CN110852397A - 一种基于相对波动的自适应信号融合方法及系统 - Google Patents

一种基于相对波动的自适应信号融合方法及系统 Download PDF

Info

Publication number
CN110852397A
CN110852397A CN201911126797.9A CN201911126797A CN110852397A CN 110852397 A CN110852397 A CN 110852397A CN 201911126797 A CN201911126797 A CN 201911126797A CN 110852397 A CN110852397 A CN 110852397A
Authority
CN
China
Prior art keywords
fluctuation
value
signal
relative
groups
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.)
Pending
Application number
CN201911126797.9A
Other languages
English (en)
Inventor
孟宗
潘作舟
石颖
张光雅
郜文清
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN201911126797.9A priority Critical patent/CN110852397A/zh
Publication of CN110852397A publication Critical patent/CN110852397A/zh
Pending legal-status Critical Current

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
    • G06F18/251—Fusion techniques of input or preprocessed data

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)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

本发明公开一种基于相对波动的自适应信号融合方法及系统。该方法包括：对变量信号进行采样，并分别向其中加入N组不同方差的高斯白噪声，得到变化后的变量信号；分别计算N组变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；分别计算N组变化后的变量信号在k时刻的波动值相对于(k‑1)时刻波动值的变化情况；分别计算N组变化后的变量信号的自适应均衡因子；确定N组更加接近真值的最佳估计值；确定最佳估计值在融合过程中对应的的权值；根据权重值对N组最佳估计值进行加权融合，得到均方误差最小情况下的融合信号。本发明能够在目标信号为变量信号的情况下，得到高精度的融合信号。

Description

一种基于相对波动的自适应信号融合方法及系统
技术领域
本发明涉及多传感器信号融合技术领域，特别是涉及一种基于相对波动的自适应信号融合方法及系统。
背景技术
在现代信号采集的过程中，通过安装单个传感器进行目标信号测量，是最为简单快速的方式。但在目标工况复杂、噪声污染严重等情况下，目标信号可能会出现识别困难、湮没在噪声中等问题。为了能够降低目标信号的提取难度，则需要在单一传感器采集信号的基础上，添加额外的传感器。目的是，通过融合多个传感器所采集到的信号，来对单个传感器中存在的噪声和不确定信息进行抑制，同时对目标信号进行适当增强。
国内外学者对信号融合的相关内容进行了大量的研究，也给出了很多经典的信号融合算法，例如：卡尔曼滤波、模糊阈值理论和随机加权融合算法等。但这些方法都不可避免的存在一些局限性。其中，卡尔曼滤波和模糊阈值理论的数学基础分别是条件概率分布和模糊隶属函数，当采集到的信号数据相差较大的情况下，则会造成两种算法的精度和效率的降低。随机加权融合算法作为一种新型的信号融合算法，因具备无需先验条件、结构简单、精度高、误差低等特性在各个领域得到了广泛应用。但该算法在计算融合信号的最佳估计值时，是通过对目前所采集到的信号做均值后得到的。因此得到的最佳估计值只有在目标信号为常量的情况下才具备较高的精度，这一情况极大的限制了该算法的适用范围。
发明内容
本发明的目的是提供一种基于相对波动的自适应信号融合方法及系统，能够在目标信号为变量信号的情况下，得到高精度的融合信号。
为实现上述目的，本发明提供了如下方案：
一种基于相对波动的自适应信号融合方法，包括：
对变量信号进行采样，并分别向其中加入N组不同方差的高斯白噪声，得到变化后的变量信号；
分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
根据所述相对波动值，分别计算N组所述变化后的变量信号的自适应均衡因子；
根据所述自适应均衡因子，得到N组更加接近真值的最佳估计值；
根据传统随机加权融合算法中的加权方法，得到所述最佳估计值在融合过程中对应的的权值；
根据所述权重值对N组所述最佳估计值进行加权融合，得到均方误差最小情况下的融合信号。
可选的，所述分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值，具体包括：
采用公式
Figure BDA0002277097150000021
分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
其中，Yp(k)为波动值，p＝1,2,...,n，p为传感器，Xp(k)为第k个信号，Xp(i)为第i个信号。
可选的，所述分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值，具体包括：
采用公式γp(k)＝(Yp(k)-Yp(k-1))分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
其中，γp(k)为相对波动值，Yp(k)为第k个信号点处的信号波动值，Yp(k-1)为第(k-1)个信号点处的波动值。
可选的，所述根据所述相对波动值，分别计算N组所述变化后的变量信号的自适应均衡因子，具体包括：
根据所述相对波动值采用公式
Figure BDA0002277097150000031
分别计算N组所述变化后的变量信号的自适应均衡因子；
其中，γp(k)是信号在第k个信号点处的相对波动值；γ是相对波动值的阈值，αp(k)为第k个信号点处的自适应均衡因子。
可选的，所述根据所述自适应均衡因子，得到N组更加接近真值的最佳估计值，具体包括：
根据所述自适应均衡因子采用公式对N组变量信号的估计值进行调整，得到N组更加接近真值的最佳估计值；
其中，αp为第p个传感器的自适应均衡因子，Xp(k)为k＝1时刻更加接近真值的最佳估计值，X'p(k)为k≥2时刻更加接近真值的最佳估计值。
一种基于相对波动的自适应信号融合系统，包括：
采样模块，用于对变量信号进行采样，并分别向其中加入N组不同方差的高斯白噪声，得到变化后的变量信号；
波动值计算模块，用于分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
相对波动值计算模块，用于分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
自适应均衡因子计算模块，用于根据所述相对波动值，分别计算N组所述变化后的变量信号的自适应均衡因子；
最佳估计值确定模块，用于根据所述自适应均衡因子，得到N组更加接近真值的最佳估计值；
权值确定模块，用于根据传统随机加权融合算法中的加权方法，得到所述最佳估计值在融合过程中对应的的权值；
融合信号确定模块，用于根据所述权重值对N组所述最佳估计值进行加权融合，得到均方误差最小情况下的融合信号。
可选的，所述波动值计算模块，具体包括：
波动值计算单元，用于采用公式
Figure BDA0002277097150000041
分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
其中，Yp(k)为波动值，p＝1,2,...,n，p为传感器，Xp(k)为第k个信号，Xp(i)为第i个信号。
可选的，所述相对波动值计算模块，具体包括：
相对波动值计算单元，用于采用公式γp(k)＝(Yp(k)-Yp(k-1))分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
其中，γp(k)为相对波动值，Yp(k)为第k个信号点处的信号波动值，Yp(k-1)为第(k-1)个信号点处的波动值。
可选的，所述自适应均衡因子计算模块，具体包括：
自适应均衡因子计算单元，用于根据所述相对波动值采用公式
Figure BDA0002277097150000042
分别计算N组所述变化后的变量信号的自适应均衡因子；
其中，γp(k)是信号在第k个信号点处的相对波动值；γ是相对波动值的阈值，αp(k)为第k个信号点处的自适应均衡因子。
可选的，所述最佳估计值确定模块，具体包括：
最佳估计值确定单元，用于根据所述自适应均衡因子采用公式
Figure BDA0002277097150000051
对N组变量信号的估计值进行调整，得到N组更加接近真值的最佳估计值；
其中，αp为第p个传感器的自适应均衡因子，Xp(k)为k＝1时刻更加接近真值的最佳估计值，X'p(k)为k≥2时刻更加接近真值的最佳估计值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
1.本发明可以扩展传统随机加权融合算法的适用范围，高精度融合的对象可以从常量信号扩展到变量信号。
2.所提出的相对波动值，是以当前信号值同历史采集值的相对变化程度为依据得到的，能够随着目标信号和采集时间的变化而变化，因此相对波动值为一自适应参数。这一特性可以与随机加权融合算法的自适应加权过程相互匹配。
3.利用自适应均衡因子来对最佳估计值进行调整，可以充分考虑当前采集信号的变化情况以及当前采集值与历史采集信号的相关性，最大程度利用信号间相关性来对最佳估计值的相对误差进行抑制。因此，本发明在目标信号为变量的情况下依旧能够得到高精度的融合结果。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于相对波动的自适应信号融合方法流程图；
图2为本发明自适应均衡因子α的取值对加权融合信号的均方误差的影响；
图3为本发明所求得的自适应均衡因子同最优均衡因子间的偏差；
图4为单传感器所采集到的含噪阶跃信号在分别经过本发明算法和kalman滤波算法后所得信号的去噪效果比较；
图5为单传感器所采集到的含噪轴承信号在分别经过本发明算法和kalman滤波算法后所得信号的去噪效果比较；
图6为多个传感器所采集到的含噪阶跃信号在分别经过本发明算法、传统随机加权融合算法和基于kalman滤波的融合算法后所得融合信号的去噪效果比较；
图7为多个传感器所采集到的含噪轴承信号在分别经过本发明算法、传统随机加权融合算法和基于kalman滤波的融合算法后所得融合信号的去噪效果比较；
图8为本发明基于相对波动的自适应信号融合系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于相对波动的自适应信号融合方法及系统，能够在目标信号为变量信号的情况下，得到高精度的融合信号。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于相对波动的自适应信号融合方法流程图。如图1所示，一种基于相对波动的自适应信号融合方法包括：
步骤101：对变量信号进行采样，并分别向其中加入N组不同方差的高斯白噪声，得到变化后的变量信号；所述高斯白噪声用于模拟不同传感器所采集到信号的差异性；
步骤102：分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值，具体包括：
采用公式
Figure BDA0002277097150000071
分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
其中，Yp(k)为波动值，p＝1,2,...,n，p为传感器，Xp(k)为第k个信号，Xp(i)为第i个信号。
所述波动值是将传感器p(p＝1,2,...,n)采集到的第k个信号Xp(k)与当前所采集到的全部信号均值之间的比值定义为第k个信号点的波动值。
步骤103：分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值，具体包括：
采用公式γp(k)＝(Yp(k)-Yp(k-1))分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
其中，γp(k)为相对波动值，Yp(k)为第k个信号点处的信号波动值，Yp(k-1)为第(k-1)个信号点处的波动值。
利用信号的当前采集值同历史采集值均值的变化情况，作为信号波动情况的衡量标准，提出了信号相对波动值γp(k)的概念。
步骤104：根据所述相对波动值，分别计算N组所述变化后的变量信号的自适应均衡因子，具体包括：
根据所述相对波动值采用公式
Figure BDA0002277097150000072
分别计算N组所述变化后的变量信号的自适应均衡因子；
其中，γp(k)是信号在第k个信号点处的相对波动值；γ是相对波动值的阈值，αp(k)为第k个信号点处的自适应均衡因子。
步骤105：根据所述自适应均衡因子，得到N组更加接近真值的最佳估计值，具体包括：
根据所述自适应均衡因子采用公式
Figure BDA0002277097150000081
对N组变量信号的估计值进行调整，得到N组更加接近真值的最佳估计值；
其中，αp为第p个传感器的自适应均衡因子，Xp(k)为k＝1时刻更加接近真值的最佳估计值，X'p(k)为k≥2时刻更加接近真值的最佳估计值。
步骤106：根据传统随机加权融合算法中的加权方法，得到所述最佳估计值在融合过程中对应的的权值。
其中传统随机加权融合算法的加权过程的简介如下：
各传感器的测量值分别为X1,X2,...,Xn，它们互相独立，并且是真值X的无偏估计。假设各组信号对应的加权因子分别为W1,W2,...,Wn，则融合后的最佳估计值和加权因子满足以下两式：
Figure BDA0002277097150000083
总均方误差为
Figure BDA0002277097150000085
σ2可写成
从上式(4)中可以看出，总均方误差σ2是关于各加权因子的多元二次函数，因此σ2必然存在最小值。根据多元函数求极值理论，可求出总均方误差最小时所对应的加权值为
Figure BDA0002277097150000091
步骤107：根据所述权重值对N组所述最佳估计值进行加权融合，得到均方误差最小情况下的融合信号，实现对变量信号进行高精度融合的效果。
本发明提出了一种基于相对波动的自适应信号融合方法，该方法在传统随机加权融合算法的基础上，对最佳估计值进行优化。考虑到变量信号中信号的变化情况可以通过信号的波动值来反映，因此提出了相对波动值这一概念，并给出了相关的数学公式。本发明可以反映变量信号采集值实时变化的相对波动值，对最佳估计值进行自适应调整，以达到对变量信号高精度融合的效果。
实施例：
在实际中，一种基于相对波动的自适应信号融合方法，具体包括下列步骤：
1.利用不同传感器对同一目标进行信号数据的采集。
2.求当前采集信号的相对波动值。其中信号的相对波动值可以根据当前信号的波动值与上一时刻信号的波动值作差后得到；当前时刻的波动值可以理解为，当前时刻的信号采集值与历史采集值均值的相对变化情况。
3.根据当前信号的相对波动值来决定均衡因子的大小。当信号的相对波动值越大的时候，表示信号的变化速度越快，此时信号间的相互关系越弱，当前采集值的数值大小与历史采集值的数值大小的关系越弱，均衡因子越大；反之，当信号的相对波动值越小的时候，表示信号的变化速度越慢，此时信号间的相互关系越强，当前采集值的数值大小与历史采集值的数值大小的关系越强，均衡因子越小。其中均衡因子的变化情况对最佳估计值的精度的影响，如图2所示，图2为本发明自适应均衡因子α的取值对加权融合信号的均方误差的影响。而根据相对波动值所得到的均衡因子同最优均衡因子的偏差值，如图3所示，图3为本发明所求得的自适应均衡因子同最优均衡因子间的偏差。从图3中可以看出，根据相对波动值所得自适应均衡因子同最优均衡因子间的偏差可以被控制在一个较低的程度。
4.根据均衡因子的大小来求当前采集信号的最佳估计值。当均衡因子越大时，信号间的相互关系越弱，求当前采集信号的最佳估计值时，应该更多地考虑当前采集值的数值大小；反之，当均衡因子越小时，信号间的相互关系越强，求当前采集信号的最佳估计值时，应该更多地考虑历史采集值的数值大小。图4和图5分别展示了，本发明算法通过对单传感器所采集到的阶跃、轴承信号求最佳估计值达到的去噪结果，并将该结果同kalman滤波算法的去噪效结果进行了对比。图4为单传感器所采集到的含噪阶跃信号在分别经过本发明算法和kalman滤波算法后所得信号的去噪效果比较，图5为单传感器所采集到的含噪轴承信号在分别经过本发明算法和kalman滤波算法后所得信号的去噪效果比较。
5.根据信号的组间相关性求信号的最佳权重。
6.将不同传感器对同一目标所采集到的振动信号数据进行加权融合。图6和图7分别展示了，本发明算法、传统随机加权融合算法、基于kalman滤波的融合算法对多传感器所采集到的阶跃、轴承信号进行融合去噪后的结果，图6为多个传感器所采集到的含噪阶跃信号在分别经过本发明算法、传统随机加权融合算法和基于kalman滤波的融合算法后所得融合信号的去噪效果比较；图7为多个传感器所采集到的含噪轴承信号在分别经过本发明算法、传统随机加权融合算法和基于kalman滤波的融合算法后所得融合信号的去噪效果比较。
图8为本发明基于相对波动的自适应信号融合系统结构图。如图8所示，一种基于相对波动的自适应信号融合系统包括：
采样模块201，用于对变量信号进行采样，并分别向其中加入N组不同方差的高斯白噪声，得到变化后的变量信号；所述高斯白噪声用于模拟不同传感器所采集到信号的差异性；
波动值计算模块202，用于分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
相对波动值计算模块203，用于分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
自适应均衡因子计算模块204，用于根据所述相对波动值，分别计算N组所述变化后的变量信号的自适应均衡因子；
最佳估计值确定模块205，用于根据所述自适应均衡因子，得到N组更加接近真值的最佳估计值；
权值确定模块206，用于根据传统随机加权融合算法中的加权方法，得到所述最佳估计值在融合过程中对应的的权值；
融合信号确定模块207，用于根据所述权重值对N组所述最佳估计值进行加权融合，得到均方误差最小情况下的融合信号。
所述波动值计算模块202，具体包括：
波动值计算单元，用于采用公式
Figure BDA0002277097150000111
分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
其中，Yp(k)为波动值，p＝1,2,...,n，p为传感器，Xp(k)为第k个信号，Xp(i)为第i个信号。
所述相对波动值计算模块203，具体包括：
相对波动值计算单元，用于采用公式γp(k)＝(Yp(k)-Yp(k-1))分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
其中，γp(k)为相对波动值，Yp(k)为第k个信号点处的信号波动值，Yp(k-1)为第(k-1)个信号点处的波动值。
所述自适应均衡因子计算模块204，具体包括：
自适应均衡因子计算单元，用于根据所述相对波动值采用公式
Figure BDA0002277097150000112
分别计算N组所述变化后的变量信号的自适应均衡因子；
其中，γp(k)是信号在第k个信号点处的相对波动值；γ是相对波动值的阈值，αp(k)为第k个信号点处的自适应均衡因子。
最佳估计值确定模块205，具体包括：
最佳估计值确定单元，用于根据所述自适应均衡因子采用公式
Figure BDA0002277097150000121
对N组变量信号的估计值进行调整，得到N组更加接近真值的最佳估计值；
其中，αp为第p个传感器的自适应均衡因子，Xp(k)为k＝1时刻更加接近真值的最佳估计值，X'p(k)为k≥2时刻更加接近真值的最佳估计值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；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 (10)

1.一种基于相对波动的自适应信号融合方法，其特征在于，包括：
对变量信号进行采样，并分别向其中加入N组不同方差的高斯白噪声，得到变化后的变量信号；
分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
根据所述相对波动值，分别计算N组所述变化后的变量信号的自适应均衡因子；
根据所述自适应均衡因子，得到N组更加接近真值的最佳估计值；
根据传统随机加权融合算法中的加权方法，得到所述最佳估计值在融合过程中对应的的权值；
根据所述权重值对N组所述最佳估计值进行加权融合，得到均方误差最小情况下的融合信号。
2.根据权利要求1所述的基于相对波动的自适应信号融合方法，其特征在于，所述分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值，具体包括：
采用公式
Figure FDA0002277097140000011
分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
其中，Yp(k)为波动值，p＝1,2,...,n，p为传感器，Xp(k)为第k个信号，Xp(i)为第i个信号。
3.根据权利要求1所述的基于相对波动的自适应信号融合方法，其特征在于，所述分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值，具体包括：
采用公式γp(k)＝(Yp(k)-Yp(k-1))分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
其中，γp(k)为相对波动值，Yp(k)为第k个信号点处的信号波动值，Yp(k-1)为第(k-1)个信号点处的波动值。
4.根据权利要求1所述的基于相对波动的自适应信号融合方法，其特征在于，所述根据所述相对波动值，分别计算N组所述变化后的变量信号的自适应均衡因子，具体包括：
根据所述相对波动值采用公式
Figure FDA0002277097140000021
分别计算N组所述变化后的变量信号的自适应均衡因子；
其中，γp(k)是信号在第k个信号点处的相对波动值；γ是相对波动值的阈值，αp(k)为第k个信号点处的自适应均衡因子。
5.根据权利要求1所述的基于相对波动的自适应信号融合方法，其特征在于，所述根据所述自适应均衡因子，得到N组更加接近真值的最佳估计值，具体包括：
根据所述自适应均衡因子采用公式
Figure FDA0002277097140000022
对N组变量信号的估计值进行调整，得到N组更加接近真值的最佳估计值；
其中，αp为第p个传感器的自适应均衡因子，Xp(k)为k＝1时刻更加接近真值的最佳估计值，X'p(k)为k≥2时刻更加接近真值的最佳估计值。
6.一种基于相对波动的自适应信号融合系统，其特征在于，包括：
采样模块，用于对变量信号进行采样，并分别向其中加入N组不同方差的高斯白噪声，得到变化后的变量信号；
波动值计算模块，用于分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
相对波动值计算模块，用于分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
自适应均衡因子计算模块，用于根据所述相对波动值，分别计算N组所述变化后的变量信号的自适应均衡因子；
最佳估计值确定模块，用于根据所述自适应均衡因子，得到N组更加接近真值的最佳估计值；
权值确定模块，用于根据传统随机加权融合算法中的加权方法，得到所述最佳估计值在融合过程中对应的的权值；
融合信号确定模块，用于根据所述权重值对N组所述最佳估计值进行加权融合，得到均方误差最小情况下的融合信号。
7.根据权利要求6所述的基于相对波动的自适应信号融合系统，其特征在于，所述波动值计算模块，具体包括：
波动值计算单元，用于采用公式分别计算N组所述变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；
其中，Yp(k)为波动值，p＝1,2,...,n，p为传感器，Xp(k)为第k个信号，Xp(i)为第i个信号。
8.根据权利要求6所述的基于相对波动的自适应信号融合系统，其特征在于，所述相对波动值计算模块，具体包括：
相对波动值计算单元，用于采用公式γp(k)＝(Yp(k)-Yp(k-1))分别计算N组所述变化后的变量信号在k时刻的所述波动值相对于(k-1)时刻波动值的变化情况，得到相对波动值；
其中，γp(k)为相对波动值，Yp(k)为第k个信号点处的信号波动值，Yp(k-1)为第(k-1)个信号点处的波动值。
9.根据权利要求6所述的基于相对波动的自适应信号融合系统，其特征在于，所述自适应均衡因子计算模块，具体包括：
自适应均衡因子计算单元，用于根据所述相对波动值采用公式
Figure FDA0002277097140000041
分别计算N组所述变化后的变量信号的自适应均衡因子；
其中，γp(k)是信号在第k个信号点处的相对波动值；γ是相对波动值的阈值，αp(k)为第k个信号点处的自适应均衡因子。
10.根据权利要求6所述的基于相对波动的自适应信号融合系统，其特征在于，所述最佳估计值确定模块，具体包括：
最佳估计值确定单元，用于根据所述自适应均衡因子采用公式
Figure FDA0002277097140000042
对N组变量信号的估计值进行调整，得到N组更加接近真值的最佳估计值；
其中，αp为第p个传感器的自适应均衡因子，Xp(k)为k＝1时刻更加接近真值的最佳估计值，X'p(k)为k≥2时刻更加接近真值的最佳估计值。
CN201911126797.9A 2019-11-18 2019-11-18 一种基于相对波动的自适应信号融合方法及系统 Pending CN110852397A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911126797.9A CN110852397A (zh) 2019-11-18 2019-11-18 一种基于相对波动的自适应信号融合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911126797.9A CN110852397A (zh) 2019-11-18 2019-11-18 一种基于相对波动的自适应信号融合方法及系统

Publications (1)

Publication Number Publication Date
CN110852397A true CN110852397A (zh) 2020-02-28

Family

ID=69601865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911126797.9A Pending CN110852397A (zh) 2019-11-18 2019-11-18 一种基于相对波动的自适应信号融合方法及系统

Country Status (1)

Country Link
CN (1) CN110852397A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114328496A (zh) * 2021-12-31 2022-04-12 广东泰迪智能科技股份有限公司 一种中央空调云-边双端数据的降噪处理方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074496A1 (en) * 2004-09-30 2006-04-06 Taware Avinash V System and method for sensor validation and fusion
CN105975995A (zh) * 2016-05-26 2016-09-28 山东省计算中心（国家超级计算济南中心） 基于模糊偏好关系的多振动信号融合方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074496A1 (en) * 2004-09-30 2006-04-06 Taware Avinash V System and method for sensor validation and fusion
CN105975995A (zh) * 2016-05-26 2016-09-28 山东省计算中心（国家超级计算济南中心） 基于模糊偏好关系的多振动信号融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZONG MENG,ZOUZHOU PAN, ZIJUN CHEN,YING SHI: "Adaptive signal funsion based on relative fluctuations of variable signals" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114328496A (zh) * 2021-12-31 2022-04-12 广东泰迪智能科技股份有限公司 一种中央空调云-边双端数据的降噪处理方法与系统

Similar Documents

Publication Publication Date Title
CN105352535A (zh) 一种基于多传感器数据融合的测量方法
CN109696669B (zh) 一种相关噪声环境下事件触发的多传感器融合估计方法
CN104994539A (zh) 一种基于arima模型的无线传感器网络流量异常检测方法
CN107994885B (zh) 一种同时估计未知输入和状态的分布式融合滤波方法
CN106856594A (zh) 基于rssi的室内定位方法与系统
CN108957403B (zh) 一种基于广义互相关的高斯拟合包络时延估计方法及系统
CN112946641B (zh) 一种基于卡尔曼滤波新息与残差相关的数据滤波方法
CN108120452B (zh) Mems陀螺仪动态数据的滤波方法
CN113155210A (zh) 一种基于改进卡尔曼滤波的电磁流量测量系统信号处理方法
CN107292410A (zh) 隧道形变预测方法和装置
CN110850450A (zh) 一种卫星钟差参数的自适应估计方法
CN110988856B (zh) 一种基于密度聚类的目标检测点迹凝聚算法
CN112765550A (zh) 一种基于Wi-Fi信道状态信息的目标行为分割方法
CN107122724B (zh) 一种基于自适应滤波的传感器数据在线去噪的方法
CN110852440B (zh) 一种基于动态模糊神经网络的海洋锋预测方法
CN110852397A (zh) 一种基于相对波动的自适应信号融合方法及系统
CN105975995B (zh) 基于模糊偏好关系的多振动信号融合方法
US20110196615A1 (en) Processing of biological signals
CN117053838A (zh) 一种测距传感器测距结果校准方法
CN114297579B (zh) 一种基于循环平稳测度的盲源分离方法
JP6116398B2 (ja) 波形推定装置及び波形推定方法
CN107425928B (zh) 一种信号合成方法及系统
CN110858309B (zh) 一种多基准时钟加权合成方法
CN116954395B (zh) 基于多传感器融合的鼠标位移调控系统
Ran et al. Self-tuning weighted measurement fusion Kalman filter and its convergence

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200228

RJ01 Rejection of invention patent application after publication