您好,欢迎访问三七文档
当前位置:首页 > 商业/管理/HR > 经营企划 > 传感器网络数据融合技术研究
0755-83376489传感器网络数据融合技术研究张小波广东工业大学自动化学院网络工程系zxb_leng@gdut.edu.cn020-333561200755-83376489内容安排一、传感器数据融合概念二、传感器网络数据融合系统处理模型三、数据融合各种算法分析四、传感器数据融合技术研究的不足五、传感器网络数据融合需考虑的几个问题六、未来的研究方向0755-83376489一、传感器网络数据融合概念数据融合是充分利用不同时间与空间的多传感器信息资源,在一定准则下进行分析、综合和应用,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。0755-83376489二、传感器网络数据融合系统处理模型源预处理目标评估态势评估威胁评估信息源人机接口数据库管理系统总过程评估0755-83376489三、传感器网络数据融合常用算法1.经典算法贝叶斯估计法、加权平均法、极大似然估计法、D-S证据理论法、卡尔曼滤波法等2.现代算法聚类分析、模糊逻辑、神经网络法等0755-83376489各种融合算法对比分析算法类主要算法优点缺点经典融合算法现代融合算法统计方法估计方法贝叶斯估计法D-S证据理论法极大似然估计卡尔曼滤波最小二乘法信息论方法人工智能法聚类分析法模糊逻辑神经网络具有公理基础,直观、易于理解、计算量小信息损失少,适用于原始数据的融合对对象的先验知识要求不高或无要求,有较强的自适应能力,容易在融合系统中实现主、客观间的信息融合需要比较多的先验知识,适用条件比较苛刻需要获得对象比较精确的数学模型,对于复杂、难于建立模型的场合无法适用运算量比较大,规则建立难或学习时间长,不容易实现0755-83376489算法1:D-S证据理论特点:D-S证据理论具有比较强的理论基础,它既能处理命题的不确定性问题,也能将“不知道”和“不确定”区分开,D-S组合规则的优点在于证据间的冲突较小时,证据置信度向不确定性较小的命题集中。但是,在证据严重冲突的情况下,直接运用基本D-S证据理论进行融合,组合结果往往与实际情况不相符。0755-83376489D-S证据理论相关研究1)D-S证据理论和神经网络相结合的多传感器信息融合2)基于D-S证据理论的移动机器人多超声波传感器信息融合方法3)D-S证据理论和模糊数学相结合的多传感器信息融合4)基于D-S证据推理的多传感器信息融合技术在战场目标识别中的应用0755-83376489算法2:Bayes估计算法特点:当一个证据的概率是在大量的统计数据的基础上得出的,当所处理的问题比较复杂时,需要非常大的统计工作量,这使得定义先验概率函数非常困难;而且,Bayes推理要求各证据间是不相容或相互独立的,从而当存在多个可能假设和多条件相关事件时,计算复杂性迅速增加。0755-83376489Bayes估计算法相关研究基于Bayes估计的机器人触觉传感器信号数据融合采用Bayes多传感器数据融合方法进行目标识别0755-83376489算法3:卡尔曼滤波算法分类:⑴标准卡尔曼滤波算法⑵区间卡尔曼滤波算法⑶两阶段卡尔曼滤波算法0755-83376489区间卡尔曼滤波算法特点:与基于标准卡尔曼滤波算法的多传感器信息融合算法不同的是,该算法通过融合得到的不再是对目标运动状态的点估计,而是区间估计.这种处理方法的优点是得到的估计值可靠性更高,尤其适用于那些对目标状态估计要求不是很精确的情况下,例如只是要求知道目标运动状态变化的范围等.有效解决了系统参数不确定情况下目标状态估计问题.关于区间卡尔曼滤波的理论和应用的研究目前尚处于起步阶段,这方面还有很多的工作有待于完善,例如如何进一步提高运算速度、如何确定系统参数的变化空间以及如何对直接的估计区间进行有效处理等问题都需要进一步的研究.0755-83376489卡尔曼滤波算法相关研究基于卡尔曼滤波的汽包水位多传感器信息融合方法研究基于卡尔曼的无线传感器网络时空融合研究基于多卡尔曼滤波器的自适应传感器融合基于无迹卡尔曼滤波的被动多传感器融合跟踪0755-83376489算法4:最小二乘算法特点:利用最优加权与递推最小二乘法相结合的多传感器信息融合方法对参数进行检测时,能够定量识别各种信息的质量,确定对各量测信息的利用程度,充分利用量测数据,将噪声最大程度的抑制。在估计的无偏性和均方误差最小的前提下,该方法表现出较好的稳健性和鲁棒性0755-83376489最小二乘算法相关研究基于最小二乘原理的多传感器加权融合算法基于相关性函数和最小二乘的多传感器数据融合最优加权与递推最小二乘相结合的多传感器信息融合0755-83376489算法5:聚类算法特点:聚类融合算法采用欧氏距离来定义距离矩阵,通过最小距离聚类方法确定相互支持的传感器组,可以较好地避免受主观因素作用的关系矩阵,提高了数据融合结果的客观性.该算法简洁,能避免有效数据的损失,数据融合精度较高.0755-83376489聚类算法的相关研究基于模糊聚类的异类多传感器数据关联算法基于聚类的无线传感器网络的分簇算法研究基于证据聚类的多源传感器证据组合研究多传感器数据的聚类融合方法0755-83376489算法6:模糊逻辑算法特点:进行卡尔曼滤波计算时,需要已知初始状态矩阵和观测矩阵等条件,而且对噪声也作了很大的限制,在实际应用系统中实现难度很大。而模糊控制融合算法是一种实效、简单且具有广泛应用性的数据融合算法,能以较小的代价较大地提高机载设备的性能。模糊控制算法是从整体上提高多传感器的测量精度,它没有对单一传感器测量值的噪声问题进行处理。对于这个问题,如果在模糊控制融合算法之前,采用卡尔曼滤波的方法先对各传感器进行滤波,再结合模糊控制算法,最终的融合效果可能会更优。0755-83376489模糊逻辑算法的相关研究基于模糊推理原理的多传感器数据融合方法基于模糊数学与统计理论集成的多传感器数据融合方法基于测量值模糊贴近度时空融合的多传感器融合方法多传感器模糊_概率交互作用的数据关联算法多传感器模糊信息融合算法在煤矿瓦斯监测中的应用多传感器目标检测的模糊信息融合技术研究0755-83376489算法7:神经网络算法分类:⑴BP人工神经网络⑵Kohonen神经网络⑶径向基神经网络⑷正交基神经网络⑸模糊神经网络0755-83376489BP神经网络算法特点:(1)神经网络法对消除传感器在工作过程中受多种因素交叉干扰的影响十分有效。(2)采用附加动量法和自适应学习率的BP神经网络进行网络训练,可以避免网络陷入局部极小值,大大减小网络的训练次数,使网络很快收敛。(3)用神经网络对传感器的数据进行融合处理,输出稳定、编程简单,是一种有效的数据融合处理工具。0755-83376489神经网络算法相关研究BP人工神经网络在二传感器数据融合处理中的应用基于D_S理论和神经网络的多传感器信息融合方法基于Kohonen神经网络的多传感器数据关联算法基于径向基神经网络的压力传感器信息融合技术基于模糊神经网络的多传感器信息融合技术及应用基于正交基神经网络算法的多传感器数据融合方法基于阵列神经网络技术的多传感器信息融合0755-83376489四、传感器数据融合技术研究的不足(一)⑴未形成系统的理论现阶段的多传感器融合研究,都是以实际的问题为根据进行的,根据问题的特性,各自建立融合准则,形成最佳的融合方案。未能抛开实际问题,建立普遍的理论框架和融合结构模型,普遍适用的融合算法等。0755-83376489四、传感器数据融合技术研究的不足(二)⑵未能将多传感器融合系统有效的应用于实际中。多传感器信息融合的研究还主要集中于理论研究上,实际应用领域的研究相对来说比较缺乏,在实际中的应用还不广泛。0755-83376489四、传感器数据融合技术研究的不足(三)⑶未建立应用指导准则和应用效果评价标准。现阶段的多传感器信息融合系统的应用,都是以具体问题为依据的,各个实际应用系统之间基本没有联系,也没有建立应用效果评价标准,系统的实现也非常困难。0755-83376489五、传感器网络数据融合需考虑的几个问题⑴融合系统输入输出信息。⑵对各个传感器提供的数据,进行何种预处理,所得到的结果能满足融合系统的要求并且信息的损失最少。⑶融合系统采用什么样的结构。⑷采用何种融合算法,能使融合系统达到性能最优。⑸如何实现融合系统。0755-83376489六、未来的研究方向传感器网络数据融合的研究主要还是集中于如下两个方面:⑴理论研究⑵应用研究0755-83376489理论研究⑴建立系统的理论体系,包括建立融合结构模型标准、系统结构标准和融合算法标准。⑵改进融合算法以进一步提高融合系统的性能。⑶如何利用有关的先验数据提高数据融合的性能。0755-83376489应用研究⑴不断扩大多传感器信息融合的应用领域,将多传感器信息融合运用到工农业中各个需要运用多传感器的具体领域中。⑵开发并行计算的软件和硬件,以满足具有大量数据且计算复杂的多传感器融合的要求。⑶针对具体的应用情况,正确地评价多传感器信息融合的结果。0755-83376489Thanks!
本文标题:传感器网络数据融合技术研究
链接地址:https://www.777doc.com/doc-3975550 .html