CN105352535A - 一种基于多传感器数据融合的测量方法 - Google Patents

Abstract

本发明公开了一种基于多传感器数据融合的测量方法，在使用传感器测量某一参数时，可以通过本发明的方法先用格罗贝斯判据对采集到的原始数据进行疏失误差的剔除，减少了因疏失误差对的融合精度影响；之后采用分批估计的方法对同一传感器不同时刻对同一观测物体的测量数据进行局部融合，得到观测物体相关参数的局部估计值，同时还可以通过计算得到传感器在这一时间阶段的测量误差；根据分批估计得到的各传感器的测量误差来确定不同传感器的权重系数，最后对得到的各个传感器的局部估计值进行加权融合，得到参数最终的全局估计值。本发明适于实际工程应用，根据先验知识来确定数据融合的权重系数。

Description

一种基于多传感器数据融合的测量方法

技术领域

本发明属于信息处理技术领域，尤其涉及一种基于多传感器数据融合的测量方法。

背景技术

随着科学技术的发展，传感器性能获得了很大的提高，各种面向复杂背景的多传感器系统大量涌现。单传感器信号处理或低层次的多传感器数据处理都是对人脑信息处理过程的一种低水平模仿，而多传感器信息融合则是通过有效地利用多传感器资源，来最大限度地获取被探测目标和环境的信息量。

多传感器数据融合是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，对按时间序列获得的多传感器观测数据，在一定原则下进行分析、评估和校正，获得对被测对象的一致性表征，进而获得相应的决策和估计，使系统获得比它的各组成部分更充分和准确的信息。

随着技术的不断发展，为适应不同测量系统的需要，人们对数据融合算法做了多方面的研究，现在常用的算法有加权平均、卡尔曼滤波、多贝叶斯估计以及神经网络、模糊估计等人工智能的方法，然而这些算法的多是针对于理想情况下的研究与估计，在实际应用中还有很多不同环境因素需要考虑，现有技术不能满足实际工程应用中对传感器测量精度的要求。

发明内容

针对现有技术的不足，本发明提供了一种基于多传感器数据融合的测量方法，有效的提高了多传感器数据的融合精度。

本发明解决其技术问题所采用的技术方案如下，一种基于多传感器数据融合的测量方法，包括以下步骤：

步骤1、对采集到的原始数据进行疏失误差的剔除，减少因疏失误差对的融合精度影响；

步骤2、采用分批估计的方法对同一传感器不同时刻对同一观测物体的测量数据进行局部融合，得到观测物体相关参数的局部估计值，同时通过计算得到传感器在这一时间段的测量误差，再根据分批估计得到的各传感器的测量误差来确定不同传感器的权重系数，最后对得到的各个传感器的局部估计值进行加权融合，得到最终的全局估计量。

进一步的，所述步骤1中对采集到的原始数据进行疏失误差的剔除，减少了因疏失误差对的融合精度影响具体为：

设k个传感器在相同时间段内对同一观测对象的n次测量值分别为x₁₁,x₁₂,…,x_1n，…x_k1,x_k2,…,x_kn，则传感器j的n次测量值的算术平均为：

${\stackrel{\‾}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_{ji}---\left(1\right);$

计算其相对应的剩余误差为：

$v_{ji}=x_{ji}-{\stackrel{\‾}{x}}_j---\left(2\right);$

疏失误差剔除之前的近似误差为：

${\mathrm{\σ}}_j=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\Σ}}{v}_{ji}^2}---\left(3\right);$

设n个剩余误差v_ji中绝对值最大的为则格罗贝斯统计量g的确切分布为：

$g=\frac{{\left|v_{ji}\right|}_{max}}{{\mathrm{\σ}}_j}---\left(4\right);$

用查表法找出统计量的临界值g₀(n,a)，其中a为置信概率；

若g≤g₀(n,a)，则表示与相对应的测量值不是疏失误差，将其保留，并且不再对这一组数据进行误差剔除；

若g≥g₀(n,a)表示与相对应的测量值是疏失误差，剔除误差值，并用相同方法剔除这一组数据中的其他疏失误差。

更进一步的，所述步骤2采用分批估计的方法对同一传感器不同时刻对同一观测物体的测量数据进行局部融合，得到观测物体相关参数的局部估计值，同时通过计算得到传感器在这一时间段的测量误差，再根据分批估计得到的各传感器的测量误差来确定不同传感器的权重系数，最后对得到的各个传感器的局部估计值进行加权融合，得到最终的全局估计量具体为：

将剔除误差后的测量值表示为x_j1,x_j2,…,x_jm，利用分批估计理论，对数据进行初步融合处理，并计算出传感器的实时方差，分批估计时将每组数据分为两批，设第一批测量值的算数平均及相应的标准误差分别为σ_j1；第二批测量值的算数平均及相应的标准误差分别为第j组的测量值的融合方差为：

${\mathrm{\σ}}_j^2=\frac{{\mathrm{\σ}}_{j1}^2{\mathrm{\σ}}_{j2}^2}{{\mathrm{\σ}}_{j1}^2+{\mathrm{\σ}}_{j2}^2}---\left(5\right)$

测量值的融合结果为：

$x_j=\frac{{\mathrm{\σ}}_{j2}^2{\stackrel{\‾}{x}}_{j1}+{\mathrm{\σ}}_{j1}^2{\stackrel{\‾}{x}}_{j2}}{{\mathrm{\σ}}_{j1}^2+{\mathrm{\σ}}_{j2}^2}---\left(6\right)$

对k组测量值同样利用分批估计理论进行初步融合，得到传感器的局部估计值，再确定各组数据的权重系数，在满足总均方差最小的最优条件的同时根据各组测量值采用自适应的方式确定其对应的权值，

权重系数为：

$W_j=\frac{1}{{\mathrm{\σ}}_j^2\underset{j=1}{\overset{k}{\Σ}}\frac{1}{{\mathrm{\σ}}_j^2}}---\left(7\right)$

此时的最小总均方差为：

${\mathrm{\σ}}_{min}^2=\frac{1}{\underset{j=1}{\overset{k}{\Σ}}{\mathrm{\σ}}_j^2}---\left(8\right)$

再采用自适应加权融合算法完成最后的全局估计，得到最优的全局估计量。

本发明的有益效果是：通过对采集到的传感器原始数据进行疏失误差的剔除，减少了因疏失误差对的融合精度影响；之后采用分批估计的方法对同一传感器不同时刻对同一观测物体的测量数据进行局部融合，得到观测物体相关参数的局部估计值，同时还可以通过计算得到传感器在这一时间阶段的测量误差；根据分批估计得到的各传感器的测量误差来确定不同传感器的权重系数，最后对得到的各个传感器的局部估计值进行加权融合，得到最终的全局估计值，相较于现有技术大幅提高了数据融合精度。

附图说明：

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一种基于多传感器数据融合的测量方法的处理过程的结构示意图。

具体实施方式

下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

在传统的加权融合算法中，最关键的问题是各个传感器权重系数的确定。权重系数的确定一般有两种情况，一是采用数据平均的方式，即令所有的传感器的测量值的加权因子都相等，这是最简单的一种数据融合方式，虽然平均加权数据融合在实际工程中被广泛应用，但是因为它得到的不是最小方差估计，所以为了达到更好的数据融合效果，常采用另一种方法确定权重系数，即数据融合过程中的权重系数由各传感器的方差决定，因此求取最优权重系数需先求得传感器的方差，但是传感器的方差往往未知，所以一般都是根据经验或传感器自身方差参数所确定。但是在实际工程应用中，即使是同一类传感器，也会因为测量环境等因素的干扰，使得传感器的测量方差发生变化，因此提高传感器测量数据的融合精度最关键的问题在于传感器实时测量方差的估计。

如图1所示，一种基于多传感器数据融合的测量方法，包括以下步骤：

首先，用格罗贝斯判据对采集到的原始数据进行疏失误差的剔除，减少了因疏失误差对的融合精度影响，具体为：

设k个传感器在相同时间段内对同一观测对象的n次测量值分别为x₁₁,x₁₂,…,x_1n，…x_k1,x_k2,…,x_kn，则传感器j的n次测量值的算术平均为：

${\stackrel{\‾}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_{ji}---\left(1\right);$

计算其相对应的剩余误差为：

$v_{ji}=x_{ji}-{\stackrel{\‾}{x}}_j---\left(2\right);$

疏失误差剔除之前的近似误差为：

${\mathrm{\σ}}_j=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\Σ}}{v}_{ji}^2}---\left(3\right);$

设n个剩余误差v_ji中绝对值最大的为则格罗贝斯统计量g的确切分布为：

$g=\frac{{\left|v_{ji}\right|}_{max}}{{\mathrm{\σ}}_j}---\left(4\right);$

用查表法找出统计量的临界值g₀(n,a)，P[g≥g₀(n,a)]＝a为小概率事件，其中a为置信概率，通常取值为0.05或者0.01，本文中选取a＝0.05；

若g≤g₀(n,a)，则表示与相对应的测量值不是疏失误差，将其保留，并且不用再对这一组数据进行误差剔除(同一传感器的数据归为一组)；

若g≥g₀(n,a)表示与相对应的测量值是疏失误差，剔除误差值，并用相同方法剔除这一组数据中的其他疏失误差。

再来，采用分批估计的方法对同一传感器不同时刻对同一观测物体的测量数据进行局部融合，得到观测物体相关参数的局部估计值，同时通过计算得到传感器在这一时间段的测量误差，再根据分批估计得到的各传感器的测量误差来确定不同传感器的权重系数，最后对得到的各个传感器的局部估计值进行加权融合，得到最终的全局估计量，具体为：

将剔除误差后的测量值表示为x_j1,x_j2,…,x_jm(m≤n)，利用分批估计理论，对数据进行初步融合处理，并计算出传感器的实时方差，即将每个传感器的数据分为一组，分批估计时将每组数据分为两批，设第一批测量值的算数平均及相应的标准误差分别为σ_j1；第二批测量值的算数平均及相应的标准误差分别为第j组的测量值的融合方差(传感器j的实时方差)为：

${\mathrm{\σ}}_j^2=\frac{{\mathrm{\σ}}_{j1}^2{\mathrm{\σ}}_{j2}^2}{{\mathrm{\σ}}_{j1}^2+{\mathrm{\σ}}_{j2}^2}---\left(5\right)$

测量值的融合结果为：

$x_j=\frac{{\mathrm{\σ}}_{j2}^2{\stackrel{\‾}{x}}_{j1}+{\mathrm{\σ}}_{j1}^2{\stackrel{\‾}{x}}_{j2}}{{\mathrm{\σ}}_{j1}^2+{\mathrm{\σ}}_{j2}^2}---\left(6\right)$

对k组测量值同样利用分批估计理论进行初步融合，得到传感器的局部估计值，再采用自适应加权融合算法完成最后的全局估计，因此要先确定各组数据的权重系数，在满足总均方差最小的最优条件的同时根据各组测量值采用自适应的方式确定其对应的权值，使融合之后得到的全局估计量结果达到最优，

权重系数为(W_j为j组的权重系数)：

$W_j=\frac{1}{{\mathrm{\σ}}_j^2\underset{j=1}{\overset{k}{\Σ}}\frac{1}{{\mathrm{\σ}}_j^2}}---\left(7\right)$

此时的最小总均方差为：

${\mathrm{\σ}}_{min}^2=\frac{1}{\underset{j=1}{\overset{k}{\Σ}}{\mathrm{\σ}}_j^2}---\left(8\right).$

以数字式颜色传感器的测量及数据融合为例，选通3个颜色传感器的白光通道，同时测量同一色块，连续8次测量得到24个数据，如表1所示。

表1传感器测量数据

将传感器的测量数据分为3组，对每组数据首先进行疏失误差剔除，完成误差剔除后，对每组数据进行分批估计得到局部估计值，及传感器的实时测量方差，根据测量方差确定权重系数分别为0.1665，0.6834，0.1501，最终将24个测量数据融合为一个值为39.9816，测量误差为0.0005。可以看出本算法具有很高的融合精度。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (3)

1.一种基于多传感器数据融合的测量方法，其特征在于，包括以下步骤：

步骤1、对采集到的原始数据进行疏失误差的剔除，减少因疏失误差对的融合精度影响；

步骤2、采用分批估计的方法对同一传感器不同时刻对同一观测物体的测量数据进行局部融合，得到观测物体相关参数的局部估计值，同时通过计算得到传感器在这一时间段的测量误差，再根据分批估计得到的各传感器的测量误差来确定不同传感器的权重系数，最后对得到的各个传感器的局部估计值进行加权融合，得到最终的全局估计量。

2.根据权利要求1所述的一种基于多传感器数据融合的测量方法，其特征在于，所述步骤1中对采集到的原始数据进行疏失误差的剔除，减少了因疏失误差对的融合精度影响具体为：

设k个传感器在相同时间段内对同一观测对象的n次测量值分别为x₁₁,x₁₂,…,x_1n，…x_k1,x_k2,…,x_kn，则传感器j的n次测量值的算术平均为：

${\stackrel{\‾}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_{ji}---\left(1\right);$

计算其相对应的剩余误差为：

$v_{ji}=x_{ji}-{\stackrel{\‾}{x}}_j---\left(2\right);$

疏失误差剔除之前的近似误差为：

${\mathrm{\σ}}_j=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\Σ}}{v}_{ji}^2}---\left(3\right);$

设n个剩余误差v_ji中绝对值最大的为|v_ji|_max，则格罗贝斯统计量g的确切分布为：

$g=\frac{|v_{ji}{|}_{max}}{{\mathrm{\σ}}_j}---\left(4\right);$

用查表法找出统计量的临界值g₀(n,a)，其中a为置信概率；

若g≤g₀(n,a)，则表示与|v_ji|_max相对应的测量值不是疏失误差，将其保留，并且不再对这一组数据进行误差剔除；

若g≥g₀(n,a)表示与|v_ji|_max相对应的测量值是疏失误差，剔除误差值，并用相同方法剔除这一组数据中的其他疏失误差。

3.根据权利要求1所述的一种基于多传感器数据融合的测量方法，其特征在于，所述步骤2采用分批估计的方法对同一传感器不同时刻对同一观测物体的测量数据进行局部融合，得到观测物体相关参数的局部估计值，同时通过计算得到传感器在这一时间段的测量误差，再根据分批估计得到的各传感器的测量误差来确定不同传感器的权重系数，最后对得到的各个传感器的局部估计值进行加权融合，得到最终的全局估计量差具体为：

将剔除误差后的测量值表示为x_j1,x_j2,…,x_jm，利用分批估计理论，对数据进行初步融合处理，并计算出传感器的实时方差，分批估计时将每组数据分为两批，设第一批测量值的算数平均及相应的标准误差分别为σ_j1；第二批测量值的算数平均及相应的标准误差分别为第j组的测量值的融合方差为：

${\mathrm{\σ}}_j^2=\frac{{\mathrm{\σ}}_{j1}^2{\mathrm{\σ}}_{j2}^2}{{\mathrm{\σ}}_{j1}^2+{\mathrm{\σ}}_{j2}^2}---\left(5\right)$

测量值的融合结果为：

$x_j=\frac{{\mathrm{\σ}}_{j2}^2{\stackrel{\‾}{x}}_{j1}+{\mathrm{\σ}}_{j1}^2{\stackrel{\‾}{x}}_{j2}}{{\mathrm{\σ}}_{j1}^2+{\mathrm{\σ}}_{j2}^2}---\left(6\right)$

对k组测量值同样利用分批估计理论进行初步融合，得到传感器的局部估计值，再确定各组数据的权重系数，在满足总均方差最小的最优条件的同时根据各组测量值采用自适应的方式确定其对应的权值，

权重系数为：

$W_j=\frac{1}{{\mathrm{\σ}}_j^2\underset{j=1}{\overset{k}{\Σ}}\frac{1}{{\mathrm{\σ}}_j^2}}---\left(7\right)$

此时的最小总均方差为：

${\mathrm{\σ}}_{min}^2=\frac{1}{\underset{j=1}{\overset{k}{\Σ}}{\mathrm{\σ}}_j^2}---\left(8\right)$

再采用自适应加权融合算法完成最后的全局估计，得到最优的全局估计量。