基于神经网络的传感器网络数据融合技术研究
BP神经网络在多传感器数据融合中的应用
BP神经网络在多传感器数据融合中的应用 摘要：提出一种基于多传感器神经网络融合的机动目标估计算法，利用BP 神经网络的函数逼近能力，将BP神经网络与卡尔曼滤波器相结合构成一个估计器，该算法可以对来自经不同噪声污染的传感器信息加以充分利用，在改善估计性能的同时又保持估计滤波的计算结构尽可能简单。仿真结果表明所提出的估计滤波算法在估计应用上优于一般的加权估计算法，提高了估计算法的精度。 关键词：BP神经网络卡尔曼滤波数据融合 一、引言 数据融合是指对来自多个传感器的信息进行融合，也可以将来自多个传感器的信息和人机界面的观测事实进行信息融(这种融合通常是决策级融合)。提取征兆信息，在推理机作用下．将征兆与知识库中的知识匹配，做出故障诊断决策，提供给用户。在基于信息融合的故障诊断系统中可以加入自学习模块．故障决策经自学习模块反馈给知识库．并对相应的置信度因子进行修改，更新知识库。同时．自学习模块能根据知识库中的知识和用户对系统提问的动态应答进行推理。以获得新知识。总结新经验，不断扩充知识库，实现专家系统的自学习功能。 多传感器数据融合是20世纪70年代以来发展起来的一门新兴边缘学科，目前已经成为备受人们关注的热门领域。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碍到了广泛应用、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。 多传感器信息融合状态估计是多传感器信息融合学科的一个重要分支。多传感器数据融合的基本原理就像是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，通过对各种传感器及其观测信息的合理支配与使用，将各传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。目前有两种常用的信息融合方法：一种方法是状态融合方法，另一种方法是观测融合方法。状态融合方法又可分为集中式kalman滤波[1]和分散式kalman滤波。集中式kalman滤波虽然在理论上可获得全局最优融合状态估计，但这种方法计算量大，且容错性能差，而分散式kalman滤波信息融合能克服这些缺点，但这种方法是局部最优的，因此基于此思想我们可以利用BP神经网络来提高融合精度。 BP(Back Propagation)神经网络[2]，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期
多传感器信息融合技术论文
多传感器信息融合技术论文多传感器信息融合技 术论文阐述了多传感器信息融合的定义、原理、分类和结构，分析了多传感器信息融合的特点及其研究方向多传感器信息融合技术论文【1】关键词：多传感器信息融合研究方向 1 、多传感器信息融合的定义多传感器信息融合也称为信息融合或数据融合，指的是对不同知识源和多个传感器所获得的信息进行综合处理，消除多传感器信息之间可能存在的冗余和矛盾，利用信息互补，降低不确定性，以形成对系统环境相对完整一致的理解，从而提高智能系统决策和规划的科学性、反应的快速性和正确性，进而降低决策风险的过程。 由其定义可见，多传感器信息融合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。 2 、多传感器信息融合的原理多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。如果把单传感器信号处理或低层次的数据处理方式看作是对人脑信息处理的一种低水平模仿，那么多传感器信息融合就是对人脑信息处理的一种高水平模仿。 多传感器信息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观测信息的合理支配和使用，把多个传感器在时间或空间上的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[1] 。 3 、多传感器信息融合的分类 信息的数据融合是对多源数据进行多级处理，每一级处理都代表了
对原始数据的不同程度的抽象化，它包括对数据的检测、关联、估计和组合等处理。信息融合按其在传感器信息处理层次中的抽象程度，可以分为三个层次：像素层融合、特征层融合及决策层融合[2] 。 3.1 像素层融合它是最低层次的融合，是在采集到的传感器的原始信息层次上（未经处理或只做很少的处理）进行融合，在各种传感器的原始测报信息未经预处理之前就进行信息的综合和分析。其优点是保持了尽可能多的战场信息; 其缺点是处理的信息量大，所需时间长，实时性差。 3.2 特征层融合属于融合的中间层次，兼顾了数据层和决策层的优点。它利用从传感器的原始信息中提取的特征信息进行综合分析和处理。也就是说，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。 3.3 决策层融合指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。这一层融合是在高层次上进行的，融合的结果为指挥控制决策提供依据。 决策层融合的优点是：具有很高的灵活性，系统对信息传输带宽要求较低; 能有效地融合反映环境或目标各个侧面的不同类型信息，具有很强的容错性;通信容量小，抗干扰能力强; 对传感器的依赖性小，传感器可以是异质的; 融合中心处理代价低。 4 、多传感器信息融合的融合结构多传感器信息融合通常是在一个
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
基于神经网络的信息融合技术
基于多传感器信息融合的 数控机床故障诊断研究 1.引言 数控机床具有加工柔性好、加工精度高、加工质量稳定、生产率高等诸多特点，但其结构和运行工况也很复杂，一旦机床发生故障，引起故障的因素众多，有机械方面的，有电气方面的，同时同一种故障往往有不同的表现，同一种症状又常常是几种故障共同作用的结果，故障的多样性、复杂性和各故障之间的复杂联系构成了数控机床故障诊断中的重点和难点。每个传感器都有一定的功能和测量范围，单个传感器的数据从某个侧面反应被测对象或系统的情况，难免带有一定的局限性。仅仅通过单一传感器的特征提取和诊断分析将无法成功完成对数控机床的故障诊断任务。因此多传感器数据融合技术显得尤为重要，它能克服传感器使用的局限性和传感器信息的不准确性，充分地、综合地、更有效地利用多传感器信息，减少信息的模糊性，增加决策可信度，提高对数控机床的故障诊断的准确率。 多传感器数据融合是一种重要的传感器信息处理方法，它起源于20世纪70年代，最早被应用于军事领域，用于解决目标识别与跟踪、状态与身份估计、态势和威胁估计等技术问题。它能充分利用不同时间与空间的多传感器数据资源，在一定准则下进行分析、综合、支配和使用，得到对被测对象的一致性解释和描述，并做出相应的判断、估计和决策。 多传感器数据融合有多种算法，其中，D-S证据理论方法的应用最为广泛。本文主要建立了基于多传感器信息融合的数控机床二级故障诊断系统：基于自适应加权算法的一级融合，基于D-S证据理论的二级融合。然后利用某一论文中的数控机床的测量数据，通过MATLAB软件对其进行分析计算，最后得出结论。 2．基于多传感器信息融合的二级故障诊断系统 本文介绍了一种基于多传感器信息融合的二级故障诊断系统：基于自适应加权算法的一级融合，基于D-S证据理论的二级融合，如图1所示。
数据融合方法优缺点
数据融合方法 随着交通运行状态评价研究的不断发展，对数据的准确性和广泛覆盖性提出了更高的要求，在此基础上，不同的数据融合模型被引进应用于交通领域中来计算不同检测设备检测到的数据。现阶段，比较常用的数据融合方法主要有：表决法、模糊衰退、贝叶斯汇集技术、BP神经网络、卡尔曼滤波法、D．S理论等方法。 1现有方法应用范围 结合数据融合层次的划分，对数据融合方法在智能交通领域的应用作以下归纳总结： 表数据融合层次及对应的方法 2各种融合方法的优缺点 主要指各种融合方法的理论、应用原理等的不同，呈现出不同的特性。从理论成熟度、运算量、通用性和应用难度四个方面进行优缺点的比较分析，具体内容如下： (1)理论成熟度方面：卡尔曼滤波、贝叶斯方法、神经网络和模糊逻辑的理论已经基本趋于成熟；D—S证据推理在合成规则的合理性方
面还存有异议；表决法的理论还处于逐步完善阶段。 (2)运算量方面：运算量较大的有贝叶斯方法、D．S证据推理和神经网络，其中贝叶斯方法会因保证系统的相关性和一致性，在系统增加或删除一个规则时，需要重新计算所有概率，运算量大；D．S证据推理的运算量呈指数增长，神经网络的运算量随着输入维数和隐层神经元个数的增加而增长；运算量适中的有卡尔曼滤波、模糊逻辑和表决法。 (3)通用性方面：在这六种方法中，通用性较差的是表决法，因为表决法为了迁就原来产生的框架，会割舍具体领域的知识，造成其通用性较差；其他五种方法的通用性相对较强。 (4)应用难度方面：应用难度较高的有神经网络、模糊逻辑和表决法，因为它们均是模拟人的思维过程，需要较强的理论基础；D．S证据推理的应用难度适中，因其合成规则的难易而定：卡尔曼滤波和贝叶斯方法应用难度较低。 3 适用的交通管理事件 之前数据融合技术在交通领域中的应用多是在例如车辆定位、交通事件识别、交通事件预测等交通事件中，但是几乎没有数据融合技术在交通运行状态评价的应用研究，而本文将数据融合技术应用在交通运行状态评价中，为了寻找到最适用于交通运行状态评价的数据融合技术方法，有必要将之前适用于其它交通管理事件的数据融合技术进行评价比较。 表2 各种融合方法适用的交通管理事件的比较
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
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
信息融合技术
信息融合技术 1引言 融合(Fusion)的概念开始出现于70年代初期,当时称之为多源相关、多源合成、多传感器混合或数据融合(Data Fusion),现在多称之为信息融合(Information Fusion)或数据融合。 融合就是指采集并集成各种信息源、多媒体与多格式信息,从而生成完整、准确、及时与有效的综合信息过程。数据融合技术结合多传感器的数据与辅助数据库的相关信息以 获得比单个传感器更精确、更明确的推理结果。经过融合的多传感器信息具有以下特征:信息的冗余性、互补性、协同性、实时性以及低成本性。 多传感器信息融合与经典信号处理方法之间存在本质 的区别,其关键在于信息融合所处理的多传感器信息具有更 为复杂的形式,而且可以在不同的信息层次上出现。 2信息融合的结构模型 由于信息融合研究内容的广泛性与多样性,目前还没有 统一的关于融合过程的分类。 2、1按照信息表征层次的分类系统的信息融合相对于信息表征的层次相应分为三类:数据层融合、特征层融合与决策层融合。 数据层融合通常用于多源图像复合、图像分折与理解等方面,采用经典的检测与估计方法。特征层融合可划分为两大
类:一类就是目标状态信息融合,目标跟踪领域的大体方法都可以修改为多传感器目标跟踪方法;另一类就是目标特性融合,它实质上就是模式识别问题,具体的融合方法仍就是模式识别的相应技术。 决策层融合就是指不同类型的传感器观测同一个目标,每个传感器在本地完成处理,其中包括顶处理、特征抽取、识别或判决,以建立对所观察目标的初步结论。然后通过关联处理、决策层触合判决,最终获得联合推断结果。 2、2JDL模型(Joint Directors of Laboratories, JDL)与λ-JDL模型该模型将融合过程分为四个阶段:信源处理,第一层处理(即目标提取)、第二层处理(即态势提取)、第三层提取(即威胁提取)与第四层提取(即过程提取)。模型中的每一个模块都可以有层次地进一步分割,并且可以采用不同的方法来实现它们。 λ-JDL模型为JDL模型的简化,把0层包含进了1层, 4层融入其她各层中。 2、3按照数据流融合的位置进行分类多传感器融合系统中的一个关键问题就是在何处对数据流进行融合。按照融合位置的不同可以将融合结构分为以下三种类型:集中式融合、分布式多传感器融合与无中心融合结构。对于特定的信息融合应用不可能找到一种最优的融合结构,结构的选择必须综合考虑计算资源、可用的通信带宽、精度要求、传感器能力
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。
BP神经网络在信息融合技术中的应用
BP神经网络信息融合技术中的应用 宋志英 辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000） 摘要：主要介绍了组合导航系统中GPS/INS(卫星导航定位/惯性系统制导)中的传感器信息融合方法,并提出了多源图像融合制导的思想与方法.本文指出比较有应用前景的信息融合研究方法是基于模糊逻辑、小波分析等方法。为此提出了引入Elman神经网络,描述了它的状态估计的设计方法。,进而用Matlab程序实现神经网络的训练过程。 关键词:多传感器；组合导航；信息融合；BP神经网络；卡尔曼滤波 1. 引言 全球定位系统(GPS)是一种高精度的全球实时的卫星导航定位系统, 它是当前应用最为广泛的卫星导航定位系统，使用方便、成本低廉，操作简便。但它存在着动态响应能力较差, 易受外界信号干扰、动态环境中可靠性差以及数据输出频率低及等及完善性较差的缺点。惯性导航系统(INS)由于工作的完全自主性,成为目前航行体上的主要导航设备之一,但存在着误差会随时间增大的缺点。为克服这些缺点,根据INS和GPS导航功能优势互补的特点,以适当的方法将两者组合起来提高系统的整体导航精度。GPS接收机在惯导位置和速度信息的辅助下,也将改善捕获、跟踪和再捕获的能力,并在卫星分布条件差或可见星少的情况下导航精度不致下降过大[1]。由于优点显著,GPS/INS组合系统被一致认为是飞行载体最理想的组合导航系统,GPS和INS数据融合算法中最常用的工具是卡尔曼滤波器[2],但是在使用卡尔曼滤波器时,尚有许多问题有待解决,如处理速度等。本文设计了实现车载GPS／INS组合导航系统最优综合的联合卡尔曼滤波器，并给出了滤波算法。提出了一种自适应联合卡尔曼滤波器结构及其算法，并应用于GPS／INS组合导航系统的最优综合校正中。因此，将GPS的长期高精度特性与INS的短期高精度特性进行有机结合，使两者的组合起到优势互补的作用。 2. INS/GPS组合系统模糊推理规则 由于GPS/INS的系统误差以及外界干扰的影响，因此，组合导航系统模型的系统误差和量测噪声事先是未知的或难以精确确定的信号。模糊推理（如图1所示）是以模糊逻辑为基础模拟人的思维并进行知识处理，模糊系统的隶属度函数等设计参数依靠经验进行。通常，卡尔曼滤波器用于解决导航系统的参数估计问题，它可以从被噪声污染的观测值中实时地估计出系统的状态。但是，实际系统是一个复杂的非线性系统模型，难以用精确的数学模型描述。由于惯性元器件、GPS接收机输出数据误差的不确定性，系统噪声和量测噪声是事先未知或不能确定的信号。因此，使用卡尔曼滤波进行导航参数的估计时，系统参数估计的精度及可靠性受到很大的限制。模糊聚类多用于图像融合与图像边缘检测.聚类是按照一定的标准对用一组参数表示的样本群进行分类的过程.其中比较常用的是模糊c-均值聚类算法.模糊聚类的过程,也就是样本中的特征参数被融合、样本按标准被分类的过程.当选定一种相似性度量、差别检验以及停止规则后,就可得到一种特定的聚类分析算法.一般来讲,相似性度量的定义、聚类算法的选择、数据的排列方位,甚至输入数据的次序,都可能影响聚类的结果.因此,在使用聚类分析法时,应对其有效性和可重复性进行分析,已形成有意义的属性聚类结果.
多传感器信息融合技术
多传感器信息融合技术 【摘要】：多传感器的集成与融合技术已经成为智能机器与系统领域的一个重要的研究方向。它不仅可以描述同一环境特征的多个冗余的信息，而且可以描述不同的环境特征。多个传感器的使用还可以使信息采集和处理过程并行化，不仅可以得到更全面、更准确的信息，而且减少时间和成本，提高整个系统的性能。 【关键词】：信息融合；传感器功能；智能机器人；传感器 中国分类号：TN6 文献标识码：A 文章编号：1002-6908(2007)0120076-01 多传感器的集成与融合技术已经成为智能机器与系统领域的一个重要的研究方向。它涉及信息科学的多个领域，是新一代智能信息技术的核心基础之一。由于单传感器不可避免存在不确定或偶然不确定性，缺乏全面性，缺乏鲁棒性，所以偶然的故障就会导致系统失效。多传感器集成与融合技术正是解决这些问题的良方。多个传感器不仅可以描述同一环境特征的多个冗余的信息，而且可以描述不同的环境特征。多个传感器的使用还可以使信息采集和处理过程并行化，不仅可以得到更全面、更准确的信息，而且减少时间和成本，提高整个系统的性能。多传感器集成与融合的特点就是冗余性、互补性、及时性和低成本性。 1．信息融合的基本概念 “信息融合”就是对多传感器的数据进行多级别、多方面、多层次的处理，即组合或融合来自多个传感器或其他信息源的数据，以获得综合的、更好的估计。这个过程是对多源数据进行检测、结合、相关、估计和组合以达到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。信息融合技术的优越性，主要表现在：容错性好；系统精度高；信息处理速度块；互补性强；信息获取成本低等方面。 2．多传感器信息融合技术的研究内容 多传感器集成与融合并不是简单的相加，是由5个方面的研究内容组成，即融合结构、控制结构、传感器选择策略、世界模型和融合方法。 （1）融合结构是指如何为多传感器融合建立一个通用的信息处理模式。常见的有分层相平面模式、神经网络、逻辑传感器、面向对象设计等。 （2）控制结构是指如何对多传感器集成与融合过程进行有效的控制。根据不同应用的特点，有NBS（National Bureau of Standards）传感与控制分层结构、分布式黑板和自适应学习三种方法。 （3）传感器选择是多传感器集成的一部分。它可以使多传感器系统从可用的传感器之中选择最合适的传感器组合。预选法和实时选择法是目前采用的两种
多传感器信息融合技术综述(论文)
多传感器信息融合技术综述 内容摘要：多传感器信息融合技术是一门新兴学科，它的理论和方法已被应用到许多研究领域。本文主要对多传感器信息融合的模型与结构、信息融合的主要技术和方法、信息融合理论体系以及信息融合技术的应用等内容进行了概要介绍和展开了综述。 关键词：多传感器；信息融合；综述 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，多传感器信息融合技术已受到了广泛关注。多传感器信息融合是20世纪80年代出现的一门新兴学科，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。我国从20世纪90年代也开始了多传感器信息融合技术的研究和开发工作，并在工程上开展了多传感器识别、定位等同类信息融合的应用系统的开发，现在多传感器信息融合技术越来越受到人们的普遍关注。1多传感器信息融合的概念 在信息融合领域，人们经常提及“多传感器融合”（multi-sensor fusion）、“数据融合”（data fusion）和“信息融合”（information fusion）。实际上它们是有差别的，现在普遍的看法是，多传感器融合包含的内容比较具体和狭窄，至于信息融合和数据融合，有一些学者认为数据融合包含了信息融合，还有一些学者认为信息融合包含了数据融合，而更多的学者把信息融合与数据融合的当作同一概念看待，在不影响应用的前提下，二种提法都是可以的。因此本文统一使用信息融合这一提法。信息融合有多种定义方式，作者认为比较确切的概念为：充分利用不同时间与空间的多传感器信息资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被测对象的一致性解释与描述，以完成所需的决策和估计任务，使系统获得比它的各组成部分更优越的性能。 2 信息融合的模型和结构 2.1 信息融合的模型 信息融合绝大部分的研究都是根据具体问题及其特定对象建立自己的融合层次，针对其在军事上的应用将信息融合划分为检测层、位置层、属性层、态势评估和威胁估计；根据输入输出数据的特征提出了基于输入/输出特征的融合层次化描述等。可见，信息融合层次的划分没有统一标准，根据信息表征的层次，我们将信息融合划分为像素层、特征层和决策层，分别称为像素级融合、特征级融合和决策级融合[1]。一个给定的信息融合系统，可能涉及多个级别数据的输入。 （1）像素级融合见图1，这是最低层次的信息融合。在这种方法中，匹配的传感器数据直接融合，而后对融合的数据进行特征提取和特征说明。传感器的信息融合之后，没有单个处理的信息损失，识别的处理等价于对单个传感器的处理。该层次的信息融合能够提供其它层次上的融合所不具备的细节信息，因此，像素级多传感器处理提供一种最优决策和识别性能。但是，像素级融合要求精确的传感器配准和宽的传输带宽。 （2）特征级融合见图2，这是中间层次的信息融合。在这种方法中，每个传感器观测目标，并对各传感器的观测进行特征提取（如提取形状、边沿、方位信息等），产生特征矢量，而后融合这些特征矢量，并做出基于联合特征矢量的属性说明。在特征级融合中，各个源提供的特征矢量融合到一个综合的特征矢量中，这种融合是比较简单的，该层次的信息融合是像素级融合和更高一级决策级融合的折衷形式，兼容了两者的优缺点，具有较大的灵活性，在许多情况下是很实用的。
多传感器信息融合综述
1.多传感器信息融合概念 多传感器信息融合是指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。经过融合的多传感器信息具有以下特性: 信息的冗余性、信息的互补性、信息的实时性和信息的低成本性。 2. 多传感器信息融合分类 按融合判断方式分类 （1） 硬判决方式 硬判决方式设置有确定的预置判决门限。只有当数据样本特征量达到或超过预置门限时，系统才做出判决断言；只有当系统做出了确定的断言时，系统才向更高层次系统传送“确定无疑”的判决结论。这种判决方式以经典的数理逻辑为基础，是确定性的。 （2） 软判决方式 软判决方式不设置确定不变的判决门限。无论系统何时收到观测数据都要执行相应分析，都要做出适当评价，也都向更高层次系统传送评判结论意见及其有关信息，包括评判结果的置信度。这种评判不一定是确定无疑的，但它可以更充分地发挥所有有用信息的效用，使信息融合结论更可靠更合理。 按传感器组合方式分类 （1） 同类传感器组合 同类传感器组合只处理来自同一类传感器的环境信息，其数据格式、信息内容都完全相同，因而处理方式相对比较简单。 （2） 异类传感器组合 异类传感器组合同时处理来自各种不同类型传感器采集的数据。优点是信息内容广泛，可以互相取长补短，实现全源信息相关，因而分析结论更准确、更全面、更可靠，但处理难度则高很多。 3.信息融合的系统结构 信息融合的系统结构研究包含两部分, 即信息融合的层次问题和信息融合的体系结构。融合的层次结构主要从信息的角度来分析融合系统, 信息融合的体系结构则主要是从硬件的角度来分析融合系统。 （1）信息融合的层次 信息融合系统可以按照层次划分, 对于层次划分问题存在着较多的看法。目前较为普遍接受的是层次融合结构, 即数据层、特征层和决策层。 数据层融合是指将全部传感器的观测数据直接进行融合, 然后从融