, 为了进一步明确两种方法差异, 这里采用蒙特卡洛方法做10 000次两个数据的融合统计, 求取融合精度的均值σ3′和σ4′, 如表2所示。

将获取的精度值σ3′和σ4′用Matlab函数画图, 如图3所示。

结合表2和图3可以看出, 应用优化加权平均法和自适应加权平均法都可以有效改善定位精度, 尤其是自适应加权平均法, 它的效果比优化加权平均法明显更好一些。在今后的水下水声定位的数据融合中, 将多采用自适应加权平均法提高定位精度。

4 结语

本文提出了优化加权平均法和自适应加权平均法来优化两个精度不同的数据值, 这两个数据是均匀分布的, 比较了两种方法的融合结果, 自适应加权平均法明显更好一些。将来的工作把该方法推广到水下水声定位的实际工程应用中, 在三个数据或多个数据的融合上可以做更多研究。

参考文献

[1]龚纯.信息融合技术在军事领域的应用与研究[J].舰船电子工程, 2013, 33 (3) :29-30.

[2]金开春, 王厅.对多传感器数据融合的综合研究[J].科技信息, 2010 (1) :20-21.

[3]郑琛瑶, 潘泉, 董真杰.利用相关峰内插时延估计提高四元阵定位精度[J].声学技术, 2012, 31 (5) :526-529.

[4]池磊, 李文勇.模糊数学和自适应加权平均在多传感器数据融合中的比较研究[J].装备制造技术, 2012 (12) :143-144.

[5]唐琎, 张闻捷, 高琰, 等.不同精度冗余数据的融合[J].自动化学报, 2005, 31 (6) :934-942.

多传感器数据融合系统的软件实现 篇4

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.

异质传感器数据融合 篇5

关键词：数据融合技术技术,无线传感器网络,算法应用

1. 引言

微电子技术、计算机技术和无线通信等技术的进步，推动了低功耗多功能传感器的快速发展，使其在微小体积内能够集成多种数据通信功能。无线传感器网络(Wireless Sensor Networks, WSN)通过各类集成化的微型传感器协作地实时监测、感知和采集各种环境或监测对象的信息，并通过随机自组织无线通信网络以多跳中继方式将所感知信息传送到用户终端。

WSN的发展受到能量供应、存储数据量、数据处理能力、系统鲁棒性等诸多条件的限制和挑战。其中，能量有限的传感器节点如何实现复杂的数据监测和信息传输是需要解决的首要问题。传感器网络主要利用网内数据处理(in-network processing)技术[1]，即数据融合(data aggregation或data fusion)技术来解决上述问题。所谓数据融合，即利用计算机技术，对按时间顺序获得的若干传感器的观测信息，在一定的准则下加以自动分析、综合，从而完成所需要的决策和估计任务而进行的信息处理过程。在大多数无线传感器网络应用中，许多时候只关心监测结果，并不需要收到大量的原始数据，数据融合是处理该类问题的有效手段。

2. 数据融合的重要性

由于单个节点的监测范围与可靠性都有限，在组建传感器网络预置节点时，需要使节点的监测范围交叠，以增强信息的准确性。那么，相邻节点感测的数据就会具有一定的空间相关性，从而导致整个网络采集的数据包含大量的冗余信息。因此，使各个节点的数据在被汇聚节点(Sink节点)处理前，先进行数据融合处理时非常有必要的，数据融合技术应运而生。

数据融合是WSN中非常重要的一项技术，也是目前的一个研究热点[2]。该技术通过一定的算法将传感器节点采集的大量原始数据进行各种网内处理，去除其中的冗余信息，只将少量的有意义的处理结果传输给汇聚节点。数据融合技术能有效地减少网络中的数据传输量，从而节省传感器节点的能量，延长无线传感器网络的生命期。

3. 无线传感器网络的数据融合技术

数据融合技术涉及到检测技术、信号处理、决策论、不确定性理论、估计理论、最优化技术、神经网络和人工智能等众多学科领域。

很多学者从不同角度出发，提出了多种数据融合技术方案。从技术原理角度，可分为假设检验型数据融合、滤波跟踪型数据融合、聚类分析型数据融合、模式识别型数据融合、人工智能型数据融合等。根据融合的规则，可分为依赖于应用的数据融合、独立于应用的数据融合、基于分布式数据库的数据融合[3]、基于中心的数据融合，等等。按对数据的处理方式，可分为像素级融合、特征级融合和决策级融合。从融合方法来分，有Bayes推理法、表决法、D-S推理法、神经网络融合法等。以下从不同角度分析传感器网络中的典型数据融合技术。

3.1 估计方法

利用一般的数据检测和估计理论，例如加权估计、极大似然估计、最小二乘法和卡尔曼滤波等方法进行数据融合。其中，卡尔曼滤波主要用于融合低层次的传感器数据。该方法利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。根据经典数学理论，如果传感器系统具有线性动力学模型，且误差符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统不需要大量的数据存储和计算。这种方法实时性好，适合于处理动态的、低层次、冗余的数据。

3.2 统计方法

利用经典的推理和统计方法，例如D-S证据理论，贝叶斯估计算法是传感器网络中进行高层数据融合常用的技术。它把每个传感器看作是一个贝叶斯估计器，将每一个目标各自的关联概率分布综合成一个联合后验分布函数，随着观测值的到来，不断更新假设的联合分布的似然函数，并通过该似然函数的极大或极小进行数据的最后融合。贝叶斯推理解决了部分经典推理中的问题，其难点是定义先验似然函数，存在多个潜在假设和多个条件独立事件时比较复杂，要求有些假设是互斥的和缺乏通用不确定性能力。

3.3 人工智能方法

单一的数据融合算法具有一定的局限性，将多种算法进行优势集成已逐渐成为数据融合算法的研究热点。例如，遗传算法和模糊聚合相结合，模糊系统与神经网络相结合等方法是今后数据融合技术发展的方向。遗传算法是一种并行化算法，可较好地解决多参数优化问题，且其算子能更好地模拟模糊关系，从而达到较高精度。神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，对环境的变化具有较强的自适应能力和自学习能力。模糊系统是模糊集合论和信息处理技术相结合的产物，有效地利用模糊的信息对复杂事物进行模糊度量、模糊识别、模糊推理，等等。模糊系统采用简单的推理规则，但自动生成和调整隶属度函数是个难题。若将两者结合，取长补短，则可提高整个系统的学习能力和表达能力。

4. 数据融合技术的应用和发展

数据融合技术是为适应WSN以数据为中心的应用而产生的，是实现无线传感器网络节点节能目的的重要手段之一，其重点在于减少需要传输的数据。随着研究者的不断努力，数据融合的基础理论、兼有稳健性和准确性的融合算法必将得以完善和实现，多传感器数据融合技术将在更多的行业领域得到实际的应用。

参考文献

[1]Zeng Si-liang, Xu Jian-bo.A new in-network data aggre-gation technology of wireless sensor Networks[J].IEEE Computer Society, 2006, 25, (4) :93-101.

[2]康耀红.数据融合理论与应用 (第二版) .西安电子科技大学出版社, 2006, (5) .

异质传感器数据融合 篇6

在现今的我国, 无线传感器网络是在微机电技术、嵌入式技术以及网络和无线通信技术等先进技术的支持下得到有效发展的信息传输网络, 在这一网络中安全数据融合技术的应用能够有效降低网络成本并且降低网络功耗, 与此同时还具备相应的感知数据和处理数据的功能, 从而能够使得无线传感器网络的无线通信能力得到进一步的增强, 因此在这一前提下, 对基于无线传感器网络的安全数据融合技术进行研究与分析就具有极为重要的经济意义和现实意义。

1 安全数据融合技术简析

安全数据融合技术是一项系统性的技术, 主要是通过技术原理、技术优越性、技术缺陷等内容得以体现。以下从这几个方面出发, 对安全数据融合技术进行简析。

1.1 技术原理

安全数据融合技术的应用离不开无线传感器网络的有效支持, 通常来说无线传感器网络是由成千上万个传感器节点所组成的, 因此在这一网络中大多数单个节点所传输的数据通常没有很大的意义。而网络使用者所需要的数据都是通过单个节点的数据通过相应加、减、乘、除、求平均值、最大值、最小值、方差等运算得到的结果。因此在这一前提下, 通过将这些运算得到的多数据节点进行融合, 再将融合后的节点以单一信息的结果进行传输, 将其传输到目的地节点, 在这一流程中安全数据融合技术能够对信息数据起着极为重要的管理作用和优化作用, 与此同时极大程度上的减少了无线传感器网络中的冗余数据, 从而节约通信能量。另一方面, 在安全数据融合技术的应用过程中, 由于大量的复杂节点都得到了融合, 从而使得整个无线传感器网络的能量都得到了整合, 从而极大程度上的地节约了整个网络的能量。

1.2 技术优越性

安全数据融合技术之所以能够在无线传感器网络中得到有效应用, 与其自身的优越性有着很强的联系。通常来说, 在无线传感器网络中的传感器节点可以在安全数据融合技术的协作下持续地完成网络的实时监测工作和采集被监测对象信息的工作, 在上述工作完毕之后, 安全数据融合技术能够将数据进行处理, 然后将其发送给数据的观察者。除此之外, 安全数据融合技术的优越性还体现在了这一技术的应用能够更好地推动物理运算与信息系统的有机融合, 从而使人们可以更加快捷、更加准确地洞察微观环境与宏观环境的变化, 这一能力的提升将会使得人们更加便利的对无线传感器网络进行完善。因此从本质上来说, 安全数据融合技术的应用有效降低了数据传输的整体开销并且有效延长了无线传感器网络的生命周期, 最终在提升带宽使用效率的同时促进了无线传感器网络整体水平的有效提升。

1.3 技术缺陷

虽然安全数据融合技术自身具有较多优越性, 但是也存在诸多技术缺陷。例如虽然在无线传感器网络中数目庞大的传感器节点可以通过协作来完成重大的监测任务, 但是每个单令传感器节点由于成本因素、体积因素、功耗限制因素等的影响, 其自身的计算能力、程序和内存空间比普通计算机弱小得多。除此之外, 由于无线传感器网络中的单节点需要电池供电因此其能量十分有限, 这使得其在使用过程中通常是一次性的, 因此能耗问题将会是影响安全数据融合技术在无线传感器网络中进一步有效应用的重要阻碍。

2 安全数据融合技术在无线传感器网络中的应用

安全数据融合技术在无线传感器网络中的应用是一项系统的工作, 其主要内容包括了优势的充分发挥、提升技术安全性、提升技术稳定性、反映网络态势模型等内容。以下从这几个方面出发, 对安全数据融合技术在无线传感器网络中的应用进行分析。

2.1 优势的充分发挥

优势的充分发挥是安全数据融合技术在无线传感器网络中应用的基础和前提。通常来说在比较了无线传感器网络中使用了安全数据融合技术和不使用安全数据融合技术的两种情况后的网络状态, 我们可以发现其存在的优势, 因此在这一前提下, 通过优势的充分发挥就可以采用点到点分流的数据传输模式并且有效减少单个节点的负担, 从而促进安全数据融合技术在无线传感器网络中应用效率的有效提升。

2.2 提升技术安全性

提升技术安全性对于安全数据融合技术在无线传感器网络中应用的重要性是不言而喻的。在安全数据融合技术的应用过程中, 工作人员应当注重数据融合的有效进行并且合理减小数据冗余, 与此同时最小化数据传输量, 这能够在减少WSN能耗的同时促进技术应用安全性的有效提升。除此之外, 提升技术安全性的同时还能够有效避免信息泄漏、假信息的注入、重复消耗攻击等对于传统无线传感器网络危害较大的问题, 从而避免无线传感器网络受到相应攻击的困扰。另外, 在提升技术安全性的过程中, 工作人员还应当注重使用不同的融合方案来提升数据融合过程的安全性, 从而在此基础上促进无线传感器网络安全性的有效提升。

2.3 提升技术稳定性

提升技术稳定性是安全数据融合技术在无线传感器网络中应用的核心内容之一。众所周知, 无线传感器网络拥有众多类型的传感器, 并且可以探测包括地震、电磁、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, 而安全数据融合技术在无线传感器网络中的应用可以有效提升其自身的探测水平。但是在这一过程中应当确保这一提升是稳定的和精确的, 并且能够更多的关注感知环境区域中的推断信息, 最终促进安全数据融合技术在无线传感器网络中的稳定性得到有效提升。

2.4 反映网络态势模型

Jason Shifflet在其《A technique independent fusion model fornetwork intrusion deteetion》一文中说明了利用安全数据融合技术可实现异质数据的集中和关联, 并且能够建立一个能反映无线传感器网络的当前网络态势模型。在这之后Salerno和m.Hinman等学者也对安全数据融合技术反映网络态势模型的特点进行了分析, 并且在此基础上构建了态势感知的一般框架, 最终证明了将安全数据融合用于态势感知能更好地获取无线传感器网络的网络安全态势, 并且能够对无线传感器网络的进一步发展提供极为有力的支持。

3 结束语

随着我国信息网络整体水平的不断进步和无线技术发展速度的持续加快, 在无线传感器网络中, 安全数据融合技术得到了越来越多的重视。因此无线传感器网络的研究人员应当对安全数据融合技术的内容有着清晰的了解, 从而能够在此基础上通过应用实践的进行来促进我国无线传感器网络整体水平的有效提升。

参考文献

[1]孙利民.无线传感器网络[M].北京:清华大学出版社.2005.

异质传感器数据融合 篇7

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。