CN108985373B - 一种多传感器数据加权融合方法 - Google Patents

一种多传感器数据加权融合方法 Download PDF

Info

Publication number
CN108985373B
CN108985373B CN201810765483.2A CN201810765483A CN108985373B CN 108985373 B CN108985373 B CN 108985373B CN 201810765483 A CN201810765483 A CN 201810765483A CN 108985373 B CN108985373 B CN 108985373B
Authority
CN
China
Prior art keywords
data
sensor
fusion
group
fused
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
Application number
CN201810765483.2A
Other languages
English (en)
Other versions
CN108985373A (zh
Inventor
杨军佳
赵瑞峰
王世军
纳学柱
刘志青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
People's Liberation Army Army Artillery Air Defense Academy Zhengzhou Campus
Original Assignee
People's Liberation Army Army Artillery Air Defense Academy Zhengzhou Campus
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by People's Liberation Army Army Artillery Air Defense Academy Zhengzhou Campus filed Critical People's Liberation Army Army Artillery Air Defense Academy Zhengzhou Campus
Priority to CN201810765483.2A priority Critical patent/CN108985373B/zh
Publication of CN108985373A publication Critical patent/CN108985373A/zh
Application granted granted Critical
Publication of CN108985373B publication Critical patent/CN108985373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种多传感器数据加权融合方法，用于分布式多传感器检测系统，属于多传感器信息融合技术领域。该方法包括步骤1)将第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的所有数据作为一组，根据该组数据对所述第k次测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；步骤2)对修正后的测量数据进行所述N部传感器之间的一次加权融合；步骤3)将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。该方法对传感器的测量数据进行了修正，并准确地计算了不同传感器的数据融合权重，从而提高了传感器的数据融合精度，使得分布式多传感器融合结果更接近实际情况，可信度更高。

Description

一种多传感器数据加权融合方法
技术领域
本发明涉及多传感器信息融合领域，尤其涉及一种多传感器数据加权融合方法。
背景技术
在分布式多传感器检测系统中，经常使用多个传感器对同一参数进行多次重复测量，通过数据融合的方法来提高系统的检测精度。关于数据融合的方法非常多，相比于贝叶斯决策以及神经网络等融合技术实际运用中主观随意性比较大以及建模的局限性，加权融合方法以其无需先验信息且融合精度比较高的优势得到广泛关注。然而现有技术中多传感器数据加权融合方法都是采用传感器原始测量数据进行传感器间的数据融合，并没有考虑对传感器原始测量数据进行滤波处理，导致融合后的数据可信度不高。
发明内容
本发明主要解决的技术问题是现有多传感器数据加权融合方法融合精度低、融合效果差的问题。
为解决上述技术问题，本发明提供了一种多传感器数据加权融合的方法，采用N部传感器，每部传感器测量得到M个数据，所述方法包括以下步骤：
1)将第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的所有数据作为一组，根据该组数据对所述第k次测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；
2)对修正后的测量数据进行所述N部传感器之间的一次加权融合；
3)将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。
进一步地，所述步骤2)具体包括：
21)重复步骤1)，直到每部传感器测量得到的M个数据均得到修正；
22)将每部传感器修正之后的数据作为整体进行所述N部传感器之间的一次加权融合。
或者，所述步骤2)具体包括：
21)将所述N部传感器所述第k次修正后的数据进行一次加权融合；
22)重复步骤1)和步骤21)，依次对不同次的测量数据进行修正和融合，直到所述N部传感器的所有测量数据均得到修正和融合。
优选地，所述根据该组数据对所述第k次测量数据进行修正，具体包括：
11)计算该组数据的均值和方差；
12)依据所述均值和所述方差得到所述该组数据的概率密度分布函数，进一步计算该组内每个数据在该组内所有测量数据中出现的概率；
13)依据所述概率对所述第k次测量数据进行修正。
进一步地，所述步骤13)依据公式(1)实现测量数据的修正：
Figure BDA0001728933190000021
其中，
Figure BDA0001728933190000022
为第i部传感器第k次测量数据，xi(k)为对第i部传感器第k次测量数据进行修正后得到的数据，xi(j)为对第i部传感器第j次测量数据进行修正后得到的数据，pi(j)为第i部传感器第j次修正后的数据在该组内所有数据中出现的概率；pi(k)为第i部传感器第k次测量数据在该组内所有数据中出现的概率。
优选地，所述进行所述N部传感器之间的数据加权融合具体包括：计算不同传感器间的数据融合权重；根据所述数据融合权重进行N部传感器之间的数据加权融合。
进一步地，所述计算不同传感器间的数据融合权重包括：利用最小二乘法，得到使融合后数据的方差最小的权重值作为不同传感器间的数据融合权重。
优选地，所述进行所述融合数据组的数据加权融合具体包括：计算所述融合数据组内每个数据参与数据融合的权重；根据所述参与数据融合的权重进行所述融合数据组内所有数据的加权融合。
进一步地，所述计算所述融合数据组内每个数据参与数据融合的权重包括：
计算所述融合数据组内数据的均值和方差；依据所述均值和所述方差得到所述融合数据组数据的概率密度分布函数，进一步计算所述融合数据组内每个数据在所述融合数据组内所有数据中出现的概率，并以该概率作为所述融合数据组内每个数据参与数据融合的权重。。
本发明的有益效果是：本发明提供一种多传感器数据加权融合的方法，该方法确保多传感器间数据融合权重的合理性以及传感器数据的精确性，具有融合精度高、便于工程应用等优点。
附图说明
图1是本发明多传感器数据加权融合方法的一实施例的流程图；
图2是本发明多传感器数据加权融合方法的另一实施例的流程图；
图3是本发明多传感器数据加权融合方法的另一实施例的流程图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。
图1是本发明多传感器数据加权融合方法的一实施例的流程图。该方法采用N部传感器，每部传感器测量得到M个数据，具体包括以下步骤：
步骤S1，将第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的所有数据作为一组，根据该组数据对所述第k次测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；
步骤S2，对修正后的测量数据进行所述N部传感器之间的一次加权融合；
步骤S3，将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。
从上述内容可知，在该实施例的多传感器数据加权融合方法中，首先对传感器某一次的测量数据进行修正，并使用修正后的数据来进行对下一次测量数据的修正，使得下一次测量数据修正的数据基础更合理，进一步通过修正后的数据来计算不同传感器间的数据融合权重，也进一步确保了数据融合权重的合理性，使得融合结果更真实、准确。
图2是本发明多传感器数据加权融合方法的另一实施例的流程图。该方法采用N部传感器，每部传感器测量得到M个数据，所述方法包括以下步骤：
步骤S1，将第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的所有数据作为一组，根据该组数据对所述第k次测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；
所述步骤S1具体包括以下步骤：
步骤S11，将第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的所有数据作为一组，计算该传感器该组内数据的均值和方差。
假设N部相互独立的传感器对某待测对象参数进行测量，其测量方程为：
Figure BDA0001728933190000051
式中，
Figure BDA0001728933190000052
为第i部传感器第k次的参数测量值，xi为参数的真实值，δi(k)为第i部传感器第k次的测量噪声，其服从均值为零、方差为
Figure BDA0001728933190000053
的高斯分布，即
Figure BDA0001728933190000054
其中k≥1。
由式(1)可知，该传感器的测量值服从均值为xi、方差为
Figure BDA0001728933190000055
的高斯分布，即
Figure BDA0001728933190000056
对于第i部传感器第k次的测量值
Figure BDA0001728933190000057
将第k次之前以及第k次该传感器的k个测量值
Figure BDA0001728933190000058
作为一组数据进行统计分析。
依据概率密度函数的概念可知，第i部传感器第j次测量数据
Figure BDA0001728933190000059
与待测参数真实值xi以及测量噪声标准差σi存在以下关系：
Figure BDA00017289331900000510
依据极大似然估计理论可得第i部传感器第k次之前以及第k次该传感器的k个测量数据
Figure BDA00017289331900000511
的均值和标准差的极大似然估计为：
Figure BDA00017289331900000512
考虑到k是一个有限的数值，将σi的极大似然估计修改为：
Figure BDA0001728933190000061
以
Figure BDA0001728933190000062
和
Figure BDA0001728933190000063
作为该传感器该组数据的均值和标准差。
步骤S12，计算第i部传感器第k次之前以及第k次共k个测量值
Figure BDA0001728933190000064
中某一数据在该组内所有数据中出现的概率。
依据正态分布概率密度函数，当k＞1时，第i部传感器第j个测量值
Figure BDA0001728933190000065
出现的机率为：
Figure BDA0001728933190000066
式中，
Figure BDA0001728933190000067
分别为第i部传感器第k次之前以及第k次共k个测量值
Figure BDA0001728933190000068
的均值和方差。
则，第i部传感器第j个数据
Figure BDA0001728933190000069
在该组内所有数据中出现的概率为：
Figure BDA00017289331900000610
步骤S13，对第i部传感器第k次的测量数据进行修正，并以修正后的数据替换所述第k次的测量数据，参与下一次测量数据的修正。
Figure BDA00017289331900000611
步骤S2，对修正后的测量数据进行所述N部传感器之间的一次加权融合；
所述步骤S2具体包括以下步骤：
步骤S21，重复步骤S1，直到每部传感器测量得到的M个数据均得到修正；
步骤S22，将每部传感器修正之后的测量数据作为整体进行所述N部传感器之间的一次加权融合。
进一步地，所述步骤S22包括以下步骤：
步骤S221，计算不同传感器间的数据融合权重。
假设第i部传感器在规定时间内获取的M个测量值
Figure BDA0001728933190000071
(M＞1)，经过上述步骤之后，修正值为
Figure BDA0001728933190000072
则第i部传感器M个修正数据的均值和方差为：
Figure BDA0001728933190000073
依据加权融合思想，如果第i部传感器的数据为Xi，其权值为ωi，则所有N部传感器加权融合的结果为：
Figure BDA0001728933190000074
令
Figure BDA0001728933190000075
则Zi服从标准正态分布，式(9)中融合结果可表示为：
Figure BDA0001728933190000076
从式(11)可以看出融合结果Y服从均值
Figure BDA0001728933190000077
方差
Figure BDA0001728933190000078
的正态分布。利用最小二乘法可得，当
Figure BDA0001728933190000079
时，融合结果Y的方差最小
Figure BDA00017289331900000710
步骤S222，利用传感器修正数据及不同传感器间的数据融合权重进行一次加权融合：
Figure BDA0001728933190000081
步骤S3，将所有融合后的数据组合为融合数据组，对所述数据融合组的数据进行二次加权融合；
所述步骤S3具体包括以下步骤：
步骤S31，计算所述融合数据组内每个数据参与数据融合的权重；
进一步地，所述步骤S31具体包括：
步骤S311，依据式(12)计算所述融合数据组内数据的均值和方差。
Figure BDA0001728933190000082
式中，y是融合数据均值，
Figure BDA0001728933190000083
是融合数据方差，y(j)是第j个融合数据。
步骤S312，依据所述均值和所述方差得到所述融合数据组数据的概率密度分布函数，进一步计算所述融合数据组内每个数据在所述融合数据组内所有数据中出现的概率，并以该概率作为所述融合数据组内每个数据参与数据融合的权重。
依据正态分布概率密度函数，当M＞1时，第i部传感器第j个数据y(j)出现的机率为：
Figure BDA0001728933190000084
则，第j个数据参与数据融合的权重为：
Figure BDA0001728933190000091
步骤S32，根据所述参与数据融合的权重进行所述融合数据组内所有数据的二次加权融合；
Figure BDA0001728933190000092
式中，r是最终融合结果。
从上述内容可知，在该实施例的多传感器数据加权融合方法中，首先对传感器某一次的测量数据进行修正，并使用修正后的数据来进行对下一次测量数据的修正，使得下一次测量数据修正的数据基础更合理，然后在完成对每个传感器的所有测量数据进行修正之后，通过这些修正后的数据以及最小二乘法来计算不同传感器间的数据融合权重，进一步确保了数据融合权重的合理性，最后对多部传感器融合后的数据进行二次加权融合得到最终的融合数据，使得融合结果更真实、准确。
具体地，本发明还公开了使用所述多传感器数据加权融合方法对恒温箱参数进行数据融合的另一实施例：
已知某分布式多传感器检测系统中3个热电偶传感器对恒温箱进行6次检测，各热电偶对恒温箱检测的数据如表1所示。
表1传感器测量值
Figure BDA0001728933190000093
采用本发明提供的方法进行3个热电偶传感器之间数据的融合：
步骤S1，将第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的数据作为一组，根据该组数据对所述第k次的测量数据进行滤波修正，并以修正后的数据替换所述第k次的测量数据，参与下一次测量数据的修正；
具体地：
步骤S11，将第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的数据作为一组，计算该传感器该组数据的均值和方差。
对于传感器S1：
由于第一次测量前没有测量值，因此，传感器S1第一组测量的均值为其测量值899.5，第一组测量的方差为0；依据公式(7)可得，传感器S1第一次测量修正值为其本身。
由于第二次测量前有第一次测量，且第一次测量的修正值等于测量值，因此，将第一次修正值与第二次测量值作为一组，通过公式(3)和公式(4)可得，传感器S1第二组数据的均值为902.4，方差为16.82；
按照以上的步骤，可以计算出传感器S2和传感器S3第一组和第二组的均值和方差如表2所示。
表2传感器S2和传感器S3第一组、第二组数据的均值和方差
Figure BDA0001728933190000101
步骤S12，计算该传感器该组内某一数据在该组内所有数据中出现的概率。
对于传感器S1：
由于第一次测量前没有测量数据，因此，第一次测量数据在第一组数据中出现的概率为1；
对于第二次测量，依据公式(5)及公式(6)可得，传感器S1第二组数据中第一次以及第二次数据在第二组内所有测量数据中出现的概率为
Figure BDA0001728933190000102
按照以上的步骤，可以计算出传感器S2和传感器S3第一组、第二组数据中每个数据在该组内所有数据中出现的概率如表3所示。
表3传感器S2及S3第一组、第二组中每个数据在该组内所有数据中出现的概率
Figure BDA0001728933190000111
步骤S13，对该传感器本组内的当前测量数据进行修正。
对于传感器S1：
依据公式(7)可得，第一次修正后的数据为899.5；第二次修正后的数据为899.5×0.5+905.3×0.5＝902.4。
同理，可以计算出传感器S2及S3第一次修正后的数据为898.3和896.7、第二次修正后的数据为887.1和901.75。
步骤S2，对修正后的测量数据进行所述N部传感器之间的一次加权融合：
步骤S21，重复步骤S1，可得传感器S1、S2及S3的修正值如表4所示。
表4传感器S1、S2及S3各测量次数修正值
Figure BDA0001728933190000112
步骤S22，计算不同传感器间的数据融合权重。
依据公式(8)，计算不同传感器所有修正数据的均值和方差，如表5所示。
表5不同传感器所有修正数据的均值和方差
Figure BDA0001728933190000113
Figure BDA0001728933190000121
则传感器S1参与数据融合的权重为
Figure BDA0001728933190000122
传感器S2参与数据融合的权重为
Figure BDA0001728933190000123
传感器S3参与数据融合的权重为
Figure BDA0001728933190000124
步骤S23，利用传感器修正数据及不同传感器间的数据融合权重进行一次加权融合。
依据公式(11)可得融合结果为：
Figure BDA0001728933190000125
步骤S3，将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。
步骤S31，计算所述融合数据组内每个数据参与数据融合的权重。
依据公式(12)可得该组数据的均值为900.0474、方差为0.8354。依据公式(13)和公式(14)可得该组数据中每个数据参与融合的融合权重如表6所示。
表6融合数据组中每个数据参与数据融合的权重
数据 898.7790 901.5305 900.2822 900.2907 899.6162 899.7860
权重 0.0860 0.0604 0.2181 0.2175 0.2016 0.2163
步骤S32，根据所述参与数据融合权重进行所述融合数据组内所有数据的加权融合。
依据公式(15)可得最终融合数据为899.9885。
图3是本发明多传感器数据加权融合方法的另一实施例的流程图。该方法采用N部传感器，每部传感器测量得到M个数据，所述方法包括以下步骤：
步骤S1，将第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的数据作为一组，根据该组数据对所述第k次的测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；
所述步骤S1具体包括以下步骤：
步骤S11，第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的数据作为一组，计算该传感器本组数据的均值和方差。
假设N部相互独立的传感器对某待测对象参数进行测量，其测量方程为：
Figure BDA0001728933190000131
式中，
Figure BDA0001728933190000132
为第i部传感器第k次的参数测量值，xi为参数的真实值，δi(k)为第i部传感器第k次的测量噪声，其服从均值为零、方差为
Figure BDA0001728933190000133
的高斯分布，即
Figure BDA0001728933190000134
其中k≥1。
由式(16)可知，该传感器的测量值服从均值为xi、方差为
Figure BDA0001728933190000135
的高斯分布，即
Figure BDA0001728933190000136
对于第i部传感器第k次的测量值
Figure BDA0001728933190000137
将第k次之前以及第k次该传感器的k个数据
Figure BDA0001728933190000138
作为一组进行统计分析。
依据概率密度函数的概念可知，第i部传感器第j次测量数据
Figure BDA0001728933190000139
与待测参数真实值xi以及测量噪声标准差σi存在以下关系：
Figure BDA00017289331900001310
依据极大似然估计理论可得第i部传感器第k次之前以及第k次该传感器的k个数据
Figure BDA00017289331900001311
的均值和标准差的极大似然估计为：
Figure BDA0001728933190000141
考虑到k是一个有限的数值，将σi的极大似然估计修改为：
Figure BDA0001728933190000142
以
Figure BDA0001728933190000143
和
Figure BDA0001728933190000144
作为该传感器该组数据的均值和标准差。
步骤S12，计算第i部传感器第k次之前以及第k次共k个测量值
Figure BDA0001728933190000145
中某一次测量数据在本组内所有测量数据中出现的概率。
依据正态分布概率密度函数，当k＞1时，第i部传感器第j次测量值
Figure BDA0001728933190000146
出现机率为：
Figure BDA0001728933190000147
式中，
Figure BDA0001728933190000148
分别为第i部传感器第k次之前以及第k次共k个测量值
Figure BDA0001728933190000149
的均值和方差。
则，第i部传感器第j次测量值
Figure BDA00017289331900001410
在本组内所有数据中出现的概率为：
Figure BDA00017289331900001411
步骤S13，对第i部传感器第k次的测量数据进行修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正：
Figure BDA00017289331900001412
步骤S2，对修正后的数据进行所述N部传感器之间的一次加权融合；
所述步骤S2具体包括以下步骤：
步骤S21，将所述N部传感器所述第k次修正后的测量数据进行一次加权融合；
步骤S22，重复步骤S1和步骤S21，依次对不同次的测量数据进行修正和融合，直到所述N部传感器的所有测量数据均得到修正和融合。
进一步地，所述步骤S21具体包括：
步骤S211，计算不同传感器间第k次的数据融合权重。
将第i部传感器第k次之前以及第k次共k个修正值
Figure BDA0001728933190000151
作为一组，依据公式(18)和公式(19)可得第i部传感器第k次之前以及第k次共k个修正值的均值和方差为：
Figure BDA0001728933190000152
依据加权融合思想，如果第i部传感器的数据为Xi，其权值为ωi，则所有N部传感器加权融合的结果为：
Figure BDA0001728933190000153
令
Figure BDA0001728933190000154
则Zi服从标准正态分布，式(24)中融合结果可表示为：
Figure BDA0001728933190000155
从式(25)可以看出融合结果Y服从均值
Figure BDA0001728933190000156
方差
Figure BDA0001728933190000157
的正态分布。利用最小二乘法可得，当
Figure BDA0001728933190000158
时，融合结果Y的方差最小
Figure BDA0001728933190000161
步骤S212，利用传感器所述第k次的修正数据及不同传感器间所述第k次的数据融合权重进行所述k次数据的一次加权融合：
Figure BDA0001728933190000162
步骤S3，将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。
步骤S31，计算所述融合数据组中每个数据参与数据融合的权重。
进一步地，所述步骤S31具体包括：
步骤S311，依据式(27)计算该组内数据的均值和方差。
Figure BDA0001728933190000163
式中，y是融合数据均值，
Figure BDA0001728933190000164
是融合数据方差，y(j)是第j个融合数据。
步骤S312，依据所述均值和所述方差得到所述该组数据的概率密度分布函数，进一步计算该组内每个数据在该组内所有数据中出现的概率，并以该概率作为该组内每个数据参与数据融合的权重。
依据正态分布概率密度函数，当M＞1时，第i部传感器第j个数据y(j)出现的机率为：
Figure BDA0001728933190000165
则，第j个数据参与数据融合的权重为：
Figure BDA0001728933190000166
步骤S32，基于所述融合数据组以及所述融合数据组中每个数据参与数据融合的权重进行融合数据组内数据的二次加权融合。
Figure BDA0001728933190000171
式中，r是最终融合结果。
从上述内容可知，在该实施例的多传感器数据加权融合方法中，首先对某一传感器某一次的测量数据进行修正，然后将多部传感器某一次修正后的测量数据进行一次加权融合，重复上述步骤，依次对不同次的测量数据进行修正和融合，直到多部传感器的所有测量数据均得到修正和融合，最后对多部传感器融合后的数据进行二次加权融合得到最终的融合数据。本方法使用修正后的数据来进行对下一次测量数据的修正，使得下一次测量数据修正的数据基础更合理；进一步在完成某一次测量数据修正后，使用传感器该次之前以及该次修正后的数据以及最小二乘法来计算不同传感器间的数据融合权重，也进一步确保了数据融合权值的合理性，使得融合结果更真实、准确。
具体地，本发明还公开了使用所述多传感器数据加权融合方法对恒温箱参数进行数据融合的另一实施例：
已知某分布式多传感器检测系统中3个热电偶传感器对恒温箱进行6次检测，各热电偶对恒温箱检测的数据如表1所示。
采用本发明提供的方法进行3个热电偶传感器之间数据的融合：
步骤S1，将第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的数据作为一组，根据该组数据对所述第k次的测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；
具体地：
步骤S11，第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的数据作为一组，计算该传感器本组数据的均值和方差。
对于第一次测量：
由于第一次测量前没有测量值，因此，传感器S1第一组测量的均值为其测量值899.5，方差为0；传感器S2第一组测量的均值为其测量值898.3000，方差为0；传感器S3第一组测量的均值为其测量值896.7000，方差为0；依据公式(22)，可得传感器S1、S2、S3第一次测量的修正值为其测量值本身；依据公式(26)，可得第一次测量的融合值为898.1667。
对于第二次测量：
将第一次与第二次测量值作为一组，依据公式(18)和公式(19)可得，传感器S1第二组测量的均值为902.4、方差为16.82，传感器S2第二组测量的均值为887.1000、方差为250.8800，传感器S3第二组测量的均值为901.7500、方差为51.0050。
步骤S12，计算该传感器本组内每个数据在本组内所有数据中出现的概率。
依据公式(20)和公式(21)可得传感器S1第一次以及第二次测量值在第二组数据中出现的概率分别是
Figure BDA0001728933190000181
和
Figure BDA0001728933190000182
传感器S2第一次以及第二次测量值在第二组数据中出现的概率分别是0.5和0.5，传感器S3第一次以及第二次测量值在第二组数据中出现的概率分别是0.5和0.5。
步骤S13，对该传感器本组内的当前测量数据进行修正。
依据公式(22)可得传感器S1第二次测量的修正值是899.5×0.5+905.3×0.5＝902.4，传感器S2第二次测量的修正值是887.1000，传感器S3第二次测量的修正值是901.7500。
步骤S2，对修正后的测量数据进行所述N部传感器之间的一次加权融合：
步骤S21，计算不同传感器间的数据融合权重。
依据式(26)可得传感器S1第二次测量的融合权重是0.7159，传感器S2第二次测量的融合权重是0.0480，传感器S3第二次测量的融合权重是0.2361。
步骤S22，利用传感器当前修正数据及不同传感器间的数据融合权重进行一次加权融合。
依据公式(26)可得第二次测量三部传感器的数据融合结果为：
y(2)＝0.7159×902.4+0.048×887.1+0.2361×901.75＝901.5122
步骤S23，重复步骤S1、S21、S22，直至完成不同传感器间所有测量数据的修正与融合。
按照上述步骤的计算过程，可得三部传感器第三次、第四次、第五次以及第六次的融合结果如表7所示。
表7三部传感器六次融合结果
Figure BDA0001728933190000191
步骤S3，将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。
步骤S31，计算所述融合数据组中每个数据参与数据融合的权重。
步骤S311，依据公式(27)可得融合数据组的均值为899.9460、方差为1.2003。
步骤S312，依据所述均值和所述方差得到所述该组数据的概率密度分布函数，进一步计算该组内每个数据在该组内所有数据中出现的概率，并以该概率作为该组内每个数据参与数据融合的权重。
依据公式(28)和公式(29)可得不同融合数据参与数据融合的权重如表8所示。
表8不同融合数据参与数据融合的权重
Figure BDA0001728933190000192
步骤S32，基于所述融合数据组以及所述融合数据组中每个数据参与数据融合的权重进行融合数据组内数据的二次加权融合。
依据公式(30)可得最终融合数据为900.0090。
综上可知，本发明公开了一种多传感器数据加权融合方法，其首先对每个传感器的测量数据进行了滤波修正，为提高多传感器数据融合的可靠度奠定了基础，另外，在进行数据融合时，使用的是修正后的传感器数据以及基于修正后数据计算得到的传感器间的数据融合权重，因此，利用本发明的数据加权融合方法得到的多传感器融合结果更接近实际情况，可信度更高。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种多传感器数据加权融合方法，其特征在于，包括N部传感器，每部传感器测量得到M个数据，所述方法包括以下步骤：
1)将第i(i＝1,2,3,...,N)部传感器的第k(k＝1,2,3,...,M)次以及第k次之前的所有数据作为一组，根据该组数据对所述第k次测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；
根据该组数据对所述第k次测量数据进行修正，具体包括：
11)计算该组数据的均值和方差；
12)依据所述均值和所述方差得到所述该组数据的概率密度分布函数，进一步计算该组内每个数据在该组内所有数据中出现的概率；
13)依据所述概率对所述第k次测量数据进行修正；
依据所述概率对所述第k次测量数据进行修正包括：依据公式(1)实现测量数据的修正：
Figure FDA0003117408500000011
其中，
Figure FDA0003117408500000012
为第i部传感器第k次测量数据，xi(k)为对第i部传感器第k次测量数据进行修正后得到的数据，xi(j)为对第i部传感器第j次测量数据进行修正后得到的数据，pi(j)为第i部传感器第j次修正后的数据在该组内所有数据中出现的概率；pi(k)为第i部传感器第k次测量数据在该组内所有数据中出现的概率；
2)对修正后的测量数据进行所述N部传感器之间的一次加权融合；
3)将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。
2.如权利要求1所述的多传感器数据加权融合方法，其特征在于，所述步骤2)具体包括：
21)重复步骤1)，直到每部传感器测量得到的M个数据均得到修正；
22)将每部传感器修正之后的测量数据作为整体进行所述N部传感器之间的一次加权融合。
3.如权利要求1所述的多传感器数据加权融合方法，其特征在于，所述进行所述N部传感器之间的一次加权融合具体包括：计算不同传感器间的数据融合权重；根据所述数据融合权重进行所述N部传感器之间的数据加权融合。
4.如权利要求3所述的多传感器数据加权融合方法，其特征在于，所述计算不同传感器间的数据融合权重包括：利用最小二乘法，得到使融合后数据的方差最小的权重值作为不同传感器间的数据融合权重。
5.如权利要求1所述的多传感器数据加权融合方法，其特征在于，所述对所述融合数据组的数据进行二次加权融合具体包括：计算所述融合数据组内每个数据参与数据融合的权重；根据所述参与数据融合的权重进行所述融合数据组内所有数据的加权融合。
6.如权利要求5所述的多传感器数据加权融合方法，其特征在于，所述计算所述融合数据组内每个数据参与数据融合的权重包括：计算所述融合数据组内数据的均值和方差；依据所述均值和所述方差得到所述融合数据组数据的概率密度分布函数，进一步计算所述融合数据组内每个数据在所述融合数据组内所有数据中出现的概率，并以该概率作为所述融合数据组内每个数据参与数据融合的权重。
CN201810765483.2A 2018-07-12 2018-07-12 一种多传感器数据加权融合方法 Active CN108985373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810765483.2A CN108985373B (zh) 2018-07-12 2018-07-12 一种多传感器数据加权融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810765483.2A CN108985373B (zh) 2018-07-12 2018-07-12 一种多传感器数据加权融合方法

Publications (2)

Publication Number Publication Date
CN108985373A CN108985373A (zh) 2018-12-11
CN108985373B true CN108985373B (zh) 2021-09-14

Family

ID=64537965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810765483.2A Active CN108985373B (zh) 2018-07-12 2018-07-12 一种多传感器数据加权融合方法

Country Status (1)

Country Link
CN (1) CN108985373B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362779A (zh) * 2019-06-11 2019-10-22 南京江岛环境科技研究院有限公司 一种多尺度环境数据融合方法
CN110274552A (zh) * 2019-06-18 2019-09-24 西安交通大学 一种多目结构光系统的加权集成测量方法
CN110798848A (zh) * 2019-09-27 2020-02-14 国家电网有限公司 无线传感器数据融合方法及装置、可读存储介质和终端
CN110987068B (zh) * 2019-11-28 2021-11-30 中国人民解放军陆军炮兵防空兵学院郑州校区 一种多传感器综合控制系统数据融合方法
CN111504963B (zh) * 2020-04-10 2023-07-07 上海蓝长自动化科技有限公司 一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法
CN113011479A (zh) * 2021-03-05 2021-06-22 北京中医药大学 一种用于智能制造的多源信息融合方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262440A (zh) * 2010-06-11 2011-11-30 微软公司 多模态性别识别
CN103049895A (zh) * 2012-12-17 2013-04-17 华南理工大学 基于平移不变剪切波变换的多模态医学图像融合方法
CN103592575A (zh) * 2013-11-25 2014-02-19 国家电网公司 一种基于多传感器系统的自适应加权数据融合故障测距方法
CN103716867A (zh) * 2013-10-25 2014-04-09 华南理工大学 基于事件驱动的无线传感器网络多目标实时跟踪系统
CN103776654A (zh) * 2014-02-21 2014-05-07 黑龙江省科学院自动化研究所 多传感器信息融合的故障诊断方法
CN106687764A (zh) * 2014-06-11 2017-05-17 大陆-特韦斯股份有限公司 用于初始化传感器融合系统的方法和系统
CN106874213A (zh) * 2017-01-12 2017-06-20 杭州电子科技大学 一种融合多种机器学习算法的固态硬盘热数据识别方法
CN107643534A (zh) * 2017-09-11 2018-01-30 东南大学 一种基于gnss/ins深组合导航的双速率卡尔曼滤波方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7065465B2 (en) * 2002-03-26 2006-06-20 Lockheed Martin Corporation Method and system for multi-sensor data fusion

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262440A (zh) * 2010-06-11 2011-11-30 微软公司 多模态性别识别
CN103049895A (zh) * 2012-12-17 2013-04-17 华南理工大学 基于平移不变剪切波变换的多模态医学图像融合方法
CN103716867A (zh) * 2013-10-25 2014-04-09 华南理工大学 基于事件驱动的无线传感器网络多目标实时跟踪系统
CN103592575A (zh) * 2013-11-25 2014-02-19 国家电网公司 一种基于多传感器系统的自适应加权数据融合故障测距方法
CN103776654A (zh) * 2014-02-21 2014-05-07 黑龙江省科学院自动化研究所 多传感器信息融合的故障诊断方法
CN106687764A (zh) * 2014-06-11 2017-05-17 大陆-特韦斯股份有限公司 用于初始化传感器融合系统的方法和系统
CN106874213A (zh) * 2017-01-12 2017-06-20 杭州电子科技大学 一种融合多种机器学习算法的固态硬盘热数据识别方法
CN107643534A (zh) * 2017-09-11 2018-01-30 东南大学 一种基于gnss/ins深组合导航的双速率卡尔曼滤波方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于最优加权的大面积金刚石膜衬底温度数据融合研究;汪洪波 等;《中国机械工程》;20110731;正文1677页 *

Also Published As

Publication number Publication date
CN108985373A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN108985373B (zh) 一种多传感器数据加权融合方法
CN108960334B (zh) 一种多传感器数据加权融合方法
CN107247259B (zh) 基于神经网络的k分布海杂波形状参数估计方法
CN110289613B (zh) 基于灵敏度矩阵的配电网拓扑识别与线路参数辨识方法
CN105352535A (zh) 一种基于多传感器数据融合的测量方法
CN104102836B (zh) 一种电力系统快速抗差状态估计方法
CN110673089B (zh) 未知视距和非视距分布情况下基于到达时间的定位方法
CN109754013B (zh) 一种基于无迹卡尔曼滤波的电力系统混合量测融合方法
CN104853435A (zh) 一种基于概率的室内定位方法和装置
CN109100683A (zh) 基于卡尔曼滤波的chan-加权质心室内定位方法
CN109471061A (zh) 一种鲁棒处理模型参数误差的接收信号强度差定位方法
CN108460462A (zh) 一种基于区间参数优化的区间神经网络学习方法
CN112733435A (zh) 一种基于多模型融合的整车尺寸匹配偏差预测方法
CN105407496B (zh) 一种识别无线传感器网络中错误测量值的方法
CN107526294B (zh) 一种热场温度-硅单晶直径非线性时滞系统智能辨识方法
CN111505575B (zh) 基于转化toa模型的针对tdoa定位的传感器选择方法
CN110852451B (zh) 基于核函数的递归核自适应滤波方法
CN110632521B (zh) 一种锂离子电池容量的融合估计方法
CN110673088A (zh) 混合视距和非视距环境中基于到达时间的目标定位方法
CN116596974A (zh) 一种基于变分推断的非线性滤波分布式目标跟踪方法
CN108845308B (zh) 基于路径损耗修正的加权质心定位方法
CN109656271A (zh) 一种基于数据关联思想的航迹软关联方法
CN112747773B (zh) 基于Allan方差和随机多项式提高陀螺仪精度的方法
CN110850366B (zh) 混合视距和非视距环境下基于接收信号强度的定位方法
CN112255647A (zh) 弹道测量信息事后融合处理优化方法

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