融合状态

融合状态（共3篇）

融合状态 篇1

1 引言

数据融合的主要任务是利用传感器数据进行的状态估计。状态估计就是通过数学方法寻找与观测数据最佳拟合的状态向量。如确定运动目标的当前位置与速度;确定运动目标的未来位置与速度;确定运动目标的固有特征与特征参数。

状态估计是数据融合的主要任务之一, 状态估计主要对目标的位置和速度的估计, 本文主要介绍了应用Kalman滤波对目标进行状态估计, 并应用Matlab仿真软件实现了卡尔曼滤波算法, 进行了性能分析。提出了在数据融合仿真系统中应用扩展Kalman滤波算法对目标状态进行估计。

2 卡尔曼滤波算法

卡尔曼滤波器被广泛的应用于各个领域, 在通信、雷达、导航、自动控制等领域均可以找到它的身影, 如航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等。卡尔曼滤波器在目标跟踪中具有良好的性能, 它是最佳估计并能够进行递推计算, 即它只需要当前的一个测量值和前一个采样周期的预测值就能进行状态估计, 因此它受到普遍欢迎。

在用卡尔曼滤波器解决运动目标或实体的状态估计问题时, 它的动态方程和测量方程均是线性的, 然而在很多实际应用中, 传感器所给出的是目标的斜距、方位角, 数据与目标之间是非线性的, 因此在现代雷达跟踪中采用混合坐标系。扩展卡尔曼滤波器是一种采用混合坐标系进行滤波和残差计算的卡尔曼滤波器。扩展卡尔曼滤波器与标准卡尔曼滤波器的区别在于:

(1) 在计算残差时, 采用极坐标系; (2) 在跟踪计算时, 采用直角坐标系; (3) 输出数据为直角坐标系数据; (4) 在两者的交接处进行相应的坐标变换。

混合坐标系进行卡尔曼滤波跟踪的过程如图1所示

2.1 卡尔曼滤波目标运动方程和观测方程的建立

在应用卡尔曼滤波对目标状态进行跟踪前先建立了目标运动方程和观测方程。目标运动方程用来模拟目标的运动, 设定目标的初始条件及参数, 目标将计算并公布目标的位置信息;观测方程模拟传感器对目标进行观测以及传感器的观测噪声。数据融合仿真系统建立了以下的目标运动方程和观测方程。

目标运动方程:

其中x1, x2, x3, x4分别代表距离, 速度, 方位角, 角度变化率。A为系统矩阵, T为采样周期, W (k) 为噪声项模拟大气等因素对目标的影响, 产生随机干扰。

观测方程:

其中Z1, Z2分别表示距离和方位角, C为观测矩阵, V (k) 为噪声项模拟传感器的观测误差。

2.2 卡尔曼滤波在目标状态估计中应用

式 (1-5) 中Z (k) 为当前时刻观测值, 为前一时刻对当前时刻预测值。

卡尔曼滤波增益方程为

卡尔曼滤波状态估计方程:

根据式 (1-5) (1-6) 可以得到当前状态的估计值。

状态估计协方差方程

式 (1-9) 中I为单位矩阵, P軌 (k) 为前一时刻预测协方差矩阵, P赞 (k) 为当前时刻估计协方差。

根据公式 (1-9) 得到预测协方差:

作为下一时刻的卡尔曼滤波运算参数。

由以上方程组可知, 只需要X軒 (1) , P軒 (1) , 整个卡尔曼滤波过程便可以进行下去。

3 仿真测试结果

本文应用Matlab 6.5软件实现了卡尔曼滤波算法, 并通过仿真进行了比较。

图中红色表示前一时刻预测距离值与当前估计距离值的差, 蓝色表示前一时刻角度预测值与当前角度估计值的差。从图中可以看出开始误差比较大, 随着采样周期的加多, 误差逐渐减小, 说明卡尔曼滤波对误差有很好的修正能力。图2中左图显示采样1000次的结果, 图2中右图显示采样5000次的结果, 通过比较可以看出随着采样次数的增加, 误差值趋于平稳。数值实验的结果表明, 该算法用于雷达系统中的目标进行跟踪时, 具有良好的跟踪效果。并且用在实际的项目中也取得了较满意的效果。

参考文献

[1]郑黎义.多传感器数据融合目标跟踪算法研究[D].中国工程物理研究院硕士论文, 2005.1.

[2]胡宏灿等.联合卡联合卡尔曼滤波器在数据融合中的应用[J].火控雷达技术.2005年第1期.

[3]王明辉.多传感器数据融合中几个关键问题的研究[J].西北工业大学.博士学位论文, 2000.

融合状态 篇2

1 评估指标的确定

柴油机工作时,通过随机仪表和外部测试仪器可了解其大部分热力性能参数,如爆压、排温、振动烈度等。对这些参数进行粗大误差的剔除和无量纲归一化处理后,即可成为发动机性能状态评估的信息源。

通过对多台135型柴油机长期的记录数据分析,利用各热力参数与柴油机工作时间(小时)之间的相关性大小进行排序,选取了相关性较大的热力参数作为评估指标:

a.整机振动烈度:可反映活塞与气缸套间隙、燃烧情况等柴油机工作状态以及柴油机的工作组件磨损情况。

b.排气温度:排气温度是表征柴油机工作状况的重要热力参数,可反映大量喷油系统和排气阀相关故障。

c.爆压:缸内压力是表征柴油机热力状况的最有力参数之一,其最大值爆压常常作为表征柴油机工作粗暴性的指标。

d.滑油压力:滑油压力是润滑系统工作状况好坏的最主要指标。

e.冷却水温度:冷却水温度的高低标志着整台柴油机的热状态情况,是冷却系统工作状况好坏的最主要指标。

由于各参数量纲不一致,并且变化范围和变化方向不一,必须进行无量纲归一化处理。笔者采取的无量纲归一化处理方法为:将各参数分别除以其额定工况下的允许上限值。

对柴油机的性能状态老化程度的评估,经筛选后确定了5个参数指标可用随机向量X=[x1,x2,…,x6]′表示,性能状态老化参数用θ表示。令θ取值范围为[0,1],假设θ=0时性能状态最佳,以刚刚出厂磨合过的数据进行计算;θ=1时性能状态老化程度最严重,以柴油机大修或报废前的数据进行计算。

为明确评估目的,将性能状态老化程度分为三类:

a.性能正常期。该阶段柴油机性能正常并且比较稳定,各项参数正常且同时期同工况条件下波动较小。其累积工作时间一般在工作时间上限的一半以内,对应θ值区间为[0,0.5]。

b.性能衰退期。该阶段柴油机性能比较正常,但逐渐失去稳定性,各项参数较为正常,但同时期同工况条件下波动较大。其累积工作时间一般在工作时间上限的一半以上,对应θ值区间为[0.5,0.9]。

c.极限老化期。该阶段需要尽快对柴油机进行大修或更换,某些参数经常脱离正常范围且同时期同工况条件下波动极大。其累积工作时间一般在工作时间上限的90%以上,对应θ值区间为[0.915,1.000]。

2 Bayes统计理论

Bayes统计理论认为,处理任何统计问题,在利用样本所提供的信息时,必须利用先验信息,以先验分布为基础和出发点。这样,Bayes统计推理就综合了先验信息和试验提供的信息。贝叶斯公式代表了贝叶斯理论的基本观点:

假设有一个随机试验,在这个试验中,n个互不相容的事件A1,A2,…,An必发生一个,且只能发生一个,用π(Ai)表示Ai的概率,则有:

设B为任一事件,则根据条件概率的定义及全概率公式,有:

π(Ak)给出了先验其概率分布,称为“先验分布”。P(Ak|B)也是一个概率分布形式,这个知识是在做试验后获得的,故常称为“后验分布”。它综合了先验信息和试验提供的新信息,形成了我们关于Ak的可能性大小的当前认识。这个由先验信息到后验信息的转化过程就是Bayes统计的特征。

3 性能状态评估模型

采纳Bayes学派的思想,将θ看成随机变量,性能状态老化程度评估的任务就是利用已测得的指标向量X,对状态参数θ进行估计或检验[2,3]。

用P(X,θ)表示X与θ的联合分布,P(X|θ)表示对θ的条件分布,假设θ的“先验”分布为π(θ),θ为离散变量,由Bayes定理知:

这里的两个关键问题就是先验分布π(θ)和条件分布P(X|θ)的确定。

先验分布π(θ)是在实验前,根据历史观测和专家知识选定的。如果对θ没有任何知识可以借鉴,而是希望通过实验结果来获得,这时的先验分布称为无信息先验分布。经过对大量柴油机长期数据的分析,我们认为柴油机的性能老化程度与工作小时数直接相关,是一个相对均匀的缓慢变化过程,故采用Bayes假设的无信息先验分布,即[0,1]区间内的均匀分布。即π(θi)=1/k(i=1,2,…,k),k为工作小时数上限。

条件分布p(X|θ)必须通过实验来确定,针对柴油机性能状态老化程度的评估,采用如下方法来确定后验分布p(X|θ):

根据大量观测值,可以确定在同样性能状态下指标向量X服从m维正态分布,由于笔者选择了5个评估指标,此时m=5,即:

式中,μ(θ)为性能状态θ下指标向量X的均值向量,∑(θ)为性能状态θ下指标向量X的协方差阵。

可通过对有限个θ值的实验,来合理地估计对所有θ取值时的X的条件分布P(X|θ),由于假定X的条件分布为正态,只需确定均值向量和协差阵。根据n台柴油机k小时的统计数据,相当于已对k个θ值进行了独立实验,并分别测得n个样本,记为X11,X12,…,X1n;X21,X22,…,X2n,;Xk1,Xk2,…,Xkn。可用样本均值μ^(θl)来估计均值μ(θl):

用样本协方差阵∑l^来估计协差阵∑(θl):

根据多元正态分布的密度函数知:

P(X|θi)=1612exp{-21[X-μ(θi)]T

确定了先验分布π(θ)和条件P(X|θ)分布后,由Bayes公式知:

θ的极大似然估计为:

4 结论

取10台柴油机的数据进行当前性能状态老化程度的评估,采用该方法得到的结果仅有1台出错,评估结果与实际情况基本符合,证明在有大量样本的情况下,采用基于Bayes统计理论的融合方法,运用从柴油机热力参数提取的多个指标来评估柴油机性能状态是可行的。

参考文献

[1]张尧庭,陈汉峰.贝叶斯统计推断[M].北京:科学出版社,1991.

[2]郭文勇.基于信息融合的柴油机缸套磨损监测及故障诊断研究[D].武汉:海军工程大学出版社,2003.

融合状态 篇3

智能交通系统 (Intelligent Transportation System, 简称ITS) 能够有效地发挥作用的一个重要基础和前提是及时准确地获取动态变化的交通信息。目前常用的方式有感应线圈、视频、GPS浮动车等, 相对于这些传统的采集技术, 利用车辆用户手机在移动通信网络中的定位信息来分析推算动态交通状况是一种新兴的动态交通探测技术[1,2]。该技术利用普通手机作为检测器, 同其它采集技术相比, 节约了大量的前期基础设施投入, 而随着手机普及率的增长, 也使得手机采集技术获取的交通信息能够得到更为广泛的应用。值得注意的是, 随着现代交通管理对实时交通信息质量与数量的需求, 使用单一类型的交通信息采集方式已经不能充分满足应用的需要, 多源交通信息融合在数据种类以及时空覆盖的互补性上逐渐吸引了人们的关注[3,4]。

文章采用两种交通信息采集方式, 即手机采集和车载GPS采集, 获取道路的交通状态信息。这两种采集方式均属于浮动车采集方式, 但是前者受环境的限制, 在某些情况下会对精度造成影响, 而后者存在空间覆盖范围较为局限的问题。为改善上述情况, 结合两种交通信息采集方式的优点, 本文引入Dempster-Shafer数据融合方法, 建立了道路交通状态的估计模型, 通过对两种采集方式的结果进行合理的分配、组合, 从而获取对交通状态更合理、更准确的认识。实地验证结果表明:相比于单一数据源来说, 该模型能够提供时空覆盖面更广, 精度更高的实时道路交通状态信息。

2 数据采集方式简介

交通信息的服务和应用旨在为社会公众提供满足出行所需的信息, 其中包括了道路交通的拥堵信息。交通状态是对道路交通拥堵情况的一种直观描述, 通常分为畅通、拥挤和阻塞三种情形, 在每种情形下, 道路交通具有不同的拥堵表现形式, 并通过交通参数反应出来。

不同出行者对道路交通拥堵程度的感受是不一样的, 从广义的角度上来说, 通常对道路交通拥堵情况的描述为:

畅通, 表示道路交通流处于自由流或者无阻碍状况, 交通流中的车辆操纵受到的阻碍不明显。

拥挤, 此时道路交通流量稍有增加就会引起延误的明显增大、行程速度的大幅下降, 交通流中的车辆操纵受到较大限制, 交通流的一些波动, 例如车辆插入或者变换车道等, 都会引起排队现象。

阻塞, 道路交通流中的车辆处于持续的排队状况。

2.1基于手机采集

利用手机移动通信网络中的定位信息来分析推算动态交通状况是一种新兴的广域动态交通探测技术, 该技术在覆盖范围和成本两方面都有着显著的优势。此类技术通常分为模糊定位和精确定位两种, 模糊定位的精度一般介于50到300米之间, 精确定位的精度可以达到5到30米。

基于手机的交通信息采集处理系统, 利用移动通信信令采集卡在GSM网络信息平台的相关接口上采集移动通信系统的交换机信令信息, 从中提取出含有手机位置信息的数据, 对提取的手机原始数据进行过滤、去噪、地图匹配等处理, 最后经过处理得到道路交通信息。

基于手机的交通信息采集处理技术的流程如图1所示:

2.2 基于车载GPS采集

车载GPS利用安装了GPS系统的行驶车辆, 获得车辆运行状态数据, 以反映实际道路的交通状态。GPS数据处理算法主要分为三个环节:GPS数据过滤、地图匹配、模型计算。首先, 原始GPS数据 (包含了每个上报GPS点的位置信息、角度、速度、车辆状态等信息) 和交通路网基础数据作为GPS算法的输入, 算法先要对原始GPS数据进行过滤处理, 滤除那些不满足后续处理需求的无效GPS数据。其次, 经过过滤处理后的GPS数据将被地图匹配算法匹配到现实的交通路网的具体路段、具体位置上, 这一环节是GPS数据处理算法的关键技术之一, 地图匹配的效率与精度直接决定了系统对路网交通状态判断的效率与准确性。最后, 算法将在经过地图匹配后的GPS点中, 挑选满足算法需要的样本, 进行路段行程时间和行程速度的计算。

基于车载GPS的交通信息采集技术的算法流程如图2所示。

3 基于DS融合方法的交通状态估计

信息融合, 或者又称为数据融合, 是一种多源信息的协调处理技术, 在不同的问题领域, 其实现方法、步骤和准则都不相同, 需要根据具体的系统来理解并提出相应的方法。其基本原理是充分利用不同的信息来源, 按照某种准则进行合理分配、组合, 以获取对被观测目标的更合理或者更准确的认识。

3.1 Dempster-Shafer证据推理方法

Dempster-Shafer证据推理方法 (简称DS方法) 是一种给予不确定性和未知因素更多关注的理论。其基本原理是Dempster合并法则:多个数据源可以根据自己定义的证据函数, 在同一识别框架下做出各自的判断, 并且可以通过一定的方法将合理的判断合并在一起。DS融合方法具有运算简便、可靠性高、实用性强的特点, 在交通数据融合中得到广泛的应用[5]。

DS方法中有4个基本概念, 即识别框架、证据函数、信任函数和似然函数, 分别定义如下:

识别框架:关于融合对象分类的所有互斥且完备的基本属性值空间, 记为: 的幂集合, 即的所有子集的集合记为U。F证据函数:, 具有性质:

证据函数: 具有性质: φ表示空集;

m () 的值表示赋予的信任程度。对证据函数的定义还没有一个通用的方法。

信任函数: 表示所有直接支持的信任程度之和。

似然函数: 表示所有不直接反对的信任程度之和。

假设两个数据源的可靠性都是一样的, 定义合并法则为:

DS输出的决策方法通常有两种, 即: (1) 最大信任函数法:融合的输出即为使得信任函数最大的Λi: 以及 (2) 最大似然函数法:融合的输出即为使得似然函数最大的Λi 两种方法任选其一即可。

3.2 交通状态融合技术

道路交通状态划分为拥堵、缓行和畅通三类, 因此定义其识别框架表示为:Ω- (1, 2, 3) 。其中数字1表示畅通, 2表示缓行, 3表示拥堵。计算证据函数的方法描述如下:对两个数据源, 通过比较各自的输出状态与实际状态 (通过实地观察获取) 得到各自的混淆矩阵:

其中 表示第k个数据源提供的交通状态为j, 而实际交通状态为i的个数。这样, 第k个数据源输出数据的总体精度可以通过下式给出:

第k个数据源输出第j种交通状态数据时, 推测该数据源输出状态为r, r=1, 2, 3的可信度, 即证据函数可以根据混淆矩阵定义:

在实际计算中, 要将各证据函数归一化, 即

然后根据Dempster合并法则, 即式 (1) 计算融合后的证据函数, 并计算信任函数Bel。最后比较信任函数, 融合的输出即为使得信任函数最大的那一个状态。

3.3 实证分析

挑选上海市徐汇区小木桥路上的三个路段作为分析路段, 即:清真路到斜土路、斜土路到零陵路和零陵路到中山南二路。计算混淆矩阵的数据采自于2009年7月15日早上8点整到11点20分和下午4点30分到5点40分的交通信息采集系统输出结果;验证模型的时间段为2009年7月16日早上10点16分到11点18分。

两个数据源的混淆矩阵如表1所示。

选取验证时间段内三个路段的GPS和手机交通状态数据作为融合的输入。根据表1中的混淆矩阵计算各数据源的归一化证据函数, 然后按照公式 (1) 进行融合, 最终输出结果如表2所示。

从表2中看出:在融合的时间段内, 路段1的融合输出避免了手机不可靠数据的干扰;路段2融合后的结果准确度比GPS结果高出19.36个百分点, 比手机结果高出6.46个百分点, 同时, 当其中一个数据源 (手机采集数据) 缺失时, 能够从另外一个数据源 (GPS采集) 获得可靠的数据进行补充, 从而保证了时空的覆盖率。路段3上的手机数据有很高的准确度, 而GPS数据的准确度却非常低, 但是融合后的结果并没有受到GPS数据源的影响, 仍然比手机数据的准确度高出了3.23个百分点, 提高了最终输出结果的精度。

4 结论

随着现代城市的高速发展, 人口和机动车的激增带来世界性的城市交通拥挤问题。ITS能够有效地利用现有交通设施改善交通环境、降低环境污染、提高交通安全、提高运输效率, 而交通智能化的前提则是交通信息化。在充分发挥现有交通信息采集技术工作能力的同时, 开发运用新型的交通信息检测技术, 并利用多源交通信息检测技术的互补性, 通过数据融合的方式对实时交通信息进行高效整合, 挖掘出更加有价值的实时交通状态信息似乎是一项可行的研究方向。

文章采用一种新兴的交通信息采集方式:基于手机的采集方式, 获取道路的交通信息, 利用Dempster-Shafer证据推理方法, 融合了GPS浮动车采集的交通数据, 提供覆盖面更广, 准确度更高的道路交通状态估计。挑选上海市徐汇区小木桥路上的三个路段进行估计模型的验证检验, 结果如表2所示, 从中可以看出:采用文中给出的方法, 保障了道路状态信息输出的准确度和覆盖度。

参考文献

[1]Qiu, Z., Cheng, P.and Ran, B..Investigatethe Feasibility of Traffic Speed EstimationUsing Cell Phones as Probes.InternationalJournal of Services Operations and Informatics, 2007, 2 (1) :53-64.

[2]Qiu, Z., Jin, J., Cheng, P.and Ran, B..State of the art and practice:Cellular ProbeTechnology Applied In Advanced TravelerInformation System, the 86th TransportationResearch Board Annual Meeting, WashingtonDC, USA, 2007.

[3]吴小俊, 曹奇英, 陈保香, 刘同明.基于Bayes估计和加权数据融合算法的交通量检测方法.系统工程理论与实践, 2000 (, 7) :45-48.

[4]任英伟, 陆键, 王海燕, 项乔君.交通量观测数据处理的模糊融合算法[J.]公路交通科技, Vol.23, 2006 (9) :85-89.