多传感器信息融合技术及其应用

2007届优秀毕业设计（论文）摘要1多传感器信息融合技术及其应用学院：信息工程学院专业班级：自动化0301班姓名：魏红霞指导教师：段承先摘要：本文介绍了多传感器数据融合的概念、优点、结构、方法和应用。数据融合把来自不同传感器的、或其它信息源的数据加以综合、相关、互联，以便提高定位和特征估计的精度。本文最后对Kalman融合算法进行仿真，并对其结果进行分析。仿真结果表明，融合算法令人满意。关键词：多传感器信息融合；融合算法；MATLAB仿真；Kalman滤波Multi-sensorInformationFusionanditsApplicationAbstractTheconcept、advantages、architecture、methodsandapplicationofmulti-sensordatafusionaredescribed.Datafusionistheprocessofcombining、correlating、associatingdatafrommulti-sensorand/orotherinformationsourcestoachieverefinedeposition、identityestimationandassessmentofsituations.Finally,theintegrationofKalmanalgorithmsimulation,andanalysisofitsresultsSimulationresultsshowthefuzzymethodissatisfactory.KeywordsMulti-sensorDatafusion；FusionAlgorithm；MATLABSimulation；Kalmanfilter1多传感器信息融合技术的概述任何一种新技术的诞生，其原动力都来源于人类的需求，其目的都是为了满足人类的需求。数据融合技术当然也不例外[1]。数据融合技术最根本的目的在于增强了人类对复杂的未知环境或事物的认知能力。多传感器信息融合（MultipleSensorInformationFusion,MSIF）,也称为多传感器数据融合，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。2多传感器信息融合技术的基本理论多传感器信息融合的基本原理或出发点就是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利用，把多个传感器在空间或时间上的冗余或互补信息依据某种准则来组合，以获得被测对象的一致性解释或描述，使该信息系统因此而获得比它的各个组成部分的子集所构成的系统更优越的性能。2.1信息融合的层次结构多传感器信息融合的方法多种多样，没有一种普遍适用的标准模型。根据处理对象层次不同可以分为：数据（像素）级融合、特征级融合和决策级融合[2]。2.2信息融合的结构形式数据融合系统是由各种传感器、处理机及相关设备与融合软件组成的。随着应用场合的不同，其结构形式也多不相同。根据传感器和融合中心的信息流关系，可分为集中式、分布式、混合式融2多传感器信息融合技术及其应用合结构和串联式融合结构[3]。2.3信息融合的一般方法融合方法研究的内容是与数据融合有关的算法。多传感器融合的实质是多源不确定性信息的处理，这是一个复杂的处理过程。信息融合算法，一般可以分为经典和现代方法。经典方法包括加权平均法、最小二乘法、极大似然估计、卡尔曼滤波、D-S证据理论和贝叶斯估计等。现代方法包括模糊逻辑、人工神经网络、遗传算法、模糊积分理论等。3Kalman滤波及其仿真卡尔曼滤波处理的基本思路是:对于运动目标，由描述目标运动模型的线性动态方程，在当前滤波估值的基础上预测下一时刻的目标状态，并将这一预测值与下一时刻状态观测值加权平均，获得下一时刻的滤波估值，由此实现连续、实时的、递归滤波。3.1Kalman滤波方程及其解设已知动态系统的状态方程和量测方程，它们分别为[4]：11kkkkxAx（1）kkkkyCxV（2）在状态方程和量测方程中，一般kA与kC是已知的，ky是量测的数据，也是已知的。如果暂时不考虑1k和kV，此时按式（1）和式（2）得到kx与ky分别用kx、'ky表示，则有，'1kkkxAx（3）''1kkkkkkyCxCAx（4）这里'kkkyyy（5）kx'111kkkkkkkkkkkxHyyAxHyCAx（6）因此，kx与真值kx的均方误差是一个误差方阵。如果我们能求的这个误差阵最小条件下的kH，然后将此kH带入式（6），得到的kx就是对kx的线性最优估计。根据式（1）、式（2）和式（6）来求均方差最小条件下的kH。用kP表示均方误差阵kPkkkkkkExxxxExx（7）并令'kP''kkkkExxxx（8）在推导中设初始状态0x与k、kV均不相关。最后我们得到下列一组卡尔曼一步递推公式：kx11kkkkkkkAxHyCAx（9）'''1()kkkkkkkHPCCPCR（10）'11kkkkkPAPAQ（11）'()kkkkPIHCP（12）3.2构建Kalman滤波的方框图假设系统的传递函数为2134sGSsss则状态空间表达式为：2007届优秀毕业设计（论文）摘要31121232323342xxxxxxxxyxx根据假设的传递函数，可以编辑如图1的系统方框图。图1系统方框图3.3Kalman滤波源程序在MATLAB的命令窗口中输入下列程序[5]a=[-100;1-30;01-4]aa(1)=0c=[01-2]t=0.1I=[100;010;001]b=a*td=1/2*a^2*t^2e=I+d+b[n10,n11]=size(x1)[n20,n21]=size(x2)[n30,n31]=size(x3)r1=0%r1(1)=0r2=0r3=0r4=0s=[0;0;0]z1=x1(1)z2=x2(1)z3=x3(1)z4=y(1)4多传感器信息融合技术及其应用p=[100;010;001]fori=2:n10z1=(z1*(i-1)+x1(i))/i;z2=(z2*(i-1)+x2(i))/i;z3=(z3*(i-1)+x3(i))/i;z4=(z4*(i-1)+y(i))/iw1=(x1(1)-z1)^2;w2=(x2(1)-z2)^2;w3=(x3(1)-z3)^2;w4=(y(1)-z4)^2;fork=2:iw1=w1+(x1(k)-z1)^2;w2=w2+(x2(k)-z2)^2;w3=w3+(x3(k)-z3)^2;w4=w3+(y(k)-z4)^2;endr1=w1/i;r2=w2/i;r3=w3/i;r4=w4/i;q=[sqrtm(r1)00;0sqrtm(r2)0;00sqrtm(r3)]R=sqrtm(r4)pk=e*p*(e')+qh=pk*c'/(c*pk*(c')+R)p=(I-h*c)*pks=e*s+h*(y(i)-c*e*s)aa(i)=s(2,1)endt=1:n10plot(t,aa(t),'r',t,x1(t),'b')把此程序输入完毕，且在Simulink环境下打开图1的方框图，按回车键，得到图2。图2输入为正弦波时的仿真图图3输入为阶跃信号时的仿真图2007届优秀毕业设计（论文）摘要53.4仿真结果分析如图2所示，图中有蓝、红、绿三条曲线，其中绿色的曲线是在完全没有干扰是的状态x1(t)的曲线。由于输入是正弦波，没有干扰x1(t)基本上也是正弦波曲线。蓝色的曲线是在加正态白噪声的情况下，直接测到的信号的曲线，而红色的是Kalman滤波后得到的曲线，对比蓝色和红色的曲线可知：加干扰之后而没有采用Kalman滤波的曲线基本上看不出来是正弦波，而采用Kalman滤波曲线基本是正弦波的形状。从以上的仿真结果可以看，卡尔曼仿真结果令人满意。而图3只是在输入为阶跃信号时的境况。4结论多传感器信息融合是一个信息处理过程，它将来自不同途径，不同时间，不同空间的传感器信息协调成统一的特征表达式，以完成对某一对象和环境特征的描述。本文通过搜集、整理和总结今年来国内外在信息融合领域的最新研究成果和最新进展，借鉴其相关的经验，作了更进一步的深入研究。本文还独立的用MATLAB对卡尔曼滤波进行仿真，验证了算法的优越性。参考文献[1]王军，苏剑波，席裕庚.多传感器集成与融合概述[J].机器人.2001,23(2).[2]罗跃纲，陈长征.基于信息融合的集成小波神经网络故障诊断[J].东北大学学报(自然科学版),2002,23(8):802-805.[3]袁南儿，杨东勇，林毅.多传感器信息融合及其在工业控制中的应用[J].浙江工业大学学报.1999,27(4).[4]王华奎，张立毅.数字信号处理及应用[M].太原理工大学..203~209.[5]李国勇，谢克明.控制系统数字仿真与CAD[M].北京:电子工业出版社,2003.