同类传感器自适应加权融合算法研究
6页1、 同类传感器自适应加权融合算法研究 摘要:针对同类多传感器测量中含有的噪声,提出了多传感器数据自适应加权融合估计算法,该算法不要求知道传感器测量数据的任何先验知识,依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,并在理论上证明了该估计算法的线性无偏最小方差性。仿真结果表明了本算法的有效性,其融合结果在精度、容错性方面均优于传统的平均值估计算法。关键词:数据融合;自适应加权;多传感器0 引言随着科学技术的发展,传感器的性能大大提高,使得各种面向复杂应用背景的多传感器信息系统大量涌现。在多传感器信息系统中,信息表现形式的多样性,信息容量以及信息处理速度等要求,都已大大超出了传统信息处理方法的能力,因此,多传感器融合技术应运而生了。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,多传感器数据融合能够扩大信息区域覆盖的范围,改善系统的可靠性,对目标或事件的确定增加了可信度,减少了信息的模糊性,这是任何单个传感器所不能做到的。1 同类传感器自适应加权融合算法模型及原理多传感器自适应加权融合算法的基本原理是在保证总均方误差最
2、小的前提下,根据传感器的测量值,以自适应的方式寻找传感器对应的最优加权因子,使得融合后得到的结果达到最优,如图1-1所示,其中 为传感器的测量数据, 各个传感器对应的加权因子, 为传感器的融合结果。该算法能够进一步提高测量精度,具有较强的容错能力。图1-1 多传感器自适应加权融合算法模型2 算法推导对同一环境参数进行测量,设 个同类传感器的方差分别为 , , ,所要估计的真值为 ,各个传感器的测量值分别为 , , ,他们彼此相互独立,并且是 的无偏估计,各传感器的加权因子分别为 , , ,则融合后的 真值满足: (2-1)并且加权因子也满足: (2-2)总均方误差 为(2-3)又因为 , , 相互独立,并且为 的无偏估计,所以 (2-4)因此 可以化简成 (2-5)从上式可以看出, 是关于各传感器加权因子的多元二次函数,所以 必然存在最小值,同时各传感器的加权因子应该满足 (2-6)根据多元函数求极值理论可以求出当 最小时所对应的加权因子为 (2-7)那么所对应的最小均方误差为 (2-8)当估计真值 为常量时,则可以根据各个传感器历史测量数据的均值来进行估计,设传感器进行了 次测量,则
3、均值为 (2-9)则估计值为 (2-10)此时的总均方误差为(2-11)同理,因为 , , 相互独立,并且为 的无偏估计,所以 , , 也一定是 的无偏估计,所以 (2-12)显然当 最小时所对应的最优加权因子 仍然会满足 (2-13)此时所对应的最小均方误差为 (2-14)由上式可以看出, ,且 的值会随着 值的增大而进一步减小。3 仿真实验及结果分析设计实验模拟4组传感器进行自适应加权融合算法测试,传感器的真实数据取值 =1,选择4组方差分别为0.1、0.15、0.4、0.9的白噪声模拟传感器测量误差。按照自适应加权融合算法对4组传感器数据做融合估计,利用上位机编程得到各传感器的融合输出曲线和平均值估计曲线如图3-1所示,并得到4组传感器通过自适应加权融合算法分别对应的权值分布曲线如图3-2所示。图3-1自适应加权融合算法的传感器权值分布曲线图3-2 各传感器的自适应加权融合输出曲线和平均值估计输出曲线从图3-1可以看出,自适应加权融合算法中,传感器的方差越大,在进行自适应加权数据融合时对应的权值就越小。从图3-2可以看出,自适应加权融合算法对4个传感器的测量数据的融合输出结果要远优于传统的平均值估计算法,并且随着融合次数的增大,最后的输出结果越来越逼近真值。4 结论本文所提出的多传感器数据自适应加权融合估计算法在不知道任何传感器测量数据先验知识的条件下,可以从含有观测噪声的测量数据中得到被估计量的最小均方误差估计.该方法不但充分利用了传感器的测量数据,还将传感器的均方误差、测量精度等信息融合进处理过程,快速、准确地估计出真值,提高了测量精度、扩大了观测范围,该估计算法可广泛地应用于各种高精度测量领域。-全文完-
《同类传感器自适应加权融合算法研究》由会员I***分享,可在线阅读,更多相关《同类传感器自适应加权融合算法研究》请在金锄头文库上搜索。
2024-02-09 7页
2022-12-31 11页
2023-08-30 30页
2023-02-18 5页
2022-08-20 8页
2023-12-29 2页
2023-12-06 3页
2023-04-16 1页
2023-03-11 7页
2023-02-25 19页