CN108632764B - 一种多传感器选择性量测数据融合估计方法 - Google Patents
一种多传感器选择性量测数据融合估计方法 Download PDFInfo
- Publication number
- CN108632764B CN108632764B CN201810284185.1A CN201810284185A CN108632764B CN 108632764 B CN108632764 B CN 108632764B CN 201810284185 A CN201810284185 A CN 201810284185A CN 108632764 B CN108632764 B CN 108632764B
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- fusion
- artificial neural
- estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于多传感器融合估计领域,公开了一种多传感器选择性量测数据融合估计算法。针对当前常规的数据融合算法应用于目标跟踪估计中存在的数据传输量大等缺点,本发明所提出的算法会选择各传感器量测数据中部分有价值数据提交给融合中心,提高数据的利用效率,在满足一定目标估计精度同时,大大降低结点之间数据的传输量。对于量测数据如何选则,本发明的方法基于人工神经网络与遗传算法相结合的思路,通过遗传算法优化,使多传感器跟踪系统在总的数据带宽一定时获得较好的目标跟踪估计效果。因此,本发明对于解决实际目标跟踪估计问题具有重要的现实意义。
Description
技术领域
本发明属于多传感器融合估计领域,涉及一种多传感器选择性量测数据融合估计方法。
背景技术
多传感器融合估计问题是将传统的目标状态估计与数据融合理论相结合,基于多个传感器测量结果而进行的目标跟踪估计。针对水下环境的目标跟踪,由于常用的传感器如声纳的测量精度不高,加入多传感器的数据融合技术能够有效提高目标估计精度。此外,在水下环境中多个传感器节点之间的通信往往会受到限制,因此针对目标跟踪问题,研究如何在传感器节点间的数据传输带宽受限的情况下,对多传感器量测数据进行融合来保障较好的跟踪效果,是一个具有理论研究意义以及相关实际应用价值的问题。
当前常规的数据融合算法主要包括两类:分布式融合和集中式融合。分布式融合是指每个传感器在接收到量测数据后会进行预处理,然后将处理后的中间结果提交给融合中心,再进行融合,其优点是节点间的数据传输量非常低,但对目标的跟踪估计效果不佳;集中式融合是指将所有的传感器原始量测数据都提交给融合中心进行处理,理论上具有最优的融合结果,但该算法的数据传输量大,对不同结点间的数据传输带宽提出了很高的要求,在实际的水下目标跟踪估计中实现起来比较的困难。
为了在数据传输量受限的情况下对目标进行融合估计,本发明提出了一种基于选择性量测数据融合的算法。考虑到实际应用中每一时刻传感器往往获取的是一组量测数据,例如图像数据,一般只有部分量测数据包含着目标的信号,而其余的量测数据往往反映的是噪声和背景信息。该算法仅仅只是选择原始量测数据中比较有价值的一部分提交给融合中心,在满足一定目标估计精度同时,大大降低结点之间数据的传输量。
发明内容
本发明提出了一种多传感器选择性量测数据融合估计方法,在目标跟踪中融合多传感器数据,兼顾更好的跟踪效果和较低的数据传输量。并通过引入遗传算法进行优化,使多传感器跟踪系统在总的数据带宽一定时获得较好的目标跟踪估计效果。
本发明所提出的方法应用于同质多传感器目标跟踪系统,传感器类型主要是针对获取图像信息的传感器。该方法解决的问题是在各传感器结点总的数据带宽一定时,如何对传感器量测数据进行融合来获取较好的目标跟踪估计效果。
为了达到上述目的,本发明的技术方案为:
本发明所提出的多传感器选择性量测数据融合跟踪方法的数据融合结构如图1所示,与集中式融合类似,整个数据融合方法同样是将每个传感器所获取的量测数据提交给融合中心,在融合中心处进行量测数据的融合,然后基于融合后的量测数据对目标进行跟踪估计。不同的是,本发明所提出的方法并非将所有的原始量测数据都提交给融合中心,而是仅仅提交有价值的量测数据。如何选取有价值的量测数据则是本发明所提出方法的重点,本发明采用人工神经网络与遗传算法相结合的思路,以人工神经网络为整个量测数据选取的计算框架,并通过遗传算法来进行优化,使多传感器跟踪系统在总的数据带宽一定时获得较好的目标跟踪估计效果。
由于本发明所考虑的是获取图像信息的传感器,因此对于有价值传感器量测数据的选取,本发明选取传感器所获取图像信息中的一块感兴趣区域提交给融合中心。在图像中,目标所成像的位置应包含在这块感兴趣区域内,并且为了最大限度利用有限的数据带宽,多个传感器感兴趣区域所包含数据传输量的总和应该等于总的数据带宽上限。为简单起见假设感兴趣区域形状为正方形,其边长可以由总的数据带宽确定。该区域的中心位置Xc可以依据当前k时刻传感器的原始量测数据Zk和当前目标位置的预测信息确定。由于很难用解析式的方式确切的得出中心位置Xc的计算方式,因此可以利用非线性系统中的人工神经网络N来得到,其输入为一组原始量测数据Zk以及目标位置的预测信息输出为感兴趣区域的中心位置Xc。
为了使选择的量测数据满足在总的数据带宽一定时获得最优的目标跟踪估计效果,本发明采用遗传算法的方式进行离线训练。这里以仿真的量测数据Zk和目标位置信息Xk作为训练集,以跟踪的均方根误差RMSE的倒数作为适应度函数,来优化人工神经网络N的相关权值和偏置。
本发明所提出的结合遗传算法的多传感器选择性量测数据融合估计方法包含离线部分和在线部分两块,其流程图如图2所示。
其中离线部分步骤为:
步骤一,建立若干个人工神经网络N并对其相关参数进行初始化。
步骤三,将各传感器所选择的量测数据提交融合中心进行融合。
步骤四,利用滤波器对目标状态进行估计。
步骤五,当前时刻k=k+1,重复步骤二至步骤四流程,对目标进行若干帧的跟踪估计,计算应用各个人工神经网络所得到的估计均方根误差。
步骤六,以步骤五中得到的均方根误差的倒数作为适应度函数,以各个人工神经网络作为种群中的个体,进行遗传算法中的选择、交叉、变异的操作,确定新一代的各个人工神经网络。
步骤七,重复步骤五和步骤六,进行若干次迭代,获得经遗传算法优化后的人工神经网络N’。
在线部分步骤为:
步骤二,由离线部分步骤得到的人工神经网络N’计算各个传感器的感兴趣区域中心位置Xc。
步骤三,将各传感器所选择的量测数据提交融合中心进行融合。
步骤四,利用滤波器对目标状态进行估计,获得最终目标跟踪估计结果。
与现有常规的多传感器数据融合估计算法相比,本发明所提出的结合遗传算法的多传感器选择性量测数据融合估计方法能够兼顾更好的跟踪效果和较低的数据传输量,提升传感器量测数据的利用效率。另外,因为其中的遗传算法是以跟踪精度作为适应度函数,因此优化后的人工神经网络应用于传感器量测数据选取能够获得较好的融合估计效果。本发明所提出的方法通过遗传算法的优化,在多传感器系统总的数据带宽上限一定时,能够获取较好的跟踪估计效果。
附图说明
图1为本发明所提出的一种多传感器选择性量测数据融合估计方法的数据融合结构。
图2为本发明所提出的一种多传感器选择性量测数据融合估计方法的步骤流程图。
具体实施方式
下面结合附图对本发明的实施进行详细的说明,并给出具体的操作方式以及实施步骤,本发明同样也可以通过其它不同的具体实例进行实现。
这里的实例采用计算机仿真的方式产生训练数据和测试数据,分别应用于本发明算法的离线算法和在线算法。这里假设共有n个同质传感器观测域相同并已完成配准,每个传感器在k时刻均获得nx×my的图像信息Zk。假设量测信息来源于目标信号和量测噪声两部分。通过计算机仿真生成目标每一时刻的运动状态,再依据目标实际的状态生成每个传感器的量测数据Zk,假设每一轮仿真时长为K帧。
本发明所提出的算法分为离线算法和在线算法两部分,离线算法负责处理训练集数据来训练相应的参数,在线算法则是处理测试数据来对目标进行融合估计。其流程图如图2所示。
其中算法的离线部分步骤为:
步骤一,建立m个人工神经网络N,其中每个人工神经网络分为输入层,隐含层和输出层三层结构。输入层接收输入变量,包括传感器图像信息Zk中每个像素的灰度值以及目标位置的预测包括XY轴两个坐标值,总共nx×my+2个输入单元。隐含层神经单元假设为h个,输出层神经单元为2个,输出变量为传感器感兴趣区域的中心位置Xc的XY轴两个坐标值。再对人工神经网络N的相关权值和偏置进行初始化,其中每个神经网络中每个神经单元的权值w和偏置b均可由随机数获得。
步骤二,对当前时刻k训练集中的各个传感器获取图像信息中每个像素的灰度值和目标位置预测的XY轴两个坐标值进行归一化处理,将归一化后的nx×my+2个数值构成一个输入向量X0,通过步骤一中建立的m个人工神经网络并行计算,假设输入层与隐含层之间的权值w构成的权值矩阵为W0,偏置b所构成的偏置矩阵为b0,隐含层与输出层之间的权值w构成的权值矩阵为W1,偏置b所构成的偏置矩阵为b1,各个神经单元的激活函数为σ。则隐含层得到的数据构成的向量z0为
z0=X0W0 T+b0 (1)
同样的输入层得到的数据构成的向量z1为
z1=σ(X0W0 T+b0)W1 T+b1 (2)
最后由输出层得到的输出值向量y为
y=σ(z1) (3)
对输出向量y进行反归一化处理得到传感器感兴趣区域中心位置Xc。
步骤三,假设总的数据传输带宽上限为Bm,为一个像素单元所占用数据传输量为B,传感器感兴趣区域为正方形,则边长a为
步骤五,跟踪目标实际状态Xk计算估计误差Δk为
步骤六,以步骤五中得到的均方根误差的倒数作为适应度函数,即适应度函数f为
其中δ为数值足够小的常数,在分母加入它主要是为了防止出现均方根误差为零而导致适应度函数无穷大的情况。以步骤一中建立的m个人工神经网络为种群,进行遗传算法的运算,包括选择、交叉以及变异三个运算过程。
选择运算需要把当前群体中适应度较高的个体以更大的概率遗传到下一代,淘汰适应度较低的个体。这里采用与适应度成正比的概率将上一代个体复制到下一代的群体中。
交叉运算是以一定的概率P相互交换某两个个体之间的部分基因,这里基因指的就是人工神经网络的相关参数,包括每个神经单元的权值w和偏置量b。假设个体i和个体j做交叉运算,这里取α为[0,1]区间内的随机数,则对于个体i和个体j中每个神经单元的权值和偏置量而言交换运算如下
变异运算是对个体的基因以较小的概率P’进行改变,得到新的个体。这里可以直接对每个神经单元的权值和偏置量加上一个随机数,完成变异。
经过上述选择、交叉以及变异三个运算过程完成一轮遗传算法确定新一代的每个人工神经网络的相关参数。
步骤七,重复步骤五和步骤六,进行R次迭代,获得经遗传算法优化后的人工神经网络N’。因为是以跟踪精度为适应度函数,因此优化后的人工神经网络应用于传感器量测数据选取能够获得较好的融合估计效果。
算法的在线部分步骤为:
步骤二,每个传感器将对当前k时刻获取图像信息中每个像素的灰度值和目标位置预测的XY轴两个坐标值进行归一化处理,将归一化后的nx×my+2个数值构成一个输入向量X0,将其输入到通过离线算法所训练得到的人工神经网络N’中,得到相应的输出值向量y,对输出向量y进行反归一化处理得到传感器感兴趣区域中心位置Xc。
步骤三,将各传感器所选择的量测数据提交融合中心。其中各个传感器感兴趣区域为正方形,其边长由式(4)计算得到,中心位置Xc由步骤二得到,各个传感器所选择提交给融合中心的量测数据即为感兴趣区域所覆盖的图像信息。融合采用常用的数据压缩滤波方法,得到k时刻融合后的量测数据
Claims (1)
1.一种多传感器选择性量测数据融合估计方法,其特征在于,该方法会选择各传感器量测数据中部分有价值数据提交给融合中心,在融合中心处进行量测数据的融合,然后基于融合后的量测数据对目标进行跟踪估计;该方法是以人工神经网络为有价值量测数据选取的计算框架,并结合遗传算法来进行优化,使多传感器跟踪系统在总的数据带宽一定时获得较好的目标跟踪估计效果;具体为:该方法以量测数据和目标位置预测值为输入通过人工神经网络N计算来获取传感器感兴趣区域,该区域则确定了各传感器中需要提交给融合中心的有价值的量测数据,再采用遗传算法的方式进行离线训练,以仿真的量测数据Zk和目标位置信息Xk作为训练集,以跟踪的均方根误差RMSE的倒数作为适应度函数,优化上述人工神经网络N的相关权值和偏置;该方法包含离线部分和在线部分两部分;
其中离线部分步骤为:
步骤一,建立若干个人工神经网络N并对其相关参数进行初始化;
步骤三,将各传感器所选择的量测数据提交融合中心进行融合;
步骤四,利用滤波器对目标状态进行估计;
步骤五,当前时刻k=k+1,重复步骤二至步骤四流程,对目标进行若干帧的跟踪估计,计算应用各个人工神经网络所得到的估计均方根误差;
步骤六,以步骤五中得到的均方根误差的倒数作为适应度函数,以各个人工神经网络作为种群中的个体,进行遗传算法中的选择、交叉、变异的操作,确定新一代的各个人工神经网络;
步骤七,重复步骤五和步骤六,进行若干次迭代,获得经遗传算法优化后的人工神经网络N’;
在线部分步骤为:
步骤二,由离线部分步骤得到的人工神经网络N’计算各个传感器的感兴趣区域中心位置Xc;
步骤三,将各传感器所选择的量测数据提交融合中心进行融合;
步骤四,利用滤波器对目标状态进行估计,获得最终目标跟踪估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810284185.1A CN108632764B (zh) | 2018-04-02 | 2018-04-02 | 一种多传感器选择性量测数据融合估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810284185.1A CN108632764B (zh) | 2018-04-02 | 2018-04-02 | 一种多传感器选择性量测数据融合估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108632764A CN108632764A (zh) | 2018-10-09 |
CN108632764B true CN108632764B (zh) | 2020-07-07 |
Family
ID=63696653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810284185.1A Active CN108632764B (zh) | 2018-04-02 | 2018-04-02 | 一种多传感器选择性量测数据融合估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108632764B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108581633B (zh) * | 2018-04-11 | 2020-10-23 | 温州大学 | 一种基于遗传算法优化多传感监测刀具状态的方法 |
CN109886305B (zh) * | 2019-01-23 | 2021-05-04 | 浙江大学 | 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法 |
CN110418278B (zh) * | 2019-07-25 | 2021-11-09 | 李印 | 一种基于进化神经网络的三维定位系统 |
CN110807478B (zh) * | 2019-10-22 | 2022-09-20 | 北京航空航天大学 | 一种观测间歇丢失情况下的协同目标跟踪方法 |
CN110764053B (zh) * | 2019-10-22 | 2021-08-17 | 浙江大学 | 一种基于水下传感器网络的多目标被动定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008304B (zh) * | 2014-06-10 | 2016-12-14 | 北京航空航天大学 | 一种乏信息多传感器神经网络‑熵测量不确定度评定方法 |
-
2018
- 2018-04-02 CN CN201810284185.1A patent/CN108632764B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108632764A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108632764B (zh) | 一种多传感器选择性量测数据融合估计方法 | |
Boussabaine | The use of artificial neural networks in construction management: a review | |
CN110074813B (zh) | 一种超声图像重建方法及系统 | |
CN108051779B (zh) | 一种面向tdoa的定位节点优选方法 | |
CN105335619B (zh) | 一种岩爆过程数值计算模型参数反分析的协同优化法 | |
CN108828643B (zh) | 一种基于灰色预测模型的室内外无缝定位系统及方法 | |
CN110161682A (zh) | 一种自由曲面离轴反射系统初始结构生成方法 | |
CN111400040A (zh) | 基于深度学习和边缘计算的工业互联网系统及工作方法 | |
CN110264030A (zh) | 一种新旧动能转换成效评价方法及系统 | |
Loni et al. | Densedisp: Resource-aware disparity map estimation by compressing siamese neural architecture | |
Xiao et al. | Incentive mechanism design for federated learning: A two-stage stackelberg game approach | |
CN112308961A (zh) | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 | |
Gui et al. | Wireless sensor network fault sensor recognition algorithm based on MM* diagnostic model | |
CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
CN115620803A (zh) | 一种基于跨图注意力的蛋白质相互作用点位预测方法 | |
CN114723784A (zh) | 一种基于域适应技术的行人运动轨迹预测方法 | |
CN117313516A (zh) | 一种基于时空图嵌入的发酵产物预测方法 | |
CN113609749A (zh) | 适用于多场景的基于磁场信号的电流计算方法 | |
Shin et al. | Gaussian radial basis functions for simulation metamodeling | |
CN109116300A (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
CN112288154A (zh) | 一种基于改进神经协同过滤的区块链服务可靠性预测方法 | |
CN117110775A (zh) | 一种基于卷积特征和时序特征融合的电缆单缺陷定位方法 | |
CN115660147A (zh) | 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及系统 | |
CN113259163B (zh) | 一种基于网络拓扑感知的Web服务质量预测方法及系统 | |
CN115601745A (zh) | 一种面向应用端的多视图三维物体识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |