状态最优估计融合算法在伺服系统中的应用
第32卷第6期光电工程V ol.32, No.6 2005年6月 Opto-Electronic Engineering June, 2005文章编号：1003-501X(2005)06-0009-03
状态最优估计融合算法在伺服系统中的应用
刘廷霞1,2, 邢忠宝1
（1.中国科学院长春光学精密机械与物理研究所,吉林长春130031；
2.中国科学院研究生院，北京100039）
摘要：针对如何提高伺服系统多传感器测量数据的可信度，提出了一种状态最优估计融合算法。
该算法依据Bayes后验估计理论，把求n个测量数据的状态最优估计转化为求出满足Y（需要测
量的状态值）的最大后验概率max P (Y|E) 的估计值Y (E?)的问题，求得多传感器对同一目标的状态测量值的最优值，来提提高伺服测量数据的可信度。该算法应用到具有三种传感器的伺服系统中，实验结果证明，系统能持久稳定、高精度地跟踪运动目标，大大提高了系统的稳定性。
关键词：数据融合；伺服控制系统；复合控制；目标跟踪
中图分类号：V556 文献标识码：A
Application of state-optimization algorithm in a servo system
LIU Ting-xia1,2, XING Zhong-bao1
(1. Changchun Institute of Optics, Fine Mechanics and Physics,
the Chinese Academy of Sciences, Changchun 130031, China;
2. Graduate School of the Chinese Academy of Sciences, Beijing 100039, China)
Abstract: A state optimization algorithm is suggested in view of how to improve the reliability of multi-sensor data in a servo system. According to Bayes posterior estimation theory, the algorithm requires to convert the state optimization estimation of n data into seeking the estimated value Y(E?) of the largest posterior probability maxP
Key words: Data fusion；Servo control system；Composite control；Target tracking
引言
随着现代航空、航天技术的发展，飞行器的机动性得到了更大的加强，跟踪问题变得更加困难和复杂，对伺服跟踪精度也提出了更高的要求。跟踪目标运动状态信息的提取和滤波在高性能跟踪系统中起着至关重要的作用。由于通过各种传感器所获得的信号中包含有大量噪声信号，要想得到理想的目标运动状态值，信号数据处理技术成为必要手段。在信号输入控制系统之前，把来自多传感器的信息进行数据融合，得到一种新信息，这种新信息是任何单一传感器所无法获得的更准确的信息，真正实现高精度跟踪。
1 算法在伺服控制系统中应用的基本思想
伺服跟踪系统是航迹测量系统的主要分系统之一。它主要完成跟踪架的驱动，根据指令信息驱动跟踪架方位、俯仰两个方向的转动，以便实现测量系统对目标进行测量值目的。为可靠地捕获目标和高精度地跟踪目标，大多数光电跟踪系统都具有几种捕获跟踪手段，采用多传感器进行测量，各传感器的特点各
光电工程 第32卷第6期
10
不相同，但可互相补充，互相转换。在实际跟踪测量中，外部环境随时都可能发生变化，如果用单一传感器跟踪，极有可能跟踪失败。为了提高跟踪的可靠性和平稳性，本文介绍了一种基于数据融合理论的多传感器融合跟踪方法。数据融合在伺服控制系统中应用的基本思想是：把各传感器测量值与编码器合成位置值，再与指控中心站的数引位置数据进行融合处理，得到比单一传感器更准确的位置信息构成位置闭环，同时把数
引的速度信息前馈到速度回路构成复合控制与采用单杆来进行位置修正，这样可以在不改变系统稳定性能
的前提下来提高伺服跟踪系统的跟踪精度。如图1。
2 目标位置的合成
在红外、电视和激光等跟踪系统中，检测元件只能给出仪器与目标之间的角度偏差即跟踪误差θ?，没有给出系统的输入量 ——目标位置。由于
θθθ?0+=i (1)
所以可用合成法求出目标位置θi [4]，如图2。用θA ，θE 表示经纬仪测量设备所在的方位和俯仰角即编码器的测量值θ0,用?θA ，?θE 表示探测系统提取出的目标在方位和俯仰上的脱靶量即?θ，则目标的测量位置值为[2]
E E E E A
A )
cos(?θθθθθθ?+=?++=E A ， (2)
3 状态最优估计融合算法
数据融合理论和实际应用证明：对有限次测量数据进行集中式数据融合处理，可以获得比算术平均值算法更准确的测量结果。
3.1 野值的剔除
伺服系统工作时由于电磁干扰和数据传输的影响，不可避免地要产生野值，若不加以剔除，加到伺服系统上，必然会引起跟踪失败。实践证明，对伺服的有限次测量数据，用分布图法剔除野值不仅准确性高而且很有效，计算机编程也方便。以四组数据（假设它们都是有效的）为例分别为：捕获电视、测量电视、红外电视、数引。首先，数引位置值与编码器作差求出位置偏差值；其次，把四组数据的量纲统一；接下来就可以野值剔除和数据融合了。
野值的剔除方法如下：
将处理后的四组数据（以Y 表示）按从小到大的顺序排列如下 Y 1, Y 2, Y 3,Y 4
测量数据的阈值 ()22M Y Y Y += (3) 区间[Y M ,Y 4]的阈值为S M =Y 4,区间[Y L ,Y M ]的阈值S L =Y 1,差值为d S =S M -S L 。
将Y i -Y M >d S 的测量数据当成野值予以剔除，将Y i -Y M ≤d S 的合理测量数据参与数据融合处理。 利用这种野值剔除方法可以有效地排除引导数据中的随机干扰。而且，阈值Y M 和d S 的选择均与测量数据序列的极值点的大小无关，只与测量数据的分布位置有关，而且有效区域的获得与需要排除的野值的关系不大。因此用分布图法来获得一致性测量数据的方法能够增强数据融合对不确定因素的适应性，即具有鲁棒性。
3.2 状态最优估计融合算法
伺服系统的位置偏差测量数据的数据融合可以采用参数估计融合算法[3]，即对四组偏差数据，按照某
图2 位置合成
Fig.2 Position composition
2005年6月 刘廷霞 等：状态最优估计融合算法在伺服系统中的应用 11
种估计准则函数，利用测量数据序列对目标在空中的位置偏差值作出估计，得到目标准确的位置偏差值，消除引导过程中的不确定性。为准确估计目标的位置偏差值（以Y 表示），对四组测量数据进行线性观测，得到的测量数据为C j Y , j =1,2,3,…,n , 其中 C j 为常数。
由于观测有误差，实际所得的测量数据值为：E j =C j Y +e j ,其中e j 为观测误差，服从均值为０的正态分布。 依据Bayes 后验估计理论[4]，可得到n 个测量数据的状态最优估计为
)(max )(?3
2
1
?3
2
1
opt
n
Y
n
E E E E Y p E E E E Y
L L = (4) 即位置的数据融合问题，可以转化为求出满足Y 的最大后验概率maxP(Y |E )的估计值Y (E
?)的问题。根据 Bayes 定理有 )
()
|()()|(321321321n n n E E E E P Y E E E E P Y P E E E E Y P L L L =
(5) 由于n 次观测是独立进行的，于是又得到 ∏==n
j j n Y E P E E E E P 1321)|()(L (6) 由式(5)和式(6)及Bayes 定理可得到
)
()]([)
()|()|(32111321n n n
j j j n E E E E P Y P E P E Y P E E E E Y P L L ?=∏=
(7)
其中 P (Y |E j )与P (E j )均与Y 无关，可视为归一化因子，在求最大后验概率)(?E Y
时可不用考虑，容易求得n 次经纬仪测量的融合值为 ),cov(),cov()(?j j j j j E Y E E Y E Y
= (8) 其中：cov(Y j , E j )为2个随机变量Y j 与E j 的相关程度，即协方差。
4 状态最优估计融合算法实验
以方位数据作为例子，俯仰与此类推。例如，各传感器对某时刻空间目标方位的位置值170.0°进行定位，各测量数据的方位位置A 的值如表1。
表中PTVa 为捕获电视与编码器合成的位置数据;MTVa 为测量电视与编码器合成的位置数据;IRa 为红外电视与编码器合成的位置数据;假设各引导数据都是有效合理的，均可参加数据融合，根据式(8)可以求得各引
导数据的融合值A
?＝170.3，此时引导误差为0.3，可以看出数据融合得到的引导数据比算术平均值结果更 接近真值。图3为实测的测量电视的跟踪误差(时间单位：1码＝0.02s)。图4为伺服控制器与传感器数据融合后的跟踪误差。比较两图看出融合后跟踪系统误差和随机误差明显比单个传感器引导跟踪时好得多。
5 结 论
本文解决的关键问题是首次把用于提高目标探测、捕获跟踪能力及测量精度的多传感器数据融合技术应用到伺服控制系统中。根据Bayes 定理推出由n 个传感器测得的数据得出最优估计融合值的算法。实验表明该算法能够有效地虑除由于测量所带来的干扰，提高了测量数据的可靠性，进而提高了伺服系统的跟踪能力、平稳性和可靠性。 (下转第30页)
表1 方位位置测量值
Table 1 Measurements of azimuth position Data
PTVa MTVa IRa GUIDa
Ai 173.4 171.3 172.7
169.1
1 101 201 301 401 501 601
80 40 0 -40 -80
Code
T r a c k i n g e r r o r / (″ )
图
3测量电视的跟踪误差曲线
Fig.3 Tracking error curve of the measuring television set
图4融合后的跟踪误差
Fig.4 Tracking error after data fusion
T r a c k i n g e r r o r / (″ )
1 101 201 301 401 501 601
80 40 0-40-80
Code
30
光电工程第32卷第6期更符合人类视觉特征，在查全率、查准率和最佳检索比例上具有一定程度的提高。
但目前SCP作为一种新的纹理分析算法，其定义还有待进一步的完善，在算法上主要体现在纹理基元的定义不严格。目前使用固定窗口代替纹理基元进行基元分析，根据纹理基元大小自适应调整窗口尺寸，并在此基础上应用SCP，是本算法有价值的应用方向。
参考文献：
[1] B S MANJUNATH, Jens-Rainer OHM, Vinod V. V ASUDEV AN et al. Color and Texture Descriptors [J]. IEEE Transactions on
Circuits and Systems for Video Technology, 2001, 11(6)：703-715.
[2] Khanh VU, Kien A HUA, Wallapak TA V ANAPONG. Image Retrieval Based on Regions of Interest [J]. IEEE Transactions on
Knowledge and Data Engineering，2003，15(4)：1045-1049.
[3] Jianguo ZHANG, Tieniu TAN. Brief review of invariant texture analysis methods[J]. Pattern Recognition，2002，35(3)：
735-747.
[4] 王成儒，张涛. 一种快速图像纹理分析算法[J]. 光电工程，2005，32(1)：74-76.
WANG Cheng-ru, ZHANG Tao. An Efficient Texture Analysis Algorithm [J]. Opto-Electronic Engineering，2005，32(1)：74-76.
[5] 万华林，Morshed U. CHOWDHURY，胡宏，等. 图像纹理特征及其在CBIR中的应用[J]. 计算机辅助设计与图形学学
报，2003，15(2)：195-199.
WAN Hua-lin，Morshed U CHOWDHURY，HU Hong，et al. Texture Feature and its Application in CBIR [J]. Journal of Computer-aided Design & Computer Graphics，2003，15(2)：195-199.
[6] Janet S PAYNE, L HEPPLEWHITE, T J STONHAM. Perceptually Based Metrics for the Evaluation of Textural Image Retrieval
Methods[J]. SPIE，1999，3647：122-133.
[7] 王东峰, 邹某炎. 傅氏变换的自配准性质及其在纹理识别和图像分割中的应用[J]. 中国图象图形学报(A)，2003，8(2)：
140-146.
WANG Dong-feng, ZOU Mou-yan. Auto-registration of Fourier Transform Magnitude Spectra and its Application on Texture Identification and Segmentation [J]. Journal of Image and Graphics(A)，2003，8(2)：140-146.
[8] Guy SMITH. "Brodatz" Test Suite [EB/OL]. https://www.wendangku.net/doc/fc17065394.html,.au/staff/meastex/imgs/brodatz.html, 1998-01-19/2003-10-03. JJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ (上接第11页)
参考文献：
[1] 谭振江. 多传感器光测系统数据融合技术的应用研究[D]. 中国科学院长春光学精密机械与物理研究所博士学位论文,
2003.
TAN Zhen-jiang.Reasearch of Data Fusion Technology Applied in the Multi-Sensors Optics Measuring System[D].
Changchun Institute of Optics,Fine Mechanics and Physics of CAS Doctor paper，2003.
[2] 马振洲. 提高电影经纬仪外场使用精度的方法[J]. 光电工程，1990，17(5)：14-25.
MA Zhen-zhou. An Approach for Improving the Field Accuracy of Cine-theodolite[J].Opto-Electronic Engineering，1990，17(5)：14-25.
[3] 戴亚平, 刘征, 郁光辉. 多传感器数据融合理论及应用[M]. 北京：北京理工大学出版社, 2004.
DAI Ya-ping, LIU Zheng, YU Guang-hui. Sensor and Data Fusion Concepts and Applications[M]. Beijing：Institute of Technology Press, 2004.
[4] 马佳光. 复合控制及等效复合控制原理及应用[J]. 光电工程，1988，15(5)：1-16.
MA Jia-guang. Principles and Applications of Combined Control and Equivalent Combined Control[J]. Opto-Electronic Engineering，1988，15(5)：1-16.
(完整版)信息融合算法
信息融合算法 1 概述 信息融合又称数据融合，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。经过融合后的传感器信息具有以下特征：信息冗余性、信息互补性、信息实时性、信息获取的低成本性。 1、组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。在硬件这一级上应用。 2、综合：信息优化处理中的一种获得明确信息的有效方法。 例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。 3、融合：当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。 4、相关：通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。 相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。
2 技术发展现状 信息融合技术的方法，概括起来分为下面几种： 1)组合：由多个传感器组合成平行或互补方式来获得多组数据 输出的一种处理方法，是一种最基本的方式，涉及的问题有 输出方式的协调、综合以及传感器的选择。在硬件这一级上 应用。 2)综合：信息优化处理中的一种获得明确信息的有效方法。例： 在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到 一个物体的不同侧面的两幅图像，综合这两幅图像可以复原 出一个准确的有立体感的物体的图像。 3)融合：当将传感器数据组之间进行相关或将传感器数据与系 统内部的知识模型进行相关，而产生信息的一个新的表达式。 4)相关：通过处理传感器信息获得某些结果，不仅需要单项信 息处理，而且需要通过相关来进行处理，获悉传感器数据组 之间的关系，从而得到正确信息，剔除无用和错误的信息。 相关处理的目的：对识别、预测、学习和记忆等过程的信息 进行综合和优化。 3 算法描述 3.1 Bayes融合 Bayes融合是融合静态环境中多传感器低层数据的一种常用方法。
技术状态管理办法
技术状态管理方法 编制： 审核： 批准： 生效日期： 受控标识处： 分发号： 1.0目的
1.1为加强研制和生产过程的技术状态管理，保证产品研制和生产质量，防止研制和生产过程技术状态 的标识、控制、记实、审核失控，特制定本办法。 2.0范围 2.1本办法适用于公司所有产品的研制和生产过程。 3.0职责 3.1管理者代表负责组织和领导技术状态管理工作。 3.2设计部门负责设计文件的标识、控制和记实。 3.3工艺部门负责工艺文件的标识、控制和记实。 3.4档案部门负责技术文件的归档，及归档文件的标识、控制和记实。 3.5检验部门负责有关技术状态的记实和监控。 3.6质量管理部门负责对研制和生产过程技术状态管理执行情况进行监督。 4.0术语 4.1技术状态 在技术文件中规定的并且在产品中达到的功能特性和物理特性。 4.2功能特性 产品的性能指标、设计约束条件和使用保障要求。其中包括诸如使用范围等性能指标以及可靠性、维修性和安全性等要求。 4.3物理特性 产品的形体特性，如组成、尺寸、表面状态、性状、配合、公差、重量等。 4.4技术状态项目 能满足最终使用功能，并被指定作为单个实体进行技术状态管理的硬件、软件或其集合体。 4.5技术状态管理 对技术状态项目进行的下述技术的和管理的活动： a.技术状态标识； b.技术状态控制； c.技术状态记实； d.技术状态审核。 4.6技术状态标识 所进行的下述活动：选择技术状态项目，确定每个技术状态项目所需的技术状态文件；指定技术状 态项目及相应文件（包括内部和外部接口文件）的标识号；发送技术状态文件；建立技术状态基线。 4.7技术状态控制 技术状态基线建立后，为控制技术状态项目的更改而对提出的更改建议（工程更改、偏离、超差）所进行的论证、评定、协调、审批和实施的活动。 4.8技术状态记实 对已确定的技术状态文件、提出的更改状况和已批准更改的执行情况所作的正式记录和报告。
配电网状态估计算法综述
第20卷第2期宁波工程学院学报Vol.20No.2 2008年6月JOURNAL OF N I N G BO UN I V ERSI TY OF TECHNOLOGY June.2008 配电网状态估计算法综述 许琼,白云,安静宇 (西安科技大学电控学院,陕西西安710054) 摘要:文章介绍了配电网状态估计的含义及其研究价值,对其经典算法进行分类并分析,总结了配电网状态估计的研究近况,指出了研究的方向。 关键词:配电网;状态估计;综述 中图分类号:T M744文献标识码:A文章编号:1008-7109(2008)02-0038-03 1引言 近年来,随着社会经济的高速发展和用电负荷的迅猛增长,使得人们对配电网的供电质量和可靠性提出了更高的要求,但是我国的配电网长期存在结构不合理、设备陈旧、带病运行、容量不足、电能质量不够理想、损耗大的现象,制约着经济的持续稳定增长,随着我国电网的快速发展,配电网的安全可靠性直接影响大电网的运行和经济效益,作为一项重要研究课题被广泛关注。 2配电网状态估计含义及研究意义 状态估计是在获知全网的网络结构条件下,结合从馈线FT U和母线RT U得到的实时功率和电压信息,补充对不同类型用户观测统计出的负荷曲线和负荷预测数据以及抄表数据,运用新型的数学和计算机手段,在线估计配电网用户实时负荷,由此可以获得全网各部分的实时运行状态和参数,为配电系统高级应用软件提供可靠的实时数据信息。 目前,在大部分高压输电网中已经成功应用了状态估计,但是在中低压城乡配电网中的应用还处于起步阶段,传统的供电方式和技术及管理手段已经无法满足现代配电网的要求,为了提高供电的经济、安全和可靠性,广泛开展配电自动化(DA)项目,建设配电管理系统(DMS),其中,作为配电管理系统主要数据来源的SCADA(负荷监控和数据采集系统)快速发展为配电网状态估计的开展提供了数据保证[1]。配电网作为直接面向用户的基础用电设施,监测其运行的安全、可靠的状态估计具有重要研究意义: (1)能够提高配电网数据的能观度,在线估计配电网用户实时负荷,为配电系统的安全经济运行提供更加全面和丰富的实时数据。 (2)有助于掌握各个负荷的用电规律,进行负荷特性分析、负荷预测、用电情况分析和理论线损分析等,以便进一步提高供电管理水平和服务质量。 (3)为实施需求侧负荷管理提供参考依据,在故障状态或电力供应紧张的情况下,采取科学的负荷控制措施,缓解电力供需矛盾,最大限度地满足用户的用电需求。 (4)能够反映各个用户最大瞬时功率及其出现的时间,为配电网和电力设施扩容和扩展规划提供决策支持。 收稿日期:2008-02-28 作者简介:许琼,女,西安科技大学电控学院。
多聚焦图像融合方法综述
多聚焦图像融合方法综述 摘要：本文概括了多聚焦图像融合的一些基本概念和相关知识。然后从空域和频域两方面将多聚焦图像融合方法分为两大块，并对这两块所包含的方法进行了简单介绍并对其中小波变换化法进行了详细地阐述。最后提出了一些图像融合方法的评价方法。 关键词：多聚焦图像融合；空域；频域；小波变换法；评价方法 1、引言 按数据融合的处理体系，数据融合可分为：信号级融合、像素级融合、特征级融合和符号级融合。图像融合是数据融合的一个重要分支，是20世纪70年代后期提出的概念。该技术综合了传感器、图像处理、信号处理、计算机和人工智能等现代高新技术。它在遥感图像处理、目标识别、医学、现代航天航空、机器人视觉等方面具有广阔的应用前景。 Pohl和Genderen将图像融合定义为：“图像融合是通过一种特定的方法将两幅或多幅图像合成一幅新图像”，其主要思想是采用一定的方法，把工作于不同波长范围、具有不同成像机理的各种成像传感器对同一场景成像的多幅图像信息合成一幅新的图像。 作为图像融合研究重要内容之一的多聚焦图像融合，是指把用同一个成像设备对某一场景通过改变焦距而得到的两幅或多幅图像中清晰的部分组合成一幅新的图像，便于人们观察或计算机处理。图像融合的方法大体可以分为像素级、特征级、决策级3中，其中，像素级的图像融合精度较高，能够提供其他融合方法所不具备的细节信息，多聚焦融合采用了像素级融合方法，它主要分为空域和频域两大块，即： （1）在空域中，主要是基于图像清晰部分的提取，有梯度差分法，分块法等，其优点是速度快、方法简单，不过融合精确度相对较低，边缘吃力粗糙； （2）在频域中，具有代表性的是分辨方法，其中有拉普拉斯金字塔算法、小波变换法等，多分辨率融合精度比较高，对位置信息的把握较好，不过算法比较复杂，处理速度比较慢。 2、空域中的图像融合 把图像f(x,y)看成一个二维函数，对其进行处理，它包含的算法有逻辑滤波器法、加权平均法、数学形态法、图像代数法、模拟退火法等。 2.1 逻辑滤波器法 最直观的融合方法是两个像素的值进行逻辑运算,如:两个像素的值均大于特定的门限值,
设备技术状态评定表
0类、金属切削机床完好标准(1一7项为主要项目) 1、精度性能、能满足生产工艺要求，精密机床主要精度性能达到出厂标准; 2、各传动系统运转正常，变速齐全; 3、各操作系统动作灵敏可靠; 4、润滑系统装置齐全，管道完整，油路畅通，油标醒目; 5、电气系统装置齐全，管线完整，性能灵敏，运行可靠; 6、滑动部位运转五常，各滑动部位及零件无严重拉、研、碰伤; 7、安全防护装置齐全可靠; 8、机床内外清洁、无黄袍、无油垢，无锈蚀，油质符合要求; 9、基本无滑油、漏水、漏气现象; 10、零部件完整，随机附件基本齐全，保管妥善。 注：1、符合完好标准项目者填"√"，不符合者填"×"; 2、完好标准中所有项合格为一级，次要项有一项不合格其余项合格为二级， 主要项有一项不合格，或次要项有两项不合格，为不完好设备。
一类：镀压剪冲设备完好标准(1一7项为主要项目) 1、出力能满足生产工艺要求； 2、各传动系统运转正常，变速齐全； 3、各操作系统动作灵敏可靠； 4、润滑系统装置齐全，管道完整，油路畅通，油标醒目，油质符合要求，基本无滑油、 水、气现象; 5、电气系统装置齐全，管线完整，性能灵敏，运行可靠; 6、滑动部位运转正常，各滑动部位及零件无严重拉、研、碰伤; 7、安全防护装置齐全可靠; 8、内外清洁，外观油漆良好或有少量脱落，标牌齐全清晰，无黄袍、无油垢、无锈蚀。 注：1、符合完好标准项目者填"√"，不符合者填"×"; 2、完好标准中所有项合格为一级，次要项有一项不合格其余项合格为二级，主要 项有一项不合格，或次要项有两项不合格，为不完好设备。
二类：动力设备完好标准(1一5项为主要项目) 1、动力基本达到原设计要求。 2、各传动系统运转正常，各滑动面无较重锈蚀、磨损。 3、电气和控制系统、安全阀、压力表、水位计等装置齐全、灵敏可靠。 4、无超温、超压现象，基本无漏水、漏油、漏气现象; 5、润滑装置齐全，管道完整，油路畅通，油标醒目，油质符合要求。 6、附机和零件、部件齐全，内外整洁。 注：1、符合完好标准项目者填"√"，不符合者填"×"; 2、完好标准申所有项合格为一级，次要项有一项不合格其余项合格为二级，主 要项有一项不合格，或次要项有两项不合格，为不完好设备。 3、工业锅炉、空气压缩设备完好标准参看"铁路设备管理手册"附件二十四。
电力系统状态估计调试方法研究
文章编号：1674-0629(2007)01-0046-06 中图分类号：TM734 文献标志码：B 电力系统状态估计调试方法研究 冯永青1a，刘映尚1b，吴文传2，张伯明2 (1a.中国南方电网调度通信中心, 1b. 中国南方电网公司，广东广州 510623； 2. 清华大学电机系，北京 100084) Study on Maintenance Methods of Power System State Estimation FENG Yong-qing1a, LIU Ying-shang1b, WU Wen-chuan2, ZHANG Bo-ming2 (1a. CSG Power Dispatching and Communication Center, 1b. CSG Operation and Technology Department, Guangzhou, Guangdong 510623, China；2. Department of Electrical Engineering, Tsinghua University, Beijing 100084, China) Abstract：Aiming at the issue of state estimation maintenance difficulties in power dispatching, this paper studies the systemic maintenance methods of state estimation for large regional, provincial and district control center, including equivalence of interior and exterior network, countermeasure of active and reactive estimation divergence as well as the methods for increasing state estimation eligible rate. A practical reactance-estimation method of loop network with matrix calculation is proposed. This method can employ the software such as Scilab Program to implement straight forward, and the results on China Southern Power Grid show that the proposed systemic maintenance method is reasonable and feasible. Key words: on-line analysis; state estimation; maintenance method; parameter estimation 摘要：针对调度工作中存在的电力系统状态估计维护问题，对网、省、地调调度中心状态估计的调试方法进行了系统化的研究，包括内网等值、外网等值、有功发散和无功发散的调试，以及提高状态估计合格率的方法。提出了一种新的基于矩阵计算的环网电抗参数估计实用化方法，可以利用Scilab等计算器软件进行直接推算。在南方电网应用的经验表明，本文的系统化状态估计调试方法是合理的、有效的。 关键词：在线分析；状态估计；调试方法；参数估计 随着南方电网一次系统建设的快速发展，以及大电网在物理上的复杂性[1]，使得南方电网的调度和控制难以完全由传统人工经验所驾驭。 为适应这一变化，南方电网各级调度中心都在建设和发展新一代的调度自动化系统。其特点是不再局限于对实时运行数据进行采集处理（即SCADA 与AGC功能），而是进一步利用在线稳定分析系统[2,3]、在线电网预警与风险分析系统[2,3]、协调防御系统[4]等进行在线分析，以提高各级调度人员对大电网的驾驭能力。而各级调度中心状态估计功能的高效和准确运行，则是这些系统在建设与运行过程中的重点和难点问题。 状态估计技术于1970年由MIT的Fred Charles Schweppe创立[6]。1974年Edmund Handschin提出了状态估计不良数据辨识的开拓性论文[7]。国内关于状态估计的研究工作见文献[8-12]。 现有状态估计研究论文大都以算法研究为主，而如何进行状态估计调试的文献却甚为少见。保证状态估计的高精确和可靠性运行，良好的调试方法是关键，也是调度自动化维护工作中的一个难点问题。本文对状态估计的调试方法进行了较为系统化的研究。 基金项目：国家重点基础研究发展计划(973计划)项目（2004CB217904）；国家自然科学基金项目（50647025）。
图像融合的研究背景和研究意义
图像融合的研究背景和研究意义 1概述 2 图像融合的研究背景和研究意义 3图像融合的层次 像素级图像融合 特征级图像融合 决策级图像融合 4 彩色图像融合的意义 1概述 随着现代信息技术的发展，图像的获取己从最初单一可见光传感器发展到现在的雷达、高光谱、多光谱红外等多种不同传感器，相应获取的图像数据量也急剧增加。由于成像原理不同和技术条件的限制，任何一个单一图像数据都不能全面反应目标对象的特性，具有一定的应用范围和局限性。而图像融合技术是将多种不同特性的图像数据结合起来，相互取长补短便可以发挥各自的优势，弥补各自的不足，有可能更全面的反映目标特性，提供更强的信息解译能力和可靠的分析结果。图像融合不仅扩大了各图像数据源的应用范围，而且提高了分析精度、应用效果和使用价值，成为信息领域的一个重要的方向。图像配准是图像融合的重要前提和基础，其误差的大小直接影响图像融合结果的有效性。 作为数据融合技术的一个重要分支，图像融合所具有的改善图像质量、提高几何配准精度、生成三维立体效果、实现实时或准实时动态监测、克服目标提取与识别中图像数据的不完整性等优点，使得图像融合在遥感观测、智能控制、无损检测、智能机器人、医学影像(2D和3D)、制造业等领域得到广泛的应用，成为当前重要的信息处理技术，迅速发展的军事、医学、自然资源勘探、环境和土地、海洋资源利用管理、地形地貌分析、生物学等领域的应用需求更有力地刺激了图像融合技术的发展。 2 图像融合的研究背景和研究意义 Pohl和Genderen对图像融合做了如下定义：图像融合就是通过一种特定算法将两幅或多幅图像合成为一幅新图像。它的主要思想是采用一定的算法，把
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
3节电力系统状态估计(WLS算法)
3節電系統狀態估計報告【任務說明】 :闭合的开关 :打开的开关:打开的刀闸 :线路:负荷 G:发电机:母线 :连接线(没有阻抗) Unit2Unit1 3節點系統主接線圖 任務： 1、采用最小二乘狀態估計算法,所有量測の權重都取1.0,編寫狀態估計程序(C/Matlab)。 2、按量測類型，列出量測方程（每一類寫出一個方程） 3、畫出程序流程 4、提交源程序，程序中每個函數の作用 5、提交計算の輸出結果(屏幕拷貝) 系統參數： 功率基值：100MW 電壓基值：230 kV 線路阻抗參數（標麼值）： 線路量測(流出母線為正)：
母線電壓量測： 負荷量測(流出母線為正)： 發電量測(流入母線為正)： 注：量測存在誤差 【數據預處理】 首先根據基值將已知の量測值均轉換為標么值，並將功率值轉換為流入量，得到如下數據： 線路導納參數（標麼值）： 線路注入功率量測(標么值)： 負荷點注入功率量測(標么值)：
發電機節點注入量測(流入母線為正)： 母線電壓量測（標么值）： 【量測方程】 選擇節點1の電壓相角為參考，為0度，以vi表示誤差值。 1）節點1電壓量測方程： Vi=Vi+v1 即1.0087=V1+v1 2）1-3支路1號節點處注入有功功率功率： P ij=V i2g ij-V i V j(g ij cos+b ij sin)+v2 0.613=V12g13-V1V3(g13cos+b13sin)+v2 即0.613=-1.6171V12-V1V3(-1.6171cos +13.698sin)+v2 3）1號節點注入功率： P i=V i2G ii +G ij cos+B ij sin+v3 P1=V12G11+G1j cos+B1j sin+v3 即-1.11=3.5613V12+V1V2(-1.9442cos -10.5107sin) +V1V3(-1.6171 cos -13.698 sin)+v3
多传感器数据融合算法.
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。
设备技术状态鉴定
设备技术状态的评价是指把设备使用过程中的技术性能、生产能力、生产效率及有关技术质量标准与设备原给定值作比较，并用定量表示的方法反映其磨损程度的大小，以此为依据分析存在的差异，以提高设备技术状态的管理水平。这里主要讨论设备整机技术状态的评价方法，常用的有： ①设备完好状态的评定； ②设备综合精度的评定； ③设备工程能力指数的评定。 上述的三种评定方法从不同角度反映设备技术状态，分别具有不同的内涵，可以根据管理的目的个别采用，也可以同时采用几种方法进行复合评价。 1．设备完好状态的评定 设备技术状态标准，可分为设备工作能力标准（绝对标准）和设备技术状态完好标准（相对标准）。设备的工作能力包括功能和参数，如精度、性能、粗糙度、功率、效率、速度、出力等的允许范围以及精度指数和工程能力指数等，这些反映在规定的设备技术条件中。设备的技术条件是考核设备设计、制造质量的绝对标准，并在设备完工检验合格后，载人设备出厂精度检验单和说明书中。设备技术状态完好标准则是为了统计考核设备在使用中的情况，如设备的精度、性能与完好状态、设备加工产品的质量以及设备管理维修的效果而制定的。设备完好状态的评定就是基于设备技术状态完好标准的评价。 目前，各行业已对各类设备制订出具体的完好标准。 (1)设备技术状态的完好标准的基本要求 ①设备性能良好：机械设备精度、性能能满足相应水平产品的生产工艺要求；动力设备功能达到原设计或法定运行标准；运转无超温、超压和其他超额定负荷现象。 ②设备运转正常：零部件齐全，磨损、蚀耗程度不超过规定技术标准；操纵和控制系统，计量仪器、仪表、液压、气压、润滑和冷却系统，工作正常可靠。 ③消耗原材料、燃料、油料、动能等正常，基本无漏油、漏水、漏气（汽）、漏电现象，外表清洁整齐。 ④设备的安全防护、制动、联锁装置齐全，性能可靠。 对完好设备作出定量分析和评价的具体标准，由行业主管部门根据上述要求结合设备特点制定，作为各行业检查设备完好的统一尺度。 （2）设备完好率 这是企业设备管理、使用、维修、保养工作及设备技术状态的综合反映。设备完好状态的具体考核指标是企业拥有主要生产设备的完好率Φ, 设备完好率必须是每月检查台数和合格台数的实际反映，不能以局部抽查数反映全部设备的完好率。 当企业或车间的设备完好率已达到规定的目标，比如说Φ≥85％，必须经常检查该单位是否能保持这个设备完好率的水平。抽查完好设备的方法是在已报的完好设备中随机抽查一部分，完好设备的抽查合格率β表示为： 抽查合格率达到规定指标时（一般为β≥90％），才能认可所报的完好率。 设备技术状态完好标准是中国在20世纪70年代末设备管理整顿期间提出的一项主要评价和考核指标。设备完好标准的根本缺点是非定量性质，由若干完好设备统计的完好率也就失去了可比价值。从设备工程的角度看，设备技术状态的变化过程是随时间而变化的随机过程。就一个企业来说，设备的完好状态也是不断变化的，目前，该指标仍可使用，但在具体操作中，应对完好标准的定性条款加以改进，减少主观因素的影响；或对指标的计算公式加
ENVI中的融合方法
ENVI下的图像融合方法 图像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成成一副高分辨率多光谱影像遥感的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征。图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。只有将两幅融合图像进行精确配准，才可能得到满意的结果。对于融合方法的选择，取决于被融合图像的特征以及融合目的。 ENVI中提供融合方法有： ?HSV变换 ?Brovey变换 这两种方法要求数据具有地理参考或者具有相同的尺寸大小。RGB输入波段必须为无符号8bit数据或者从打开的彩色Display中选择。 这两种操作方法基本类似，下面介绍Brovey变换操作过程。 （1）打开融合的两个文件，将低分辨率多光谱图像显示在Display中。 （2）选择主菜单-> Transform -> Image Sharpening->Color Normalized (Brovey)，在Select Input RGB对话框中，有两种选择方式：从可用波段列表中和从Display窗口中，前者要求波段必须为无符号8bit。 （3）选择Display窗口中选择RGB，单击OK。 （4） Color Normalized (Brovey)输出面板中，选择重采样方式和输入文件路径及文件名，点击OK输出结果。 对于多光谱影像，ENVI利用以下融合技术： ?Gram-Schmidt ?主成分（PC）变换 ?color normalized (CN)变换 ?Pan sharpening 这四种方法中，Gram-Schmidt法能保持融合前后影像波谱信息的一致性，是一种高保真的遥感影像融合方法；color normalized (CN)变换要求数据具有中心波长和FWHM，；Pansharpening融合方法需要在ENVI Zoom中启动，比较适合高分辨率影像，如QuickBird、IKONOS等。 这四种方式操作基本类似，下面介绍参数相对较多的Gram-Schmidt操作过程。 （1）打开融合的两个文件。
数据融合各种算法整理汇总
数据融合各种算法及数学知识汇总 粗糙集理论 理论简介 面对日益增长的数据库，人们将如何从这些浩瀚的数据中找出有用的知识？ 我们如何将所学到的知识去粗取精？什么是对事物的粗线条描述什么是细线条描述？ 粗糙集合论回答了上面的这些问题。要想了解粗糙集合论的思想，我们先要了解一下什么叫做知识？假设有8个积木构成了一个集合A，我们记： A={x1,x2,x3,x4,x5,x6,x7,x8}，每个积木块都有颜色属性，按照颜色的不同，我们能够把这堆积木分成R1={红，黄，蓝}三个大类，那么所有红颜色的积木构成集合X1={x1,x2,x6}，黄颜色的积木构成集合X2={x3,x4}，蓝颜色的积木是：X3={x5,x7,x8}。按照颜色这个属性我们就把积木集合A进行了一个划分(所谓A的划分就是指对于A中的任意一个元素必然属于且仅属于一个分类），那么我们就说颜色属性就是一种知识。在这个例子中我们不难看到，一种对集合A的划分就对应着关于A中元素的一个知识，假如还有其他的属性，比如还有形状R2={三角,方块,圆形}，大小R3={大,中,小}，这样加上R1属性对A构成的划分分别为： A/R1={X1,X2,X3}={{x1,x2,x6},{x3,x4},{x5,x7,x8}} （颜色分类） A/R2={Y1,Y2,Y3}={{x1,x2},{x5,x8},{x3,x4,x6,x7}} （形状分类） A/R3={Z1,Z2,Z3}={{x1,x2,x5},{x6,x8},{x3,x4,x7}} （大小分类） 上面这些所有的分类合在一起就形成了一个基本的知识库。那么这个基本知识库能表示什么概念呢？除了红的{x1,x2,x6}、大的{x1,x2,x5}、三角形的{x1,x2}这样的概念以外还可以表达例如大的且是三角形的 {x1,x2,x5}∩{x1,x2}={x1,x2}，大三角{x1,x2,x5}∩{x1,x2}={x1,x2}，蓝色的小的圆形({x5,x7,x8}∩{x3,x4,x7}∩{x3,x4,x6,x7}={x7}，蓝色的或者中的积木{x5,x7,x8}∪{x6,x8}={x5,x6,x7,x8}。而类似这样的概念可以通过求交运算得到，比如X1与Y1的交就表示红色的三角。所有的这些能够用交、并表示的概念以及加上上面的三个基本知识(A/R1,A/R2.A/R3)一起就构成了一个知识系统记为R=R1∩R2∩R3，它所决定的所有知识是 A/R={{x1,x2},{x3,x4},{x5},{x6},{x7},{x8}}以及A/R中集合的并。 下面考虑近似这个概念。假设给定了一个A上的子集合X={x2,x5,x7}，那么用我们的知识库中的知识应该怎样描述它呢？红色的三角？****的大圆？ 都不是，无论是单属性知识还是由几个知识进行交、并运算合成的知识，都不能得到这个新的集合X，于是我们只好用我们已有的知识去近似它。也就是在所有的现有知识里面找出跟他最像的两个一个作为下近似，一个作为上近似。于是我们选择了“蓝色的大方块或者蓝色的小圆形”这个概念： {x5,x7}作为X的下近似。选择“三角形或者蓝色的”{x1,x2,x5,x7,x8}作为它的上近似，值得注意的是，下近似集是在那些所有的包含于X的知识库
(完整版)设备技术状态评定表
设备技术状态评定表（0类）附表A 0类、金属切削机床完好标准(1一7项为主要项目) 1、精度性能、能满足生产工艺要求，精密机床主要精度性能达到出厂标准; 2、各传动系统运转正常，变速齐全; 3、各操作系统动作灵敏可靠; 4、润滑系统装置齐全，管道完整，油路畅通，油标醒目; 5、电气系统装置齐全，管线完整，性能灵敏，运行可靠; 6、滑动部位运转五常，各滑动部位及零件无严重拉、研、碰伤; 7、安全防护装置齐全可靠; 8、机床内外清洁、无黄袍、无油垢，无锈蚀，油质符合要求; 9、基本无滑油、漏水、漏气现象; 10、零部件完整，随机附件基本齐全，保管妥善。 注：1、符合完好标准项目者填"√"，不符合者填"×"; 2、完好标准中所有项合格为一级，次要项有一项不合格其余项合格为二级， 主要项有一项不合格，或次要项有两项不合格，为不完好设备。
设备技术状态评定表（一类）附表B 一类：镀压剪冲设备完好标准(1一7项为主要项目) 1、出力能满足生产工艺要求； 2、各传动系统运转正常，变速齐全； 3、各操作系统动作灵敏可靠； 4、润滑系统装置齐全，管道完整，油路畅通，油标醒目，油质符合要求，基本无滑油、 水、气现象; 5、电气系统装置齐全，管线完整，性能灵敏，运行可靠; 6、滑动部位运转正常，各滑动部位及零件无严重拉、研、碰伤; 7、安全防护装置齐全可靠; 8、内外清洁，外观油漆良好或有少量脱落，标牌齐全清晰，无黄袍、无油垢、无锈蚀。 注：1、符合完好标准项目者填"√"，不符合者填"×"; 2、完好标准中所有项合格为一级，次要项有一项不合格其余项合格为二级，主要 项有一项不合格，或次要项有两项不合格，为不完好设备。
三种图像融合方法实际操作与分析
摘要：介绍了遥感影像三种常用的图像融合方式。进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。 关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE 1. 引言 由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。[1] 在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。[2] 此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多
光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。 2. 源文件 1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。 2 、imagery-5m.tif ，SPOT图像，分辨率5米。 3. 软件选择 在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。[3] ERDAS IMAGINE是美国Leica公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具。 2012年5月1日，鹰图发布最新版本的ERDAS IMAGINE，所有ERDAS 2011软件用户都可以从官方网站上下载最新版本 ERDAS IMAGINE 11.0.5. 新版本包括之前2011服务包的一些改变。相比之前的版本，新版本增加了更多ERDAS IMAGINE和GeoMedia之间的在线联接、提供了更为丰富的图像和GIS产品。用户使用一个单一的产品，就可以轻易地把两个产品结合起来构建一个更大、更清
状态估计算法说明
配电网状态估计的作用是充分利用量测数据，辅以历史负荷数据，利用数据的冗余性，通过一定方法计算出全网状态，剔除不良数据，补足不足量测，提高量测数据的一致性和精度，为其他配网高级应用软件提供全面可靠的数据。 该三相状态估计算法是通过对传统的输电系统的状态估计算法进行改进得到，主要采用加权最小二乘算法。 由于量测数据都有一定误差，该算法对量测做了部分简化假定： 1）随机量测噪声的均值为0； 2）量测误差平方的期望值服从标准差为σ的正态分布； 3）不同量测之间互不相关。 在给定系统网络接线、支路参数和量测系统的条件下，设系统状态变量的个数为n ，量测量的个数为m ，则反映量测量与系统状态变量之间关系的非线性量测方程可写为 (4-1) 式中， 为量测量向量（简称量测向量），，其中，为系统的第i 个量测量，； 为状态变量向量（简称状态向量），，其中，为系统的第i 个状 态变量，； 为非线性量测函数，描述了量测向量与状态向量之间的关系； 为量测误差向量，，其中，为第i 个量测量的量测误差。 基本加权最小二乘状态估计法是以计算得到的状态变量的估计值所对应的量测估计值和量测值之差的加权平方和最小为目标准则的估计方法。它是许多状态估计算法的基础方法。 给定量测向量z 和量测方程式，可建立基于加权最小二乘法的系统状态估计的目标函数 (4-2) 式中，为量测权重矩阵，，其中，为第i 个量测量的权值。 假定量测误差向量服从高斯分布，则，，其中，R 为量测误差协 方差矩阵。由于通常可假定各个量测误差之间相互独立，因而 (4-3) ()x =+z h v z 12[,,...,]T m z z z =z i z 1,...i m =x 12[,,...]T n x x x =x i x 1,...i n =()h x z x v 12[,,...]T m v v v =v i v ()(())(())T J =--x z h x W z h x W 12[,,...]T m w w w =W i w i z v ()=0E v ()=T E R vv 2 12 2 2m R σσσ????? ?=??????? ?
图像融合算法概述
图像融合算法概述 摘要：详细介绍了像素级图像融合的原理,着重分析总结了目前常用的像素级图像融合的方法和质量评价标准,指出了像素级图像融合技术的最新进展,探讨了像素级图像融合技术的发展趋势。 关键词：图像融合; 多尺度变换; 评价标准 Abstract:This paper introduced the principles based on image fusion at pixel level in detail, analysed synthetically and summed up the present routine algorithm of image fusion at pixel level and evaluation criteria of its quality. It pointed out the recent development of image fusion at pixel level, and discussed the development tendency of technique of image fusion at pixel level. Key words:image fusion; multi-scale transform; evaluation criteria 1.引言： 图像融合是通过一个数学模型把来自不同传感器的多幅图像综合成一幅满足特定应用需求的图像的过程, 从而可以有效地把不同图像传感器的优点结合起来, 提高对图像信息分析和提取的能力[ 1] 。近年来, 图像融合技术广泛地应用于自动目标识别、计算机视觉、遥感、机器人、医学图像处理以及军事应用等领域。图像融合的主要目的是通过对多幅图像间冗余数据的处理来提高图像的可靠性; 通过对多幅图像间互补信息的处理来提高图像的清晰度。根据融合处理所处的阶段不同,图像融合通常可以划分为像素级、特征级和决策级。融合的层次不同, 所采用的算法、适用的范围也不相同。在融合的三个级别中, 像素级作为各级图像融合的基础, 尽可能多地保留了场景的原始信息, 提供其他融合层次所不能提供的丰富、精确、可靠的信息, 有利于图像的进一步分析、处理与理解, 进而提供最优的决策和识别性能. 2.图像融合算法概述 2.1 图像融合算法基本理论