文档库 最新最全的文档下载
当前位置:文档库 › 多传感器数据融合技术的理论及应用

多传感器数据融合技术的理论及应用

多传感器数据融合技术的理论及应用
多传感器数据融合技术的理论及应用

多传感器数据融合技术的理论及应用

张宁110101256

摘要:多传感器数据融合技术是一门新兴前沿技术。近年来,多传感器数据融合技术已经受到广泛关注,它的理论和方法已经被应用到许多研究领域。本文主要论述了多传感器数据融合的基本概念、工作原理、数据融合特点与结构、数据融合方法及其应用领域,并总结了当前数据融合研究中存在的主要问题及其发展趋势。

关键词:多传感器;数据融合;融合方法

1引言

多传感器数据融合是一个新兴的研究领域,是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术,是多学科交叉的新技术,涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。近年来,多传感器数据融合技术无论在军事还是民事领域的应用都极为广泛。多传感器数据融合技术已成为军事、工业和高技术开发等多方面关心的问题。这一技术广泛应用于复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、医疗诊断、模式识别等领域。实践证明:与单传感器系统相比,运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面,能够增强系统生存能力,提高整个系统的可靠性和鲁棒性,增强数据的可信度,并提高精度,扩展整个系统的时间、空间覆盖率,增加系统的实时性和信息利用率等。

2基本概念及融合原理

2.1多传感器数据融合概念

数据融合又称作信息融合或多传感器数据融合,对数据融合还很难给出一个统一、全面的定义。随着数据融合和计算机应用技术的发展,根据国内外研究成果,多传感器数据融合比较确切的定义可概括为:充分利用不同时间与空间的多传感器数据资源,采用计算机技术对时间序列获得的多传感器观测数据,在一定准则下进行分析、综合、支配和使用,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更充分的信息。

2.2多传感器数据融合原理

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,通过对多传感器及其观测信息的合理支配和使用,把多传感器在空间和时间上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。具体的说,多传感器数据融合原理如如下:

(1)N个不同类型的传感器(有源或无源的)收集观测目标的数据;

(2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取的变换,提取代表观测数据的特征矢量Yi;

(3)对特征矢量Yi进行模式识别处理,完成各传感器关于目标的说明;(4)将各传感器关于目标的说明数据按同一目标进行分组,即关联;

(5)利用融合算法将每一目标各传感器数据进行合成,得到该目标的一致性解释与描述。

3多传感器数据融合方法

利用多个传感器所获取的关于对象和环境全面、完整的信息,主要体现在融合算法上。因此,多传感器系统的核心问题是选择合适的融合算法。对于多传感器系统来说,信息具有多样性和复杂性,因此,对信息融合方法的基本要求是具有鲁棒性和并行处理能力,此外,还有方法的运算速度和精度;与前续预处理系统和后续预处理信息识别系统的接口功能;与不同技术和方法的协调能力;对信息样本的要求等。一般情况下,基于非线性的数学方法,如果它具有容错性、自适应性、联想记忆和并行处理能力,则都可以用来作为融合方法。多传感器的常用方法基本上可概括为随机和人工智能两大类,随机类方法有加权平均法、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。

3.1随机类方法

3.1.1加权平均法

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,该方法是一种对数据源进行操作的方

法。

3.1.2卡尔曼滤波法

卡尔曼滤波法主要用于融合低层次多传感器实时动态冗余数据。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统计。如果系统具有线性动力学模型,且系统与传感器的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处理不需要大量的数据存储和计算。但是,采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时,存在很多严重的问题,例如:(1)在组合信息大量冗余的情况下,计算量将以滤波器维数的三次方剧增,实时性不能满足;(2)传感器子系统的增加使故障随之增加,在某一系统出现故障而没来得及被检测出时,故障会污染整个系统,使可靠性降低。

3.1.3多贝叶斯估计法

贝叶斯估计为数据融合提供了一种手段,是融合静环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则进行组合,测量不确定性以条件概率表示,当传感器组的观测坐标一致时,可以直接对传感器的数据进行融合,但大多数情况下,传感器测量数据要以间接方式采用贝叶斯估计进行融合。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部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。

3.1.4D-S证据推理方法

D-S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称为一个总的输出结果(ID);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。

3.1.5产生式规则

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为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。

3.2人工智能类方法

3.2.1模糊逻辑推理

模糊逻辑是多值逻辑,通过指定一个0到1之间的实数表示真实度,相当于隐含算子的前提,允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法对融合过程中的不确定性进行推理建模,则可以产生一致性模糊推理。与概率统计方法相比,逻辑推理存在许多优点,它在一定程度上克服了概率论所面临的问题,它对信息的表示和处理更加接近人类的思维方式,它一般比较适合于在高层次上的应用(如决策),但是,逻辑推理本身还不够成熟和系统化,此外,由于逻辑推理对信息的描述存在很大的主观因素,所以,信息的表示和处理缺乏客观性。模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑,模糊逻辑是一种多值逻辑,隶属度可视为一个数据真值的不精确表示。在MSF过程中,存在的不确定性可以直接用模糊逻辑表示,然后,使用多值逻辑推理,根据模糊集合理论的各种演算对各种命题进行合并,进而实现数据融合。

3.2.2人工神经网络法

神经网络具有很强的容错性以及自学习、自组织及自适应能力,能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力,恰好满足了多传感器数据融合技术处理的要求。在多传感器系统中,各信息源所提供的环境信息都具有一定程度的不确定性,对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准,这种确定方法主要表现在网络的权值分布上,同时,可以采用神经网络特定的学习算法来获取知识,得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能,即实现了多传感器数据融合。

4应用领域

随着多传感器数据融合技术的发展,应用的领域也在不断扩大,多传感器融合技术已成功地应用于众多的研究领域。多传感器数据融合作为一种可消除系统的不确定因素、提供准确的观测结果和综合信息的智能化数据处理技术,已在军事、工业控制、智能检测、机器人、图像分析、目标检测与跟踪、自动识别等领域获得普遍关注和广泛应用。

(1)军事应用

数据融合技术起源于军事领域,数据融合在军事上应用最早、范围最广,涉及战术或战略上的检测、指挥、控制、通信和情报任务的各个方面。主要的应用是进行目标的探测、跟踪和识别,包括C31系统、自动识别武器、自主式运载制导、遥感、战场监视和自动威胁识别系统等。

(2)复杂工业过程控制

复杂工业控过程控制是数据融合应用的一个重要领域。目前,数据融合技术已在核反应堆和石油平台监视等系统中得到应用。融合的目的是识别引起系统状态超出正常运行范围的故障条件,并据此触发若干报警器。通过时间序列分析、频率分析、小波分析,从各传感器获取的信号模式中提取出特征数据,同时,将所提取的特征数据输入神经网络模式识别器,神经网络模式识别器进行特征级数据融合,以识别出系统的特征数据,并输入到模糊专家系统进行决策及融合;专家系统推理时,从知识库和数据库中取出领域知识规则和参数,与特征数据进行匹配(融合);最后,决策出被测系统的运行状态、设备工作状况和故障等。

(3)机器人

多传感器数据融合技术的另一个典型应用领域为机器人。目前,主要应用在移动机器人和遥操作机器人上,因为这些机器人工作在动态、不确定与非结构化的环境中,这些高度不确定的环境要求机器人具有高度的自治能力和对环境的感知能力,而多传感器数据融合技术正是提高机器人系统感知能力的有效方法。目前,机器人学界提出向非结构化环境进军,其核心的关键之一就是多传感器系统和数据融合。

(4)遥感

多传感器融合在遥感领域中的应用,主要是通过高空间分辨力全色图像和低光谱

分辨力图像的融合,得到高空间分辨力和高光谱分辨力的图像,融合多波段和多时段的遥感图像来提高分类的准确性。

(5)交通管理系统

数据融合技术可应用于地面车辆定位、车辆跟踪、车辆导航以及空中交通管制系统等。

(6)全局监视

监视较大范围内的人和事物的运动和状态,需要运用数据融合技术。例如:根据各种医疗传感器、病例、病史、气候、季节等观测信息,实现对病人的自动监护;从空中和地面传感器监视庄稼生长情况,进行产量预测;根据卫星云图、气流、温度、压力等观测信息,实现天气预报。

5存在问题及发展趋势

数据融合技术方兴未艾,几乎一切信息处理方法都可应用于数据融合系统。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、并进行计算软件等相关技术的发展,尤其是人工智能技术的进步,新的、更有效的数据融合方法将不断推出,多传感器数据融合必将成为未来复杂工业系统智能检测与数据处理的重要技术,其应用领域将不断扩大。

5.1数据融合存在的问题

(1)尚未建立统一的融合理论和有效广义融合模型及算法;

(2)对数据融合的具体方法的研究尚处于初步阶段;

(3)还没有很好解决融合系统中的容错性或鲁棒性问题;

(4)关联的二义性是数据融合中的主要障碍;

(5)数据融合系统的设计还存在许多实际问题。

5.2数据融合发展趋势

(1)建立统一的融合理论、数据融合的体系结构和广义融合模型;

(2)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、通用软件包开发问题,利用成熟的辅助技术,建立面向具体应用需求的数据融合系统;(3)将人工智能技术引入到数据融合领域;利用集成的计算智能方法提高多传感融合的性能;

(4)解决不确定性因素的表达和推理演算。

(5)利用有关的先验数据提高数据融合的性能,研究更加先进复杂的融合算法;(6)在多平台/单平台、异类/同类多传感器的应用背景下,建立计算复杂程度低,同时,又能满足任务要求的数据处理模型和算法

(7)构建数据融合测试评估平台和多传感器管理体系。

(8)将已有的融合方法工程化与商品化,开发能够提供多种复杂融合算法的处理硬件,以便在数据获取的同时就实时的完成融合。

6结束语

随着研究者的不断努力,不久的将来,数据融合的基础理论、兼有鲁棒性和准确性的融合算法将不断得到完善,实现技术将不断得到更新,实际应用将不断的被扩展。多传感器数据融合技术必将不断的走向成熟。

参考文献:

1 周福娜,周梅,文成林. 多传感器数据融合效果分析[J]. 河南大学学报,2003,33(2):33-36

2 刘同明,夏祖勋,谢洪成. 数据融合技术及其应用[M]. 北京:国防工业出版社,1998.

3 邓勇,施文康,朱振福. 一种有效组合证据的方法[J]. 红外与毫米波学

报, 2004, 23(1) : 45-50

4 何友,王国宏等. 多传感器信息融合及应用[M]. 北京:电子工业出版社,2000.

5 David L. Hall,James Llinas. Handbook of Multisensor Data Fusion [M]. CRC Press LLC 2001.

多传感器数据融合技术的理论及应用

多传感器数据融合技术的理论及应用 张宁110101256 摘要:多传感器数据融合技术是一门新兴前沿技术。近年来,多传感器数据融合技术已经受到广泛关注,它的理论和方法已经被应用到许多研究领域。本文主要论述了多传感器数据融合的基本概念、工作原理、数据融合特点与结构、数据融合方法及其应用领域,并总结了当前数据融合研究中存在的主要问题及其发展趋势。 关键词:多传感器;数据融合;融合方法 1引言 多传感器数据融合是一个新兴的研究领域,是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术,是多学科交叉的新技术,涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。近年来,多传感器数据融合技术无论在军事还是民事领域的应用都极为广泛。多传感器数据融合技术已成为军事、工业和高技术开发等多方面关心的问题。这一技术广泛应用于复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、医疗诊断、模式识别等领域。实践证明:与单传感器系统相比,运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面,能够增强系统生存能力,提高整个系统的可靠性和鲁棒性,增强数据的可信度,并提高精度,扩展整个系统的时间、空间覆盖率,增加系统的实时性和信息利用率等。 2基本概念及融合原理 2.1多传感器数据融合概念 数据融合又称作信息融合或多传感器数据融合,对数据融合还很难给出一个统一、全面的定义。随着数据融合和计算机应用技术的发展,根据国内外研究成果,多传感器数据融合比较确切的定义可概括为:充分利用不同时间与空间的多传感器数据资源,采用计算机技术对时间序列获得的多传感器观测数据,在一定准则下进行分析、综合、支配和使用,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更充分的信息。

基于多传感器数据融合的火灾预警系统

基于多传感器数据融合的火灾预警系统 赵 英,陈淑娟 (北京化工大学,北京 100029) 摘 要:为避免火灾造成的严重损失,实现火灾早期报警,本系统通过对火灾发生过程和产物的研究比较,采用多种传感器对火灾发生初期火灾特征较明显的几个参数进行监测,并实时反馈回采集的数据。系统利用D S 证据理论对多传感器数据进行融合分析,实现对同一目标的判断;本系统通过利用D S 证据理论对多传感器数据融合的方法,不仅弥补了采用单一传感器的不足,而且很大程度上降低系统判断结果的不确定性,提高了系统预警的准确性和可靠性。 关键词:D S 证据理论;多传感器;数据融合;火灾预警 中图分类号:T N919 34;T P212.9 文献标识码:A 文章编号:1004 373X(2010)24 0173 03 Fire Early Alarm System Based on Mu lti sensor Data Fusion ZH A O Y ing,CH EN Shu juan (Beijing U niversity of Chem i cal Technolog y,Beiji ng 100029,China) Abstract :Fire early alarm system is used to prev ent damages caused by fire.T he system uses many kinds o f a ppro pr iate sensor s t o monito r several par ameters which have the o bv ious fire characterist ic accor ding to the research o n fire process,and to feedback the data r eal timely.T he sy stem realizes the multi sensor data fusion using the D S evidence theo ry to determine the tar get.T he method no t only makes up insufficiency of sing le senso r,but also reduces the uncertainty of judg ment result and enhances the accur acy and r eliability of the fir e ea rly ala rm system. Keywords :Dempster Shafter evidence theor y;multi senso r;data fusio n;fir e ear ly alar m 收稿日期:2010 07 17 火灾探测是关系人民生命财产安全的重大课题。随着火灾探测技术的不断发展,人们对火灾的认识也越来越深入,不断涌现出新的探测手段。然而现有的大多数火灾探测器只能在火灾发生到难以控制的形势下才发出报警信号[1] 。而那些由于长期运行导致设备过载、过热、短路产生火灾的场所,如计算机机房、精密仪器实验中心、网络数据中心等,需要对火灾进行严格控制,确保在火灾发生初期就能及时发现火情并进行扑灭,否则造成的损失燃烧物都很少,因此如何能在火灾处于萌芽状态时,准确实现火灾早期探测,避免严重损失是目前亟待解决的一个重大问题。火灾的早期探测难题主要集中在探测对象难以选择、探测方法单一及准确预警概率低[2] 。本系统针对这些问题,在对火灾发生的过程和产物作了详细了解以后,选择适当的传感器对具有明显火灾特征的几个参数进行监测,再利用D S 证据理论对所有监测数据进行融合处理得到更为准确的判定结果。 1 火灾探测对象的选定 在火灾探测过程中,可以利用的火灾信息很多[3 4]:(1)固态高温产物:来源于可燃物中的杂质,以及高温状态下可燃物热裂解所形成的物质。 (2)燃烧音:燃烧过程中产生的高温,加热周围空气,使之膨胀,产生一种频率仅在数赫兹左右的压力声波,即是燃烧音。 (3)火焰光谱:主要由炽热微粒的光谱辐射和燃烧 气体的特征辐射所构成。 (4)气态燃烧产物:气态燃烧产物的主要成分为H 2O 、CO 、CO 2、H 2和O 2,由于环境中湿度的影响,通常不把H 2O 作为火灾探测参数。 由于前三点火灾信息都是在火灾已经发生很严重的情况下才产生的,且以火焰光谱进行火灾探测,虽然可以有效避免环境中大部分干扰因素的影响,但为了进一步消除相关干扰因素的影响,还需要利用火焰的闪烁特征。然而,CO 和CO 2在空气中的含量较低,正常大气环境中CO 含量在10ppm 以下,CO 2含量大约为360ppm 。从表1中可以看到,绝大多数试验火的CO 含量均在20ppm 以上。根据火灾特性,在火灾初期阴燃时,CO 含量更是达到最高。由图1[5]可知,各种不同材质在燃烧时,CO 2含量也在不断增加,且在初始成长期间,曲线斜率的变化范围是2.5~6.5ppm/s 。因此,将气体作为早期报警探测对象具有明显优势[3],针对以上2种气体进行监测,将会在很大程度上反映出环境中有无燃烧现象的产生。本系统将CO 的浓度、CO 2的浓度变化率、环境温度三者作为探测火灾的特征参量。 现代电子技术 2010年第24期总第335期 新型元器件

多传感器数据融合

多传感器数据融合 多传感器数据融合1引言数据融合一词最早出现在20世纪70年代末期。几十年来,随着传感器技术的迅速发展,尤其在军事指挥系统中对提高综合作战能力的迫切要求,使其得到了长足的发展。其早期主要是应用在军事上,而随着工业系统的复杂化和智能化,近年来该技术推广到了民用领域,如医疗诊断、空中交通管制、工业自动控制及机械故障诊断等。数据融合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的新的研究方向,所以数据融合也称为传感器融合。数据融合一直没有一个统一的定义,一般认为: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称为数据融合。2

数据融合技术的分类多传感器数据融合涉及到多方面的理论和技术如信号处理、估计理论、不确定性理论、模式识别最优化技术、神经网络和人工智能等。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;按判决方式分有硬判决型和软判决型数据融合;按传感器的类型分有同类传感器数据融合和异类传感器数据融合按对数据的处理方式,可分为象素级融合、特征级融合和决策级融合;从方法来分有Bayes推理法、表决法、D-S 推理法、神经网络融合法等。从解决信息融合问题的指导思想或哲学观点加以划分,可分为嵌入约束观点、证据组合观点和人工神经网络观点三大类。3常用的数据融合方法数据融合方法种类繁多,图1归纳了常用的一些信息融合方法。估计方法

多传感器数据融合技术

多传感器数据融合技术

姓名:李承尚 学号: 081308309 专业:电子信息工程

多传感器数据融合是一门新兴技术,在军事和非军事领域中都到了广泛应用、多传感器数据融合技术汲取了人工智能、模式识别、统计估计等多门学科的相关技术,计算机技术的快速发展以及数据融合技术的成熟为数据融合的广泛应用提供了基础。 多传感器数据融合是一个新兴的研究领域,是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术,是多学科交叉的新技术,涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。多传感器融合技术已成为军事、工业和高技术开发等多方面关心的问题。这一技术广泛应用于C3I(command,control,communication and intelligence)系统、复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、遥感、医疗诊断、图像处理、模式识别等领域。实践证明:与单传感器系统相比,运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面,能够增强系统生存能力,提高整个系统的可靠性和鲁棒性,增强数据的可信度,并提高精度,扩展整个系统的时间、空间覆盖率,增加系统的实时性和信息利用率等。美国研究机构就在国防部的资助下,开展了声纳信号解释系统的研究。目前,在工业控制、机器人、空中交通管制、海洋监视和管理等领域也朝着多传感器融合方向发展。多传感器融合技术成为军事、工业和高技术开发等多方面关心的问题。 1 基本概念及融合原理

1.1 多传感器数据融合概念 数据融合又称作信息融合或多传感器数据融合,对数据融合还很难给出一个统一、全面的定义。随着数据融合和计算机应用技术的发展,根据国内外研究成果,多传感器数据融合比较确切的定义可概括为:充分利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列获得的多传感器观测数据,在一定准则下进行分析、综合、支配和使用,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更充分的信息。 1.2 多传感器数据融合原理 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,通过对多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来进行组合,以获得被测对象的一致性解释或描述。具体地说,多传感器数据融合原理如下:(1)N个不同类型的传感器(有源或无源的)收集观测目标的数据; (2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取的变换,提取代表观测数据的特征矢量Yi; (3)对特征矢量Yi进行模式识别处理(如,聚类算法、自适应神经网络或其他能将特征矢量Yi变换成目标属性判决的统计模式识别法等)完成各传感器关于目标的说明; (4)将各传感器关于目标的说明数据按同一目标进行分组,即关联;

传感器数据融合(20200630195849)

传感器数据融合技术 数据融合也称为信息融合,是将来自多个传感器或多源的信息进行综合处理,从而得出更为全面、准确和可靠的结论。数据融合出现于2 0世纪7 0年代,源于当时军事领域的需要,称为多源相关、多传感器混合数据融合,并于20世纪80年代建立其技术。美国是数据融合技术起步最早的国家,在随后的十几年时间里各国的研究开始逐步展开,并相继取得了一些具有重要影响的研究成果。和国外相比, 我国在数据融合领域的研究起步较晚。海湾战争结束以后,数据融合技术引起国内有关单位和专家的咼度重视。一些咼校和科研院所相继对数据融合的理论、系统框架和融合算法展开了大量研究,但基本上处于理论研究的层次,在工程化、实用化方面尚未取得有成效的突破,许多关键技术问题尚待解决。 多传感器数据融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将身体上的各种功能器官所探测到的信息与先验知识进行融合的能力,以便对周围的环境和正在发生的事件作出估计。多传感器数据融合的基本原理就像人脑综合处理信息的过程一样,它充分利用多个传感器资源,通过对这些传感器及其获得信息的合理支配和使用,把其在时间或空间上的冗余或互补信息依据某种准则来进行综合,以获得被测对象的一致性解释或描述,使该系统由此而获得比它的各组成部分的子集所构成的系统具备更优越的性能。 具体而言,多传感器数据融合基本原理如下: 1)多个不同类型的传感器获取目标的数据; 2)对输出数据进行特征提取,从而获得特征矢量; 3)对特征矢量进行模式识别,完成各传感器关于目标的属性说明; 4)将各传感器关于目标的属性说明数据按同一目标进行分组,即关联; 5)利用融合算法将每一目标各传感器数据进行合成,得到该目标的一致性解释与描述。 在各种系统中,靠单一的传感器不能满足对目标、环境的识别和控制的要求。若对不同传感器采集的数据单独、孤立地进行加工,不仅会导致数据处理工作量的剧增,而且割断了各传感器数据之间的有机联系,丢失数据有机组合蕴涵的特征,造成数据资源的浪费。因此,要对多传感器的数据进行

浅析多传感器数据融合技术存在的问题和发展展望

龙源期刊网 https://www.wendangku.net/doc/2f1880656.html, 浅析多传感器数据融合技术存在的问题和发展展望 作者:宋晓君孙洪伟 来源:《活力》2011年第07期 多传感器数据融合技术的基本原理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,把多个传感器在时间和空间上的冗余或互补信息依据某种准则进行组合,以获取被观测对象的一致性解释或描述。数据融合的基本目标是通过数据优化组合导出更多有效信息。它的最终目标是利用多个传感器共同或联合操作的优势,来提高多个传感器系统的有效性。 一、数据融合技术存在的问题 数据融合技术国内外虽经多年研究取得了不少成果,也已经成功地应用于多种领域,但目前仍未形成一套完整的理论体系和有效的融合算法。绝大部分都是针对特定的问题特定的领域来研究,也就是说数据融合的研究都是根据问题的种类特定的对象特定的层次建立自己的融合模型和推理规则,有的在此基础上形成所谓的最佳方案。但多传感器数据融合系统的设计带有一定的盲目性,有必要建立一套完整的方法论体系来指导数据融合系统的设计。具体的不足之处有: 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都是针对特定的应用领域的特定问题开展的(混合结构,分布式)。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,未形成完整的理论框架和融合模型,使得融合系统的设计具有一定的盲目性。统一的数据融合理论必然是以传感器信号和数据处理理论、C3I系统情报处理理论和指挥决策理论等在工程实践基础上的、研究上一层次融合机理的再创造过程。难点在于在大量随机与不确定问题中的融合准则确定,这些不确定性反应在测量不精确、不完整、不可靠、模糊,甚至信息冲突中。 2.关联的二义性。关联的二义性是数据融合的主要障碍。在进行融合处理前,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。传感器测量的不精确性和干扰都是引起关联二义性的因素。如何降低关联二义性是数据融合研究领域亟待解决的问题。 3.融合系统的容错性或稳健性没有得到很好的解决。

多传感器数据融合算法汇总

一、背景介绍: 多传感器数据融合是一种信号处理、辨识方法,可以与神经网络、小波变换、kalman 滤波技术结合进一步得到研究需要的更纯净的有用信号。 多传感器数据融合涉及到多方面的理论和技术,如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为:充分利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列获得的多传感器观测数据,在一定准则下进行分析、综合、支配和使用,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性,并提高系统的有效性能,进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器或多源的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。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围,改善了系统的可靠性,对目标或事件的确认增加了可信度,减少了信息的模糊性,这是任何单个传感器做不到的。 实践证明:与单传感器系统相比,运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面,能够增强系统生存能力,提高整个系统的可靠性和鲁棒性,增强数据的可信度,并提高精度,扩展整个系统的时间、空间覆盖率,增加系统的实时性和信息利用率等。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。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。 多传感器数据融合虽然未形成完整的理论体系和有效的融合算法,但在不少应用领域根据各自的具体应用背景,已经提出了许多成熟并且有效的融合方法。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,随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、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。 数据融合存在的问题 (1)尚未建立统一的融合理论和有效广义融合模型及算法; (2)对数据融合的具体方法的研究尚处于初步阶段; (3)还没有很好解决融合系统中的容错性或鲁棒性问题; (4)关联的二义性是数据融合中的主要障碍; (5)数据融合系统的设计还存在许多实际问题。 二、算法介绍: 2.1多传感器数据自适应加权融合估计算法: 设有n 个传感器对某一对象进行测量,如图1 所示,对于不同的传感器都有各自不同的加权因子,我们的思想是在总均方误差最小这一最优条件下,根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子,使融合后的X值达到最优。

多传感器数据融合技术

多传感器数据融合技术 摘要:介绍多传感器数据融合技术的历史与研究现状,给出多传感器数据融合实现方法,最后给出应用和多传感器数据融合的不足与研究展望。 1 引言 多传感器数据融合是信息领域一个前景广阔的研究方向,世界各国都有学者和技术人员在开展数据融合技术的研究,我国对数据融合方面的研究也日益重视,国家自然科学基金和“863”计划已将其列入重点支持项目,因此,对多传感器数据融合进行学术与工程应用的研究具有重要意义[1]。 多传感器数据融合技术是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。多传感器数据融合技术从多信息的视角进行处理及综合,得到各种信息的内在联系和规律,从而剔除无用的和错误的信息,保留正确的和有用的成分,最终实现信息的优化,它也为智能信息处理技术的研究提供了新的观念。数据融合作为一门跨学科的综合信息处理理论,涉及系统论、信息论、控制论、人工智能和计算机通信等众多的领域和学科[2]。 本文介绍数据融合技术发展历史与研究现状,描述数据融合技术的几种典型实现方法,给出数据融合技术的主要应,最后对数据融合技术研究中存在的问题和发展前景进行了论述。 2 多传感器数据融合技术概述 2.1 数据融合的定义 数据融合也称为信息融合,它的定义有很多。Mango lini将数据融合定义为:一套利用具有不同性质的各种源数据的方法、工具、方式,目的是提高所需信息的质量,此定义着重于融合的方法。Hall 和Llinas的定义是“数据融合技术是将来自多传感器和相关数据库的有关信息进行综合,以得到精度上的改善和更加具体的推断,而这些也可以通过单个传感器来得到”。这种定义虽然提到了数据信息的质量,但是仍注重于方法。美国国防部定义为“数据融合是一个多级、多方面的过程,这个过程处理自动识别、连结、相关、估计以综合多源数据和信息.。”这一定义简单地说就是“处理自动识别、连结、相关、估计

无线传感器网络数据融合关键技术研究

无线传感器网络数据融合关键技术研究 摘要:路由协议与数据融合技术已成为无线传感器网络(WSN)的一个重要研究方面。本文按照面向应用和面向层次两个分类进行了介绍,并通过联系以数据为中心的路由协议以及相关的数据融合算法,简要分析了其在节省功耗,优化网络性能方面所采取的有效措施。通过仿真实验,推断出以数据为中心的路由协议对网络内数据融合的帮助意义。 关键词:无线传感器网络;路由协议;数据融合;NS2 1 引言 无线传感器网络(wireless sensor network,WSN)就是由部署在监测区域内大量的廉价微型传感器节点组成,通过无线通信方式形成的一个多跳的自组织的网络系统,其目的是协作的感知、采集和处理网络覆盖区域中感知对象的信息,并发送给观察者[1]。 路由协议和数据融合已成为无线传感器网络的关键技术。本文首先对现有的几种路由协议和数据融合算法进行介绍,然后通过仿真来验证以数据为中心的路由协议在性能上的优势,以及对数据融合的促进意义。 2 无线传感器网络路由协议 路由协议负责将数据分组从源节点通过网络转发到目的节点,它主要包括两个方面的功能:寻找源节点和目的节点间的优化路径,将数据分组沿着优化路径正确转发。 2.2面向应用的路由协议 面向应用的路由协议是众多路由协议中较为常见的一种。所谓面向应用,即是与应用模式紧密相连的路由协议。从具体应用角度出发,根据不同应用对传感器网络各种特性的敏感性不同,将路由协议分为四种类型[2]:1)能量感知路由协议;

2)基于查询的路由协议; 3)地理位置路由协议; 4)可靠的路由协议。 能量路由是最早提出的传感器网络路由机制之一,它根据节点的可用能量(power available,PA)或传输路径上的能量需求,选择数据的转发路径。节点可用能量就是节点当前的剩余能量。 基于查询的路由协议包括定向扩散路由和谣传路由。定向扩散是专门为传感器网络设计的路由策略,是以数据为中心的典型路由协议代表,与己有的路由算法有着截然不同的实现机制。谣传路由引入了查询消息的单波随机转发的机制,克服了使用洪泛方式建立转发路径带来的开销过大的问题。 地理位置路由包括GEAR路由和GEM路由。GEAR(geographical and energy aware routing)路由假设已知事件区域的位置信息,每个节点知道自己的位置信息和剩余能量信息,并且通过一个简单的Hello消息交换机制了解所有邻居节点的位置信息和剩余能量信息。GEM(graph embedding)路由是一种适合于数据中心存储方式的地理路由。其基本思想是建立一个虚拟极坐标系统(virtual polar coordinate system ,VPCS),用来表示实际的网络拓扑结构。网络中的节点形成一个以汇聚节点为根的带环树(ringed tree),每个节点用到树根的跳数距离和角度范围来表示,节点间的数据路由通过这个带环树实现。 2.3面向层次的路由协议 针对无线传感器网络中节点所处的地位,以及网络的拓扑结构,还可以将无线传感器网络的路由协议分为平面结构和分层结构。 平面路由协议包括定向扩散路由协议、谣传路由协议、SPIN路由协议(基于能量感知的路由协议)、HREEMR路由协议(基于多路径的路由协议)、SPEED 路由协议、GEM路由协议、边界定位路由协议、有序分配路由协议等。前面介绍的四类面向应用的路由协议大都属于平面的路由协议。 分层路由协议包括:LEACH路由协议、TEEN路由协议、GAF路由协议、GEAR 路由协议、SPAN路由协议、SOP路由协议、MECN协议、EARSN路由协议等。这里,我们重点介绍两个相似的路由协议:LEACH和TEEN协议。

数据融合技术在无线传感器网络中的应用

硕士研究生读书报告 课程名称:信息融合理论与应用 题目:数据融合技术在无线传感器网络中的应用题目类型:读书报告 学院:计算机科学与工程学院 专业名称:计算机科学与技术 姓名:祝敏 学号: 2013200546 任课教师:周华平 授课时间:2014年4月29日~2014年6月24日 提交时间: 2014年6月 24 日

数据融合技术在无线传感器网络中的应用 摘要:在大规模的无线传感器网络中,传输数据量巨大,必然存在着数据传输可靠性、拥塞以及能耗等问题,高效的数据融合技术能够有效的解决这些问题。这篇读书报告结合分簇路由算法的特征,采用两层融合技术,首先簇内节点与簇首节点的融合,簇内节点根据阈值来判断是否需要发送数据,簇首节点根据接收到的数据,进行数据一致性检验,剔除异常数据,第二层采用BP神经网络算法对簇首节点与基站的融合,得到所需要的结果。实验表明,进行融合后的数据可靠性高,较大减少了数据的传输量与冗余度、降低了能量的消耗,从而提高了整个网络的性能。 1 引言 无线传感器网络是对真实世界的感知、检测和采集,需要由大量传感器节点共同协作完成的。但是,由于传感器节点采集的数据具有很高的时空相关性,不可避免的釆集到许多重复的数据,即数据存在很高的冗余性,如果都发送到汇聚节点的话,会造成大量的资源浪费,严重影响无线传感器网络的使用寿命,并且许多时候,观察者不关心每个节点的原始数据,只 关心釆集后的结果,显然,节点单独的传送数据是不合适的,因此需要在本地对数据进行融合操作,对节点传输数据进行处理,利用节点的计算与处理能力,我们可以去除掉冗余信息,进一步减少数据在网内的传输量,同时降低功耗,提高整个网络的性能。虽然数据融合会造成一定的延迟以及计算会浪费时间和能量,但都在允许的范围之内。 数据融合技术涉及到检测技术、模式识别、决策论、不确定性理论、估计理论、最优化理论等众多学科领域。目前关于无线传感器网络数据融合技术的发展情况,大体可以分为有损融合、无损融合、依赖于应用的数据融合,如应用层开发面向应用的数据融合接口,在网络层开发与路由相结合的数据融合技术。独立于应用的数据融合、基于分布式数据库的数据融合、基于中心的数据融合等。这篇读书报告主要针对在网络层与路由相结合的数据融合技术的研究,目前关于该方面比较典型的方法有LEACH分簇算法,使用分簇的方法使得数据融合技术在算法中起到了非常重要的作用。

多传感器融合方法

多传感器融合方法 一、 数学知识 1、 期望 定义1设X 是离散型随机变量,它的概率函数是:k k ,1,2,P X X p k === () 如果1k k k x p ∞ =∑有限,定义X 的数学期望 ()1 k k k E X x p +∞ ==∑ 定义2设X 是连续型随机变量,其密度函数为()f x ,如果()x f x ∞ -∞ ?有限,定 义X 的数学期望为 ()()E x xf x dx +∞-∞ =? 2、 条件数学期望 定义X 在Y y =的条件下的条件分布的数学期望称为X 在Y y =的条件下的条件期望。 当(),X Y 为离散随机向量时 ()()||i i i E X Y y x P X x Y y ====∑ 当(),X Y 为连续随机向量时 ()()|y ||x E X Y y xp x y dx +∞-∞ ==? 3、 贝叶斯公式 定义设Ω为试验E 的样本空间,B 为E 的事件,12,,n A A A 为Ω的一个划分,且 ()0P B >,()()01,2,,i P A i n >= ,则

()()() ()() 1 ||,1,2,|i i i n j j j P B A P A P A B i n P B A P A == =∑ 称此为贝叶斯公式。 4、 贝叶斯估计 期望损失:??(|)(,)(|)R x p x d θλθθθθΘ =? 损失函数:?(,)λθ θ,把θ估计为?θ所造成的损失 常用损失函数:2??(,)()λθ θθθ=-,平方误差损失函数 如果采用平方误差损失函数,则θ的贝叶斯估计量?θ是在给定x 时θ的条件期望,即: []?|(|)E x p x d θθθθθΘ ==? 同理可得到,在给定样本集χ下,的贝叶斯估计是: []?|(|)E p d θθχθθχθΘ ==? 求贝叶斯估计的方法:(平方误差损失下) ● 确定θ的先验分布()p θ ● 求样本集的联合分布 1(|)(|)N i i p p x θχθ==∏ ● 求的后验概率分布 (|)() (|)(|)()p p p p p d χθθθχχθθθ Θ = ? ● 求的贝叶斯估计量 ?(|)p d θθθχθΘ =? Gaussian 情况,仅参数θμ=未知 给定样本集χ,已知随机变量()2~,k x N μσ均值未知而方差已知。均值变量

多传感器数据融合

多传感器数据融合技术及应用

目录 第一章概论 0 1.1数据融合的目的和应用 0 1.2数据融合的理论基础 (2) 1.2.1数据融合的基本原理 (2) 1.2.2数据融合的级别 (3) 第二章状态估计理论 (7) 2.1估计问题的构成 (7) 2.2状态估计问题 (8) 2.3离散线性系统的最优估计——Kalman 滤波技 术 (9) 第三章多传感器信息融合系统中的状态估计 (14) 3.1引言 (14) 3.2集中式多传感器信息融合系统中的状态估计 14 3.2.1单传感器的状态估计 (14) 3.2.2集中式多传感器状态估计 (16) 3.3分布式多传感器信息融合系统中的状态估计 18 第四章多传感器概率数据关联算法 (22) 4.1概率数据关联滤波器 (22) 4.1.1预备知识 (22) 4.1.2概率数据关联滤波器的基本思想 (23) 4.1.3关联概率()i k 的计算 (25)

4.1.4协方差P(k|k)的计算 (28) 4.2多传感器概率数据关联算法 (30) 4.2.1多传感器概率数据关联滤波器 (30) 第五章分布式多传感器信息融合中的 (34) 5.1引言 (34) 5.2模糊因数集与隶属度函数 (34) 5.2.1模糊因素集 (34) 5.2.2隶属度函数的选择 (36) 5.3模糊因素的确定与模糊集A的动态分配 (37) 5.3.1模糊因素与权向量初值的确定 (37) 的动态分配 (38) 5.3.2模糊因素权集A % 5.4模糊航迹关联算法 (40) 5.4.1模糊航迹关联算法 (40) 5.5多局部节点情况下的模糊关联算法 (41) 第六章多传感器多模型概率数据关联算法 (43) 6.1多模型算法(Multiple-Model Approach) (43) 6.2相互作用多模型—概率数据关联算法 (46) 第七章多传感器信息融合系统中的身份估计 (56) 7.1基于Bayes统计理论的身份识别 (56) 7.2基于D-S证据理论的身份识别 (56) 7.2.1基本理论 (57) 7.2.2证据理论的组合规则 (58)

多传感器图像融合技术综述

收稿日期:2002203217 作者简介:毛士艺(1935-),男,浙江黄岩人,教授,100083,北京. 多传感器图像融合技术综述 毛士艺 赵 巍 (北京航空航天大学电子工程系) 摘 要:对国内外多传感器图像融合技术的发展状况进行了介绍,描述了 图像融合的主要步骤,概括了目前主要图像融合方法的基本原理,并对各种方法的性能进行了定性分析.给出了评价图像融合效果的标准和方法,指出了图像融合技术的发展方向. 关 键 词:图像处理;图像合成;传感器;图像融合 中图分类号:T N 911.73文献标识码:A 文章编号:100125965(2002)0520512207 近20年,随着传感器技术和计算机计算能力的提高,多传感器图像融合技术的应用越来越广泛.在军事领域,以多传感器图像融合为核心内容的战场感知技术已成为现代战争中最具影响力的军事高科技.20世纪90年代,美国海军在SS N 2 691(孟菲斯)潜艇上安装了第1套图像融合样机,可使操纵手在最佳位置上直接观察到各传感器的全部图像[1],[2].1998年1月7日《防务系统月刊》电子版报道,美国国防部已授予BTG 公司2项合同,其中一项就是美国空军的图像融合设计合同,此系统能给司令部一级的指挥机构和网络提供比较稳定的战场图像.在遥感领域,大量遥感图像的融合为更方便、更全面地认识环境和自然资源提供了可能[3]~[5],其成果广泛应用于大地测绘、植被分类与农作物生长势态评估、天气预报、自然灾害检测等方面.1999年10月4日,由我国和巴西联合研制的“资源一号”卫星发射升空,卫星上安装了我国自行研制的CC D 相机和红外多光谱扫描仪,这两种航天遥感器之间可进行图像融合,大大扩展了卫星的遥感应用范围.在医学成像领域,CT 、MR 和PET 图像的融合提高了计算机辅助诊 断能力[6].2001年11月25日~30日在美国芝加哥召开了每年一度的RS NA 北美放射学会年会,在会议上GE 公司医疗系统部展销了其产品Dis 2covery LS.Discovery LS 是GE 公司于2001年6月 刚推出的最新PET/CT ,是世界上最好的PET 与最高档的多排螺旋CT 的一个完美结合,具有单体PET 不能比拟的优势.它可以完成能量衰减校正、 分子代谢影像(PET )与形态解剖影像(CT )的同机 图像融合,使检查时间成倍地降低.在网络安全领域,多尺度图像融合技术可将任意的图像水印添加到载体图像中,以确保信息安全[7]. 在各个应用领域的需求牵引下,各国学者对多传感器图像融合技术的研究也越来越重视.在多传感器信息融合领域中,图像融合是应用最为广泛,发表文献最多的一个方向.从文献[8]可看出,在参与统计的信息融合文章中,信号层的信息融合文章占53%.同时,我们做了这样一个调查,在Ei C om pendexWeb 数据库中用“image fusion ”作为关键词,检索从1980年到2001年摘要中出现这一词组的文章数目.1980年至1984年,这方面的文章只有4篇;1995年至1999年增加到603篇;2000年和2001年两年就有299篇.从中可以看出国际学术界对图像融合技术的重视程度与日俱增. 为了使国内同行对图像融合技术有一个较为全面的了解,本文在参考国内外文献的基础上,对目前常用的图像融合技术进行了概括和评述.文章首先介绍了图像融合研究的基本内容,将图像融合的概念界定到像素级;接着描述了各种图像融合技术的基本原理,对它们的优缺点进行了定性分析,给出了评价图像融合技术的方法. 1 多传感器图像融合技术研究内容 多传感器图像融合属于多传感器信息融合的范畴,是指将不同传感器获得的同一景物的图像   2002年10月第28卷第5期北京航空航天大学学报 Journal of Beijing University of Aeronautics and Astronautics October 2002V ol.28 N o 15

多传感器融合学习心得

多传感器信息融合学习心得 通过一学期的学习,对多传感器信息融合有了一定的了解,学习了多传感器信息融合中的多种方法,并在小组论题和作业中都有所体现,下面我谈一下自己的学习心得。 一、多传感器信息融合的产生与发展 多传感器信息融合是由美国军方在20世纪70年代提出的,通过对各传感器获得的未知环境特征信息的分析和综合,得到对环境全面、正确的估计,它避免了单一传感器的局限性,可以获取更多信息,得出更为准确、可靠的结论。主要用于对军事目标(舰艇、飞机等)的检测、定位、跟踪和识别,具体应用在海洋监视、空对空或地对空防御系统等。 二、多传感器信息融合主要方法 多传感器信息融合是建立在传统的估计理论和识别算法的基础之上,主要有卡尔曼滤波、贝叶斯理论、D-S证据理论和小波变换等,下面我简单介绍一下各种算法。 1)卡尔曼滤波 卡尔曼滤波器实际上是一个最优化自回归数据处理算法。首先,我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述:X(k)=A X(k-1)+B U(k)+W(k) 再加上系统的测量值: Z(k)=H X(k)+V(k) 上两式子中,X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制量。A 和B是系统参数,对于多模型系统,他们为矩阵。Z(k)是k时刻的测量值,H是测量系统的参数,对于多测量系统,H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise),他们的方差分别是Q,R(这里我们假设他们不随系统状态变化而变化)。 假设现在系统的状态是k,根据系统模型,可以基于系统上一状态而预测出现在状态: X(k|k-1)=A X(k-1|k-1)+B U(k) (1)

无线传感器网络数据融合技术研究 (1)

无线传感器网络综合了传感器,嵌入式计算,网络及通信,分布式信息处理等技术,其利用大量的微型传感计算节点通过自组织网络以协作方式进行实时监测,感知和采集各类环境或监测对象信息,成为连接物理世界、数字虚拟世界和人类社会的桥梁[1,2]。无线传感器网络在环境监测,资源监测,灾害污染监测,公共安全和国防,智能交通灯各个领域都有广泛的应用前景,也是国际上信息领域的研究热点和竞争的焦点。 在采集信息的过程中,融合多源节点数据以减少冗余的数据传输,并将融合后的数据发送到汇聚节点的过程,通过有效的数据融合技术可以节省能量消耗,获得更准确的信息,提高无线传感器网络数据收集的效率。本文从平面路由的数据融合、层次路由的数据融合和地理位置路由数据融合三个角度出发,对无线传感器网络中数据融合技术进行了详细的分析和比较。 1.无线传感网络数据融合 数据融合是一种多源信息的综合技术,通过对来自不同传感器的数据进行分析和综合,可以获得被测对象及其性质的最佳一致估计。将经过集成处理的多种传感器信息进行合成,形成对外部环境某一特征的一种表达方式。无线传感器网络中的大量传感器节点需要对信息进行联合处理,消除噪声与干扰,实现对观测目标连续跟踪和测量等一系列问题的处理方法,就是多传感器数据融合技术[3]。 多传感器数据融合研究的对象是各类传感器采集的信息,这些信息是以信号,波形,图像,数据,文字或声音等形式提供的。数据融合的基本目的是通过融合得到比单独的各个输入数据更多的信息,其主要包括:多传感器的目标探测、数据关联、跟踪与识别和情况评估和预测。这一点是协同作用的结果,即由于多传感器的共同作用,使系统的有效性得以增强。 2.数据融合算法分析 2.1需求 在传感器网络中,数据融合可以节省整个网络的能量、增强所收集数据的准确性以及提高收集数据的效率三个方面。 (1)节省能量 传感器网络是由大量的传感器节点覆盖到监测区域而组成的,监测区域的相互重叠导致信息冗余度增加,这样不仅消耗更多能量,汇聚节点并未获得更多的信息。数据融合可以对冗余数据进行网内处理,在满足应用需求的前提下将需要传输的数据量最小化。 (2)获得更准确的信息 由于传感器节点受到成本及体积的限制、无线通信易受到干扰和恶劣的工作环境影响,仅收集少数几个分散的传感器节点的数据较难确保信息的准确性,需要通过对监测同一对象的多个传感器所采集的数据进行融合,来有效地提高所获得信息的精度和可信度。 虽然可以在数据全部单独传送到汇聚节点后进行集中融合,但这种方法得到的结果不如网内融合的结果精确,数据融合需要数据源局部信息的参与,如数据产生的地点、产生数据的节点归属的组(或簇)等。相同地点的数据,如果属于不同的组可能代表完全不同的数据含义,正是局部信息的参与使得局部信息融合比集中数据融合有更多的优势。 (3)提高数据收集效率 在网内进行数据融合,可以在一定程度上提高网络收集数据的整体效率。数据融合减少了需要传输的数据量,可以减轻网络的传输拥塞,提高无线信道的利用率,并降低数据的传输延迟。 2.2数据融合技术 2.2.1应用层数据融合 无线传感器网络能够实现多任务请求,应用层应当提供方便和灵活的查询提交手段,为用户提供一个屏蔽底层操作的用户接口,数据形式有利于网内的计算处理,减少通信的数据量和减小能耗。 (1)TAG数据融合模式:TAG是一个简单的查询内部的数据融合模型,分为查询分发阶段和数据收集阶段。在查询分发阶段,使用一个直接连接到工作站或基站的传感器节点作为汇聚节点,汇聚节点把查询请求分发到整个网络中,并在分发查询请求的过程中建立起一棵用于传输数据的生成树。在数据收集阶段,每个节点将自己采集到的数据与从子节点中收集到的数据融合起来,将融合后的结果通过生成树发送给汇聚节点。 TAG系统的数据融合模式在不考虑节点失效或连接失效的情况下,可以获得很好的能量利用率和查询处理效率。但是只要生成树中的一个节点连接失效,整个子树产生的数据都将丢失,特别是当失效发生在离汇聚节点很近的地方的时候,对于数据的准确性、实时性以及系统的正常运行会造成更大的影响。 (2)TINA数据融合模式:利用传感器节点采集数据的时间一致性进行网内融合的机制。只有当前采集的数据与上一次采集的数据的差值大于某个用户指定的容忍限度时,节点才进行数据发送。TINA一种时间域上的数据融合,引入了数据时间一致性的概念。 TINA数据融合模式对监测数据波动较小的环境中十分有效,能够显著地减少网络中的数据传输量。然而,当监测数据波动较大时,TINA 的作用就会下降,TINA对于节点存储空间的要求比较高,转发节点需要保存大量的额外信息。 2.2.2网络层数据融合 这一节分别讨论了基于路由的数据融合和查询数据融合。 (1)基于路由的数据融合 无线传感器网络中的路由方式可以根据是否考虑数据融合分为两类:以地址为中心的路由和以数据为中心的路由,其中只有后者考虑数据融合[4]。 1)基于DD路由的融合:定向扩散(Directe dinfusion)路由中的数据融合包括路径建立阶段的任务融合和数据发送阶段的数据融合,定向扩散路由的数据融合采用的是“抑制副本”的方法,即对转发过的数据进行缓存,发现重复的数据将不予转发。这种方法不仅简单,与路由技术相结合还能够有效地减少网络中的数据量。 2)基于层次路由的融合:LEACH是基于层次的路由算法,其操作分成“轮”来进行,每一轮具有两个运行阶段:包括簇建立阶段和数据通讯阶段。在数据通信阶段,簇内节点把数据发给簇首,簇首进行数据融合并把结果发送给汇聚节点,LEACH协议的特点是分簇和数据融合,这种方式降低了节点发送功率,减少了不必要的链路,减少节点间干扰,达到保持网络内部能量消耗的均衡,延长网络寿命的目的[5]。 3)基于链的融合:PEGASIS是LEACH的改进,首先将网络中的所有节点连接成一条单链,然后随机选取一个节点作为首领,并向其他节点发出收集数据请求,数据从单链的两个端点向首领流动,中间节点在传递数据前要执行融合操作,首领节点将结果传送给汇聚节点。 4)基于安全模式的融合:ESPDA是一种基于分簇的路由协议算法,每个节点收集到数据后,并不是直接将数据包发送给簇头,而是将反映数据特征的模式编码发给簇头节点,簇头节点根据模式编码判断是否对该节点的数据感兴趣或该节点数据是否冗余。ESPDA既减少了簇内节点和簇头的通信量,也增加了无线传感器网络的安全性。因为模式编码是经过安全加密和压缩的,而且大小也小于数据包的大小。 基于路由的数据融合可以在一定程度上节约能耗,延长无线传感器网络的生命周期,但是它们都是针对单个查询请求所做的数据融合,并不是根据数据包的内容来决定是否融合。 (2)基于查询之间的数据融合 在无线传感器网络的应用中往往都是很多查询请求并发执行的,而这些查询之间往往又存在着数据的冗余,查询之间的数据融合对于节约整个无线传感器网络的功耗、延长生命周期都具有极为重要的作用。查询之间的数据融合包括两个阶段:查询请求分发阶段和数据收集阶段。在查询请求分发阶段,每个节点将感兴趣的查询请求放入缓冲区,并对查询请求进行分析,判断出哪些查询请求中包含冗余信息,从而决定对哪些查询请求进行融合。在数据收集阶段, 无线传感器网络数据融合技术研究 西安航空技术高等专科学校计算机工程系马新华 [摘要]针对无线传感器网络中各个节点单独传送数据到汇聚节点,浪费传感器节点的能量,并降低信息收集的效率,通过基于平 面路由的数据融合,基于层次路由的数据融合和基于地理位置路由三个方面对无线传感器网络数据融合协议进行了分析和比较。 [关键词]无线传感器网络数据融合融合算法 (下转第245页)

相关文档
相关文档 最新文档