CN101441718A - 传感器信息融合装置及其方法 - Google Patents

Abstract

本发明公开一种传感器信息融合装置及其方法，所述传感器信息融合方法包括：采用自适应加权数据融合算法对来自多个传感器的感应信息分配相应的权数；采用卡尔曼滤波算法对所述相应权数的感应信息进行最优估计，得到局部融合后的感应信息；采用D－S理论估计算法对所述局部融合后的感应信息中不确定的感应信息的进行区间估计；采用多贝叶斯估计算法对所述进行区间估计后的感应信息进行单独的关联概率分布，以合成一个联合的后验的概率分布函数；利用所述联合分布函数输出感应信息的最终融合值。本发明可提高传感器信息融合的可靠性、置信度及效率。

Description

传感器信息融合装置及其方法

技术领域

本发明涉及信息处理领域，特别是涉及基于IIF(IntelligentInformation Fusion，智能信息融合)的传感器信息融合装置及其方法。

背景技术

传感器是一种检测装置，能感受到被测量的信息，并能将检测感受到的信息，按一定规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。

随着传感器技术的迅速发展和多传感器系统的大量涌现，复杂工程系统都拥有关于环境和被探测动态过程的大量传感信息。IIF即是针对处理大量复杂传感信息的问题而产生。IIF是一门关于最佳协同利用多传感器观测数据并最大程度地提炼出被探测多目标和环境最大信息量的综合学科。它是一种涉及多信息源探测、相关、跟踪、识别与分类的自动智能决策过程。

目前，利用IIF技术已经形成具有不同量测维数和不同工作特点的主被动传感器产品，其中典型产品有监视与成像雷达(包括激光雷达、合成孔径雷达、旁视雷达)、红外搜索跟踪与图像传感器、光电传感器、电子支援测量传感器、声纳和全球定位系统等：在信息融合系统结构设计方面，已经提出基于同一运动平台的集中式、传感器级和混合式结构，以及基于空间分布的集中式和分布式结构；在检测信息融合方面，已经提出了分布贝叶斯检测法、N.P准则、分布序贯检测方法和神经网络法等。在状态信息融合方面，已经提出轨迹分裂法、高斯和法、整数规划法、多假设法、联合概率数据关联法(JPDA)和分散估计方法等；在目标识别与分类方面，已经提出Bayes法，Dempster-Shafer推理法、聚类分析法、K阶最近邻法和线性判别法等；在环境评价方面，已经提出期望样板法、性能模型法和基于黑板结构的专家系统方法等。上述信息融合理论和方法已具有相当高的理论水平，有些已付诸应用。

但是，上述采用IIF技术的现有信息融合系统结构设计、检测信息融合、状态信息融合、目标识别与分类等信息处理技术中，一般采用单一的算法进行信息处理，由于各个单独的算法往往存在不足，导致信息处理结果准确度、置信度差、智能水平低的技术问题；或即使采用其他手段辅助进行信息处理，也往往由于系统过于庞大、算法配置不够完善而导致难以操作、可靠性低、体积大、能耗过高、效率低的技术问题。

此外，现有技术复杂的传感器信息融合系统由于系统设计过于庞杂，难以快速处理信息，也使得这些系统在实际应用中受到限制。

发明内容

为解决现有技术基于IIF的传感器信息融合系统过于庞杂、算法配置效果不佳而导致可靠性、置信度、效率低的技术缺陷，本发明提供一种可靠性、置信度、效率高的传感器信息融合装置及其方法。

本发明的一个方面是提供一种传感器信息融合装置，包括：多个传感器，还包括：自适应加权数据融合单元，连接所述多个传感器，采用自适应加权数据融合算法对来自所述多个传感器的感应信息分配相应的权数；卡尔曼滤波单元，连接所述自适应加权数据融合单元，采用卡尔曼滤波算法对所述相应权数的感应信息进行最优估计，得到局部融合后的感应信息；D-S推理单元，连接所述卡尔曼滤波单元，采用D-S理论估计算法对所述局部融合后的感应信息中不确定的感应信息的进行区间估计；多贝叶斯估计单元，连接所述D-S推理单元，采用多贝叶斯估计算法对所述进行区间估计后的感应信息进行单独的关联概率分布，以合成一个联合的后验的概率分布函数，并利用所述联合分布函数输出感应信息的最终融合值。

较优实施方式中，所述自适应加权数据融合单元和卡尔曼滤波单元集成为局部融合模块，所述D-S推理单元和多贝叶斯估计单元集成为全局融合模块。

较优实施方式中，在所述局部融合模块与全局融合模块之间还连接基本概率分配模块，对局部融合后的感应信息中不确定的感应信息进行基本概率的分配。

较优实施方式中，所述多贝叶斯估计单元进一步连接所述自适应加权数据融合单元，将本时刻的最终融合值反馈回所述自适应加权数据融合单元，所述自适应加权数据融合单元根据所述最终融合值调整各个传感器的权数。

本发明的另一个方面是提供一种传感器信息融合方法，包括：采用自适应加权数据融合算法对来自多个传感器的感应信息分配相应的权数；采用卡尔曼滤波算法对所述相应权数的感应信息进行最优估计，得到局部融合后的感应信息；采用D-S理论估计算法对所述局部融合后的感应信息中不确定的感应信息的进行区间估计；采用多贝叶斯估计算法对所述进行区间估计后的感应信息进行单独的关联概率分布，以合成一个联合的后验的概率分布函数；利用所述联合分布函数输出感应信息的最终融合值。

较优实施方式中，在采用D-S理论估计算法进行估计之前，还采用步骤：对采用卡尔曼滤波算法进行最优估计后的感应信息中不确定的感应信息进行基本概率的分配。

本发明的有益效果是：区别于现有技术基于IIF的传感器信息融合系统过于庞杂、算法配置效果不佳而导致可靠性、置信度、效率低的技术缺陷，本发明传感器信息融合装置在局部融合处理中采用自适应加权数据融合算法和卡尔曼滤波法，自适应加权数据融合算法不但可以优化传感器的数据，还能够有效剔除环境干扰信号，而卡尔曼滤波法的递推特性使系统处理过程中不需要进行大量的数据存储和计算，而且还能为融合数据提供唯一统计意义下的最优估计。二者相互配合，取长补短，这样可以快速将最少的、最准确的局部感应信息传送到下一步的全局融合处理；而在全局融合处理中，D-S理论估计算法可以对复杂环境下取得的不确定信息的采用“区间估计”而不是“点估计”的方法，可以区分信息的不知道与不确定性质，在精确反映证据收集方面显示出很大的灵活性，最后采用多贝叶斯估计算法将每一个传感器当作贝叶斯估计，因为通过使用联合分布函数的似然函数为最小，因此最后能提供多传感器信息的最终的置信度、可靠度高的融合值，与所述D-S理论估计算法搭配极为合理。

附图说明

图1是本发明传感器信息融合装置实施方式的原理框图；

图2是图1传感器信息融合装置的示意图；

图3是本发明传感器信息融合方法实施方式的流程图。

具体实施方式

下面结合附图和实施方式对本发明进一步说明。

请参考图1，是本发明传感器信息融合装置实施方式的原理框图。所述本发明传感器信息融合装置包括多个传感器，以及以下元件：

自适应加权数据融合单元，连接所述多个传感器，采用自适应加权数据融合算法对来自所述多个传感器的感应信息分配相应的权数；

卡尔曼滤波单元，连接所述自适应加权数据融合单元，采用卡尔曼滤波算法对所述相应权数的感应信息进行最优估计，得到局部融合后的感应信息；

D-S推理单元，连接所述卡尔曼滤波单元，采用D-S理论估计算法对所述局部融合后的感应信息中不确定的感应信息的进行区间估计；

多贝叶斯估计单元，连接所述D-S推理单元，采用多贝叶斯估计算法对所述进行区间估计后的感应信息进行单独的关联概率分布，以合成一个联合的后验的概率分布函数，并利用所述联合分布函数输出感应信息的最终融合值。

工作时，第一阶段，是先对多个传感器采集过来的感应信息采用局部融合算法进行处理，包括：

在局部融算法中采用自适应加权数据融合单元和卡尔曼滤波单元，两单元分别采用自适应加权数据融合算法和卡尔曼滤波法对感应信息进行处理。其中，自适应加权数据融合算法不但可以优化传感器的数据，还能够有效剔除环境干扰信号，具体上是根据各个传感器数据误差的大小，分配不同的权数，精度高的数据由于误差小，分配的权数较大，反之较小；卡尔曼滤波法的递推特性使系统处理中不需要进行大量的数据存储和计算，而且还能为融合数据提供唯一统计意义下的最优估计。二者相互配合，取长补短，将局部信息以最小，最准确的形态的传送到下面的全局融合处理中。

第二阶段，对经过局部融合处理的感应信息进一步采用全局融合算法进行处理，包括：

采用D-S推理单元和多贝叶斯估计单元，因为全局融合算法直接影响到决策的准确性，在充分考虑各传感器参量对决策的影响后，通过D-S证据理论和多贝叶斯估计算法对各数据进行融合，可以更好发挥传感器的联合作用，提高系统的可靠性。D-S证据理论是由A.P.Dempster和G.shafer提出并发展起来的一种不确定性推理方法。它最大的特点是对不确定信息的描述采用了“区间估计”而不是“点估计”的方法，在区分不知道与不确定方面以及精确反映证据收集方面显示出很大的灵活性。多贝叶斯估计算法将每一个传感器当作贝叶斯估计，将各个单独的物体的关联概率分布合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然函数为最小，提供多传感器信息的最终融合值。

可以理解，区别于现有技术基于IIF的传感器信息融合系统过于庞杂、算法配置效果不佳而导致可靠性、置信度、效率低的技术缺陷，本发明先在局部融合处理中采用自适应加权数据融合算法和卡尔曼滤波法，不但可以优化传感器的数据和有效剔除环境干扰信号，还可以在系统处理过程中不需要进行大量的数据存储和计算，而且还能为融合数据提供唯一统计意义下的最优估计，两种算法相互配合，取长补短，可以快速将最少的、最准确的局部感应信息传送到下一步的全局融合处理；而在全局融合处理中，D-S理论估计算法可以对复杂环境下取得的不确定信息的采用“区间估计”，在精确反映证据收集方面显示出很大的灵活性，最后采用多贝叶斯估计算法将每一个传感器当作贝叶斯估计，因为通过使用联合分布函数的似然函数为最小，因此最后能提供多传感器信息的最终的置信度、可靠度高的融合值，与所述D-S理论估计算法搭配极为合理。

总的来看，是在多传感器采集过程中避免大量数据计算的同时，为提高决策的准确度而采用准确的融合算法，能又快又好地得到置信度、可靠度高的最终融合值，效率大大提升。

如图2所述，为进一步提高装置的处理速度，所述自适应加权数据融合单元和卡尔曼滤波单元集成为局部融合模块，所述D-S推理单元和多贝叶斯估计单元集成为全局融合模块。

此外，还可以在所述局部融合模块与全局融合模块之间还连接基本概率分配模块(BPA)，对局部融合后的感应信息中不确定的感应信息进行基本概率的分配。

基本概率分配中，采用Bayes估计法实现对基本概率的分配，Bayes估计法融合静态环境中多传感器低层数据的一种常用方法。其信息描述为概率分布，适用于具有可加高斯噪声的不确定性信息。多传感器从不同的坐标框架对环境中同一物体进行描述，这时传感器测量数据要以间接的方式采用Bayes估计进行数据融合。

此外，所述多贝叶斯估计单元可以进一步连接所述自适应加权数据融合单元，将本时刻的最终融合值反馈回所述自适应加权数据融合单元，所述自适应加权数据融合单元根据所述最终融合值调整各个传感器的权数，以进一步提高融合值的置信度。

本发明利用多种传感器组探测周围信号，在数据进行处理时，采用自适应加权算法、卡尔曼滤波法、多贝叶斯估计算法D-S理论两种融合算法融合算法，减少了数据的不确定性和冗余性，增加了系统工作的可靠性，从而大大提高了系统的智能化水平。本文还提出将数据进行模块化(局部融合模块、BPA模块、D-S合成模块)处理，大大提高了处理数据的速度。

参阅图3，本发明还提供一种传感器信息融合方法，包括：

A、采用自适应加权数据融合算法对来自多个传感器的感应信息分配相应的权数；

B、采用卡尔曼滤波算法对所述相应权数的感应信息进行最优估计，得到局部融合后的感应信息；

C、采用D-S理论估计算法对所述局部融合后的感应信息中不确定的感应信息的进行区间估计；

D、采用多贝叶斯估计算法对所述进行区间估计后的感应信息进行单独的关联概率分布，以合成一个联合的后验的概率分布函数；

E、利用所述联合分布函数输出感应信息的最终融合值。

同理，采用本发明的传感器信息融合方法后可增加系统工作的可靠性，从而大大提高了系统的智能化水平。

此外，在采用D-S理论估计算法进行估计之前，还可以采用步骤：

对采用卡尔曼滤波算法进行最优估计后的感应信息中不确定的感应信息进行基本概率的分配。

以上对本发明所提供的一种传感器信息融合装置及其方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施方式的说明只是用于帮助理解本发明的方法及其思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种传感器信息融合装置，包括多个传感器，其特征在于，还包括：

自适应加权数据融合单元，连接所述多个传感器，采用自适应加权数据融合算法对来自所述多个传感器的感应信息分配相应的权数；

卡尔曼滤波单元，连接所述自适应加权数据融合单元，采用卡尔曼滤波算法对所述相应权数的感应信息进行最优估计，得到局部融合后的感应信息；

D-S推理单元，连接所述卡尔曼滤波单元，采用D-S理论估计算法对所述局部融合后的感应信息中不确定的感应信息的进行区间估计；

多贝叶斯估计单元，连接所述D-S推理单元，采用多贝叶斯估计算法对所述进行区间估计后的感应信息进行单独的关联概率分布，以合成一个联合的后验的概率分布函数，并利用所述联合分布函数输出感应信息的最终融合值。

2.根据权利要求1所述的传感器信息融合装置，其特征在于：所述自适应加权数据融合单元和卡尔曼滤波单元集成为局部融合模块，所述D-S推理单元和多贝叶斯估计单元集成为全局融合模块。

3.根据权利要求2所述的传感器信息融合装置，其特征在于：在所述局部融合模块与全局融合模块之间还连接基本概率分配模块，对局部融合后的感应信息中不确定的感应信息进行基本概率的分配。

4.根据权利要求1或3任一项所述的传感器信息融合装置，其特征在于：所述多贝叶斯估计单元进一步连接所述自适应加权数据融合单元，将本时刻的最终融合值反馈回所述自适应加权数据融合单元，所述自适应加权数据融合单元根据所述最终融合值调整各个传感器的权数。

5.一种传感器信息融合方法，其特征在于，包括：

采用自适应加权数据融合算法对来自多个传感器的感应信息分配相应的权数；

采用卡尔曼滤波算法对所述相应权数的感应信息进行最优估计，得到局部融合后的感应信息；

采用D-S理论估计算法对所述局部融合后的感应信息中不确定的感应信息的进行区间估计；

采用多贝叶斯估计算法对所述进行区间估计后的感应信息进行单独的关联概率分布，以合成一个联合的后验的概率分布函数；

利用所述联合分布函数输出感应信息的最终融合值。

6.根据权利要求5所述的传感器信息融合方法，其特征在于：在采用D-S理论估计算法进行估计之前，还采用步骤：

对采用卡尔曼滤波算法进行最优估计后的感应信息中不确定的感应信息进行基本概率的分配。

Images