CN111626359A - 数据融合方法、装置、控制终端和船舶 - Google Patents
数据融合方法、装置、控制终端和船舶 Download PDFInfo
- Publication number
- CN111626359A CN111626359A CN202010464830.5A CN202010464830A CN111626359A CN 111626359 A CN111626359 A CN 111626359A CN 202010464830 A CN202010464830 A CN 202010464830A CN 111626359 A CN111626359 A CN 111626359A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- sensors
- sample set
- training sample
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000007499 fusion processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 57
- 230000004044 response Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 44
- 238000012706 support-vector machine Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000005259 measurement Methods 0.000 description 20
- 238000005457 optimization Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000009467 reduction Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B17/00—Vessels parts, details, or accessories, not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种数据融合方法、装置、控制终端和船舶，涉及船舶技术领域，包括获取多个传感器的采集数据；对采集数据进行滤波处理，得到滤波数据；获取每个传感器对应的传感器权重；其中，传感器权重是采用预设的机器学习方法确定的；基于传感器权重，对滤波数据进行数据融合处理，得到目标数据。本发明可以有效降低测量数据的噪声，提升数据融合的准确性。
Description
技术领域
本发明涉及船舶技术领域，尤其是涉及一种数据融合方法、装置、控制终端和船舶。
背景技术
目前，在船舶运营时，需要通过设置在船舶上的各类传感器测量船舶在航行时的数据，以便获得船舶实际航行时的运动响应。为了保证船舶在航行时获取的船舶数据的质量，尤其是对多传感器实时测量的数据，通常需要对数据进行滤波及融合处理，从而基于处理后的各类数据对船舶进行相应的控制。然而，由于传感器的精度不同，且在测量数据时通常会存在大量的噪声，导致对多传感器实时测量的数据，传感器的权值分配不当，给数据的融合与降噪处理增加了困难。
发明内容
本发明的目的在于提供一种数据融合方法、装置、控制终端和船舶，可以有效降低测量数据的噪声，提升数据融合的准确性。
第一方面，本发明实施例提供一种数据融合方法，包括：获取多个传感器的采集数据；对采集数据进行滤波处理，得到滤波数据；获取每个传感器对应的传感器权重；其中，传感器权重是采用预设的机器学习方法确定的；基于传感器权重，对滤波数据进行数据融合处理，得到目标数据。
在可选的实施方式中，对采集数据进行滤波处理的步骤，包括：对每个传感器的采集数据，通过改进的无迹卡尔曼滤波器进行滤波操作；改进的无迹卡尔曼滤波器为引入最优估计算子的无迹卡尔曼滤波器。
在可选的实施方式中，传感器用于采集船舶运动响应数据；获取每个传感器的传感器权重的步骤，包括：获取训练样本集；训练样本集包括多个数据对；每个数据对包括实测船舶运动响应数据和预估船舶运动响应数据；基于训练样本集通过支持向量机确定每个传感器的传感器权重；获取每个传感器对应的传感器权重。
在可选的实施方式中，基于训练样本集通过支持向量机确定每个传感器的传感器权重的步骤，包括：基于训练样本集以及预设的损失函数，采用凸二次规划方法对支持向量机进行训练，得到训练好的支持向量机；预设的损失函数包括不敏感损失函数；通过训练好的支持向量机确定每个传感器的传感器权重。
在可选的实施方式中，方法还包括：将当前测量的船舶运动响应数据加入训练样本集，得到更新后的训练样本集；基于更新后训练样本集通过支持向量机确定每个传感器的更新后的传感器权重。
在可选的实施方式中，传感器用于采集船舶运动响应数据；获取每个传感器对应的传感器权重的步骤，包括：获取训练样本集；训练样本集包括多个数据对；数据对包括实测船舶运动响应数据和预估船舶运动响应数据；通过训练样本集对预设的神经网络进行训练，得到训练好的神经网络；基于训练好的神经网络确定针对船舶运动响应数据的每个传感器的传感器权重；获取每个传感器对应的传感器权重。
在可选的实施方式中，通过如下公式进行数据融合处理，得到目标数据：
其中，m为传感器的个数；
为第j个传感器的传感器权重；
为第j个传感器的滤波数据；Y为目标数据。
第二方面，本发明实施例提供一种数据融合装置，装置包括：数据获取模块，用于获取多个传感器的采集数据；滤波模块，用于对采集数据进行滤波操作，得到滤波数据；权重确定模块，用于获取每个传感器对应的传感器权重；其中，传感器权重是采用预设的机器学习方法确定的；数据融合模块，用于基于传感器权重，对滤波数据进行数据融合处理，得到目标数据。
第三方面，本发明实施例提供一种控制终端；控制终端用于控制执行如前述实施方式任一项的方法。
第四方面，本发明实施例提供一种船舶，船舶上设置有如前述实施方式的控制终端以及多个传感器。
本发明提供的数据融合方法、装置、控制终端和船舶，该方法首先获取多个传感器的采集数据，通过对采集数据进行滤波处理，得到滤波数据，然后获取每个传感器对应的传感器权重(采用预设的机器学习方法确定)，最后基于传感器权重，对滤波数据进行数据融合处理，得到目标数据。上述方式首先通过对多个传感器的采集数据进行滤波处理，然后根据滤波数据通过预设的机器学习方法确定每个传感器权重，可以获得多个传感器的最优权值，最后基于滤波结果以及获得的传感器权重，对传感器数据进行信息融合，从而有效降低了测量数据中的测量噪声，提升了数据融合的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种数据融合方法的流程示意图；
图2为本发明实施例提供的一种具体的数据融合方法的流程示意图；
图3为本发明实施例提供的一种数据融合装置的结构示意图；
图4为本发明实施例提供的一种控制终端的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
考虑到现有的数据预处理方法通常采用内插法或外推法，对测量数据中的噪声通常采用传统数字滤波器进行简单的滤波处理，数据处理的结果很大程度上受滤波算法参数的影响，滤波算法参数选择往往依赖于工程经验，并具有很大的随机性，滤波算法参数选择不当，容易造成数据失真或滤波效果不够理想，尤其是对多传感器实时测量的数据，传感器的权值分配不当，给数据的融合与降噪处理更增加了困难。另外，基于统计学原理的机器学习算法进行数据挖掘时，常遭遇陷入局部最优等问题，且在线能力不够出众，不能实时学习系统的动态变化。基于上述问题，本发明实施例提供了一种数据融合方法、装置、控制装置及船舶，可以有效降低测量数据的噪声，提升数据融合的准确性。
为便于理解，首先对本发明实施例提供的一种数据融合方法进行详细介绍，参见图1所示的一种数据融合方法的流程示意图，该方法主要包括如下步骤S102至步骤S108：
步骤S102，获取多个传感器的采集数据。
传感器可以包括设置于船舶上的各类传感器，诸如流速仪、测深仪、陀螺仪、测速仪、转速仪、测力天平、流量计等。通过不同的传感器采集对应的采集数据，可以理解的是，一种采集数据可以通过一种传感器采集的数据进行确定，也可以通过多种传感器采集的数据进行确定。诸如，当测量水深时，可以采用一种传感器，诸如测深仪进行确定；当需要确定当前航行的船舶的船速，可以通过测速仪、转速仪等速度传感器采集的数据进行综合判断确定。在一种实施方式中，获取传感器的采集数据可以通过用户上传的方式进行获取，也可以通过传感器与控制终端之间无线通信的方式进行获取，此处不作具体限定。
步骤S104，对采集数据进行滤波处理，得到滤波数据。
由于采集数据与真实数据之间具有一定的误差，诸如，船舶行驶中产生的噪声，或者由于传感器的精度问题导致的测量误差，为了保证数据融合的准确性，需要对采集数据进行滤波处理。在一种实施方式中，可以选用卡尔曼滤波的方式度采集数据进行预处理，诸如对每一个传感器的采集数据(也可以称为测量数据)应用无迹卡尔曼滤波器(UnscentedKalman Filter，UKF)进行滤波处理，得到经过滤波处理后的滤波数据。鉴于传感器测量噪声受船舶运动响应的影响，即传感器噪声与量测噪声是相关的，可以通过引入最优估计算子，也即将相关性量测噪声用非相关高斯(Gauss)分布函数进行表示，每个传感器采用不同分布采样点的无迹变换(Unscented Transformation，UT)对无迹卡尔曼滤波器进行改进，以便降低相关噪声的影响。
步骤S106，获取每个传感器对应的传感器权重。
可以理解的是，传感器权重也可以理解为贡献比例，也即不同传感器对应同一种数据的影响权重，最终获得的实际数据可通过多个传感器的测量数据以及每个传感器对应的传感器权重进行确定。在一种实施方式中，传感器权重可以采用预设的机器学习方法进行确定，预设的机器学习方法诸如可以包括支持向量机、神经网络、深度学习的方法。
步骤S108，基于传感器权重，对滤波数据进行数据融合处理，得到目标数据。
在一种实施方式中，融合处理可以通过如下公式进行数据融合处理，得到目标数据：
其中，m为传感器的个数；
为第j个传感器的传感器权重；
为第j个传感器的滤波数据；Y为目标数据。在一种实施方式中，当传感器选择无迹卡尔曼滤波器时，可以通过将传感器权重代入无迹卡尔曼滤波器的滤波输出(也即滤波数据)的方法，则
为第j个传感器的无迹卡尔曼滤波器的滤波输出，
为各传感器的最优分配权值。
本发明实施例提供的数据融合方法，首先通过对多个传感器的采集数据进行滤波处理，然后根据滤波数据通过预设的机器学习方法确定每个传感器权重，可以获得多个传感器的最优权值，最后基于滤波结果以及获得的传感器权重，对传感器数据进行信息融合，从而有效降低了测量数据中的测量噪声，提升了数据融合的准确性。
为便于对滤波操作进行理解，上述对每个传感器的采集数据，通过改进的无迹卡尔曼滤波器(引入最优估计算子的无迹卡尔曼滤波器)进行滤波操作，可以具体参照如下公式(1)至公式(11)：
假定非线性系统可以表示为：
式中，k表示测量的第k时刻；f为非线性状态方程函数；h是非线性观测方程函数；W为状态噪声，假定其协方差为Q；V为观测噪声，假定其协方差为R。
选择对称分布采样的UT变换，计算2n+1个sigma点，则有：
式中，i＝1,2,…,2n+1；P(k|k)为系统状态X在k时刻的统计方差；n为采样点的个数；λ为比例参数，其计算如下：
λ＝ω2(n+κ)-n (3)
式中，参数κ确保协方差矩阵的半正定性；参数ω用来控制采样点的分布状态。
计算采样点的权值：
式中，下标m表示均值，c表示协方差；上标表示第几个采样点；δ>0为非负参数，用以考虑高阶动差；β为UKF的采样点权值。
计算采样点集的一步预测值：
Xi(k+1|k)＝f(k,Xi(k|k)) (5)
式中，上标i表示第i个采样点。
计算系统状态变量的一部预测及协方差矩阵：
式中，
表示状态X在已知k时刻信息的前提下第k+1时刻的估计量；Pz＝P(k+1|k)是状态的估计方差；||.||表示范数。
根据一步预测值，再次应用UT变换，对采样的sigma点集进行更新：
将新的sigma点集，根据式(4)计算其新的权值，同时将新的点集代入式(1)中的观测方程，得到预测的新的观测量：
加权求和，得到系统的预测均值与方差：
计算增益矩阵：
计算系统的估计状态与输出：
在一种实施方式中，传感器用于采集船舶运动响应数据，诸如船舶运动的速度、加速度、位置等，则上述获取每个传感器的传感器权重的步骤可以包括如下步骤1和步骤2：
步骤1，获取训练样本集。训练样本集包括多个数据对，每个数据对包括实测船舶运动响应数据和预估船舶运动响应数据，其中，实测船舶运动响应数据为传感器实际测量得到的船舶运动响应数据，可以理解的是，该实测船舶运动运动响应数据中包含有由于传感器精度造成的误差及以及测量时的噪声，预估船舶运动响应数据为理想状态下不包括传感器精度造成的误差及以及测量时的噪声的船舶运动响应数据。训练样本集可以通过(xi,yi)表示，表示第i个目标输入-输出样本，其中xi是m维向量，每一个元素是对应传感器的测量值(也即实测船舶运动响应数据)，诸如可以由模型试验数据或仿真数据得到，yi为第i个目标输出样本，是船舶运动数据的理论无噪声值(也即预估船舶运动响应数据)。
步骤2，基于训练样本集通过支持向量机确定每个传感器的传感器权重；获取每个传感器对应的传感器权重。该步骤进一步包括步骤2.1和步骤2.2：
步骤2.1，基于训练样本集以及预设的损失函数，采用凸二次规划方法对支持向量机进行训练，得到训练好的支持向量机。其中，预设的损失函数包括不敏感损失函数，该不敏感损失函数可以通过如下公式(12)表示：
其中，f(x)表示假定的待优化的目标映射，即f(xi)＝yi；yi为第i个目标输出样本，是船舶运动数据的理论无噪声值；ε为不敏感损失函数的参数。通过采用不敏感损失函数，可以在获得各分布传感器的最优权值时避免陷入局部最优问题。
具体的，采用凸二次规划方法对支持向量机进行训练，得到训练好的支持向量机可以采用如下公式(13)至公式(17)：
基于构造的训练样本(xi,yi)i＝1,2,3,…l，定义原始目标优化问题：
subject to[＜w,Φ(xi)＞+b]-yi≤ε+ξi
式中，Φ(x)表示高维非线性映射，将向量x映射到Hilbert空间；C>0为惩罚因子，表示对样本偏离ε误差的惩罚；ξ和ξ*为松弛因子。
引入Lagrange函数(也即拉格朗日函数)：
根据对偶定理，则对原始目标函数的优化问题式(13)的求解就转化为求解Lagrange函数式(14)的鞍点问题：
式中，
为Lagrange乘子。
根据最优性KKT(英文全称：Kuhn-Tucker conditions)条件：
将式(16)代入式(15)，则构造的凸二次规划问题表示为：
式中，J为构造的目标优化函数；<·,·>表示向量的内积。
随着测量的进行，为适应船舶运动的非线性变化，可以采用丢弃法将新测量的新数据代替所构造的凸优化问题中的历史数据，对新构造凸优化问题进行迭代更新。其中，丢弃法的具体做法可以为具体做法：根据传感器新测量的数据，对已有的训练样本集中的支持向量样本，加入新测量的数据样本，计算其核函数矩阵K(xi,xj)，根据计算的核函数矩阵，进行主成分分析，保持初始核函数矩阵的规模不变，根据主成分分析结果，对训练样本进行排列，舍弃影响较小的样本。
为了提高求解效率，应用序列二次规划思想将式(6)最终降维化简为一系列二次规划问题，具体如下：
定义参数：
根据最优性条件得：
代入式(6)，得：
式中，K为选定的核函数，其计算为K(xi,xj)＝<Φ(xi),Φ(xj)>。
根据序列最优最小化的方法，假定第k步，选定两个违反KKT条件的两个算子
构造该迭代步求解的最小二次规划的工作集
将式(18)变换得到最小二次规划的表达式为：
式中，为区别取值，将
用σu,σv代替表示。
利用核函数矩阵的对称性，并且利用在对选定的两个Lagrange乘子进行优化求解时其余的乘子不变的性质，则将上式进一步简化得：
subject to max(γ-C,-C)≤σ1≤min(C,γ+C) (20)
对式(20)进行求解，可得该二次规划问题的近似解析解：
式中：*表示未更新的旧值；sgn表示符号函数；η由下式计算得到
η＝K(x2,x2)+K(x1,x1)-2K(x1,x2) (22)
依次迭代求解，得到原始优化问题的最优解，也即公式(13)的最优解。
步骤2.2，通过训练好的支持向量机确定每个传感器的传感器权重。通过训练好的支持向量机采用上述获得的最优解，确定每个传感器的传感器权重。诸如，可以通过训练好的支持向量机学习得到的训练样本输出标记为：
其中，
为支持向量机最优的σ算子，
为支持向量机输出目标函数的偏置值。由多传感器的信息融合输出：
构造线性代数方程组为：
即：
求解该线性代数方程组，可获得满足全局最优要求的分配权值
(也即传感器权重)。
在另一种实施方式中，可以采用预设的神经网络获取每个传感器对应的传感器权重的步骤，该传感器同样用于采集船舶运动响应数据，该实施方式获取每个传感器权重可以通过如下步骤(1)至步骤(4)：
步骤(1)，获取训练样本集。训练样本集包括多个数据对，数据对包括实测船舶运动响应数据和预估船舶运动响应数据。该训练样本集与上述基于凸二次规划的支持向量机采用的训练样本集相同，此处不再赘述。
步骤(2)，通过训练样本集对预设的神经网络进行训练，得到训练好的神经网络。上述预设的神经网络可以根据实际情况进行选取，此处不作具体限定。
步骤(3)，基于训练好的神经网络确定针对船舶运动响应数据的每个传感器的传感器权重。实际应用中，由于每种船舶运动响应数据均不止一种滤波器进行采集，诸如，船舶上设置有1000个传感器，这1000个传感器可能都会用到，只是针对同种采集数据每个传感器对应的权重不同，当需要确定船速时，对于一些测量船速的传感器，最终分配的权重可能大些，同时也有可能受到主机转速的一些影响。因此，通过确定每种传感器的权重，可以根据传感器权重进行融合，确定最终的船舶响应数据。
步骤(4)，获取每个传感器对应的传感器权重。通过训练好的神经网络确定传感器权重后，可以通过上传、无线传输等方式获取每个传感器对应的传感器权重，以便后续基于该传感器权重进行数据融合处理。
此外，为了提升数据融合的准确性，还可以在船舶航行时将当前测量的船舶运动响应数据加入训练样本集，得到更新后的训练样本集，并基于更新后训练样本集通过支持向量机确定每个传感器的更新后的传感器权重。此时，可以通过更新的传感器权重进一步进行数据融合，以便进一步提升降低测量数据的噪声，提升数据融合的准确性。
综上，为了便于理解，本实施例给出了一种船舶运动响应数据融合的整体流程图，参见图2所示的一种具体的数据融合方法的流程示意图，该流程图示意出了本实施例对船舶运动响应数据的融合处理，具体可参见如下步骤S202至步骤S212：
步骤S202，基于读取的各传感器的测量数据，应用改进的无迹卡尔曼滤波器(UKF)进行预处理。
步骤S204，然后基于读取的各传感器的测量数据，应用凸优化理论构造凸二次规划问题。
步骤S206，通过凸二次规划问题，采用序列二次规划思想进行降维处理，确定凸优化问题的最优解。
步骤S208，基于获得的凸优化问题的最优解，得到各传感器的最优分配权值。
步骤S210，将获得的最优权值代入UKF的滤波输出，得到当前时刻基于多传感器信息融合滤波的船舶运动响应实测数据。
步骤S212，采用丢弃法对权值进行更新求解，并基于构造的新的样本数据，代入进行计算，对传感器的权值进行更新。
上述步骤S202至步骤S212在具体实施时，为简要描述，部分未提及之处，可参考参见前述实施例的数据融合方法，此处不再赘述。
该实施例在对船舶响应数据进行数据融合时，应用基于凸优化理论的机器学习算法对分布式多传感器的测量数据进行信息融合滤波，能够得到传感器的全局最优分配权值，比传统的权值分配方法更加合理准确。在应用机器学习算法(也即卡尔曼滤波+凸优化理论)进行学习求解时，采用丢弃法将实时测量数据加入到新的训练数据中，能够对传感器权值进行实时更新，以适应船舶运动的实时变化。将机器学习算法与改进的无迹卡尔曼滤波器进行结合，充分考虑应用传感器测量船舶运动响应数据时传感器噪声与量测噪声相互干扰的影响，避免了传统滤波器假定传感器输入噪声与量测噪声相互独立的局限性。同时由于应用机器学习算法对构造的凸优化问题进行计算求解时，应用序列二次规划思想进行降维，因此整个计算过程可以在较短时间内完成，提高了整个滤波算法的计算效率，因此整个计算过程依然较为快速高效，能够满足船舶航行操控的实时需求，同时提高了数据的滤波降噪精度，保证了数据融合的准确性。
对于上述数据融合方法，本发明实施例提供了一种数据融合装置，参见图3所示的一种数据融合装置的结构示意图，该装置主要包括以下部分：
数据获取模块302，用于获取多个传感器的采集数据；
滤波模块304，用于对采集数据进行滤波操作，得到滤波数据；
权重确定模块306，用于获取每个传感器对应的传感器权重；其中，传感器权重是采用预设的机器学习方法确定的；
数据融合模块308，用于基于传感器权重，对滤波数据进行数据融合处理，得到目标数据。
本发明实施例提供的数据融合装置，首先通过对多个传感器的采集数据进行滤波处理，然后根据滤波数据通过预设的机器学习方法确定每个传感器权重，可以获得多个传感器的最优权值，最后基于滤波结果以及获得的传感器权重，对传感器数据进行信息融合，从而有效降低了测量数据中的测量噪声，提升了数据融合的准确性。
在一种实施方式中，上述滤波模块304，进一步用于对每个传感器的采集数据，通过改进的无迹卡尔曼滤波器进行滤波操作；改进的无迹卡尔曼滤波器为引入最优估计算子的无迹卡尔曼滤波器。
在一种实施方式中，传感器用于采集船舶运动响应数据；上述权重确定模块306，进一步用于获取训练样本集；训练样本集包括多个数据对；每个数据对包括实测船舶运动响应数据和预估船舶运动响应数据；基于训练样本集通过支持向量机确定每个传感器的传感器权重；获取每个传感器对应的传感器权重。
在一种实施方式中，上述权重确定模块306，进一步用于基于训练样本集以及预设的损失函数，采用凸二次规划方法对支持向量机进行训练，得到训练好的支持向量机；预设的损失函数包括不敏感损失函数；通过训练好的支持向量机确定每个传感器的传感器权重。
在一种实施方式中，上述装置还包括：更新模块，用于将当前测量的船舶运动响应数据加入训练样本集，得到更新后的训练样本集；基于更新后训练样本集通过支持向量机确定每个传感器的更新后的传感器权重。
在一种实施方式中，传感器用于采集船舶运动响应数据；上述权重确定模块306，进一步用于获取训练样本集；训练样本集包括多个数据对；数据对包括实测船舶运动响应数据和预估船舶运动响应数据；通过训练样本集对预设的神经网络进行训练，得到训练好的神经网络；基于训练好的神经网络确定针对船舶运动响应数据的每个传感器的传感器权重；获取每个传感器对应的传感器权重。
在一种实施方式中，上述数据融合模块308，进一步用于通过如下公式进行数据融合处理，得到目标数据：
其中，m为传感器的个数；
为第j个传感器的传感器权重；
为第j个传感器的滤波数据；Y为目标数据。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种控制终端，具体的，该控制终端包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如上实施方式的任一项的方法。
图4为本发明实施例提供的一种控制终端的结构示意图，该控制终端100包括：处理器40，存储器41，总线42和通信接口43，处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(RAM，RandomAccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，处理器40在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
本发明实施例提供了一种船舶，具体的，该船舶包括上述控制终端，该控制终端包括如上实施方式的任一项的方法，还包括与控制终端相连接的多种传感器，传感器用于采集船舶运行时的多种船舶响应数据。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种数据融合方法，其特征在于，包括：
获取多个传感器的采集数据；
对所述采集数据进行滤波处理，得到滤波数据；
获取每个所述传感器对应的传感器权重；其中，所述传感器权重是采用预设的机器学习方法确定的；
基于所述传感器权重，对所述滤波数据进行数据融合处理，得到目标数据。
2.根据权利要求1所述的方法，其特征在于，所述对所述采集数据进行滤波处理的步骤，包括：
对每个所述传感器的所述采集数据，通过改进的无迹卡尔曼滤波器进行滤波操作；所述改进的无迹卡尔曼滤波器为引入最优估计算子的无迹卡尔曼滤波器。
3.根据权利要求1所述的方法，其特征在于，所述传感器用于采集船舶运动响应数据；
所述获取每个所述传感器的传感器权重的步骤，包括：
获取训练样本集；所述训练样本集包括多个数据对；每个所述数据对包括实测船舶运动响应数据和预估船舶运动响应数据；
基于所述训练样本集通过支持向量机确定每个所述传感器的所述传感器权重；
获取每个所述传感器对应的所述传感器权重。
4.根据权利要求3所述的方法，其特征在于，所述基于所述训练样本集通过支持向量机确定每个所述传感器的所述传感器权重的步骤，包括：
基于所述训练样本集以及预设的损失函数，采用凸二次规划方法对所述支持向量机进行训练，得到训练好的支持向量机；所述预设的损失函数包括不敏感损失函数；
通过所述训练好的支持向量机确定每个所述传感器的所述传感器权重。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将当前测量的船舶运动响应数据加入所述训练样本集，得到更新后的训练样本集；
基于所述更新后的训练样本集通过支持向量机确定每个所述传感器的更新后的传感器权重。
6.根据权利要求1所述的方法，其特征在于，所述传感器用于采集船舶运动响应数据；所述获取每个所述传感器对应的传感器权重的步骤，包括：
获取训练样本集；所述训练样本集包括多个数据对；所述数据对包括实测船舶运动响应数据和预估船舶运动响应数据；
通过所述训练样本集对预设的神经网络进行训练，得到训练好的神经网络；
基于所述训练好的神经网络确定针对所述船舶运动响应数据的每个所述传感器的所述传感器权重；
获取每个所述传感器对应的所述传感器权重。
7.根据权利要求1所述的方法，其特征在于，通过如下公式进行数据融合处理，得到所述目标数据：
其中，m为所述传感器的个数；
为第j个传感器的所述传感器权重；
为第j个传感器的所述滤波数据；Y为所述目标数据。
8.一种数据融合装置，其特征在于，所述装置包括：
数据获取模块，用于获取多个传感器的采集数据；
滤波模块，用于对所述采集数据进行滤波操作，得到滤波数据；
权重确定模块，用于获取每个所述传感器对应的传感器权重；其中，所述传感器权重是采用预设的机器学习方法确定的；
数据融合模块，用于基于所述传感器权重，对所述滤波数据进行数据融合处理，得到目标数据。
9.一种控制终端；所述控制终端用于控制执行如权利要求1至7任一项所述的方法。
10.一种船舶，其特征在于，所述船舶上设置有如权利要求9所述的控制终端以及多个传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010464830.5A CN111626359A (zh) | 2020-05-27 | 2020-05-27 | 数据融合方法、装置、控制终端和船舶 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010464830.5A CN111626359A (zh) | 2020-05-27 | 2020-05-27 | 数据融合方法、装置、控制终端和船舶 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111626359A true CN111626359A (zh) | 2020-09-04 |
Family
ID=72272685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010464830.5A Pending CN111626359A (zh) | 2020-05-27 | 2020-05-27 | 数据融合方法、装置、控制终端和船舶 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626359A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112463378A (zh) * | 2020-11-27 | 2021-03-09 | 北京浪潮数据技术有限公司 | 一种服务器资产扫描方法、系统、电子设备及存储介质 |
| CN112465193A (zh) * | 2020-11-09 | 2021-03-09 | 苏州挚途科技有限公司 | 多传感器数据融合的参数优化方法及装置 |
| CN113283511A (zh) * | 2021-05-28 | 2021-08-20 | 西安理工大学 | 一种基于权重预分配的多源信息融合方法 |
| CN113703024A (zh) * | 2021-07-16 | 2021-11-26 | 交通运输部水运科学研究所 | 一种基于北斗的小型船舶动态管理系统及管理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105467382A (zh) * | 2015-12-31 | 2016-04-06 | 南京信息工程大学 | 基于svm的多传感器的目标跟踪数据融合算法及其系统 |
| CN109829410A (zh) * | 2019-01-23 | 2019-05-31 | 东南大学 | 一种基于多传感器信息融合的竖向车轮力识别方法 |
| CN109917151A (zh) * | 2019-02-01 | 2019-06-21 | 山东省科学院海洋仪器仪表研究所 | 一种基于动态权值分配的船舶相对风融合算法 |
-
2020
- 2020-05-27 CN CN202010464830.5A patent/CN111626359A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105467382A (zh) * | 2015-12-31 | 2016-04-06 | 南京信息工程大学 | 基于svm的多传感器的目标跟踪数据融合算法及其系统 |
| CN109829410A (zh) * | 2019-01-23 | 2019-05-31 | 东南大学 | 一种基于多传感器信息融合的竖向车轮力识别方法 |
| CN109917151A (zh) * | 2019-02-01 | 2019-06-21 | 山东省科学院海洋仪器仪表研究所 | 一种基于动态权值分配的船舶相对风融合算法 |
Non-Patent Citations (3)
| Title |
|---|
| 王岩等: "《无线传感器网络能耗均衡路由及非视距移动节点定位研究》" * |
| 蔡世清等: "基于支持向量机的多传感器数据融合算法", 《计算机工程与设计》 * |
| 郭颜萍等: "船舶相对风的融合算法研究", 《舰船科学技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465193A (zh) * | 2020-11-09 | 2021-03-09 | 苏州挚途科技有限公司 | 多传感器数据融合的参数优化方法及装置 |
| CN112465193B (zh) * | 2020-11-09 | 2024-07-19 | 苏州挚途科技有限公司 | 多传感器数据融合的参数优化方法及装置 |
| CN112463378A (zh) * | 2020-11-27 | 2021-03-09 | 北京浪潮数据技术有限公司 | 一种服务器资产扫描方法、系统、电子设备及存储介质 |
| CN112463378B (zh) * | 2020-11-27 | 2023-12-22 | 北京浪潮数据技术有限公司 | 一种服务器资产扫描方法、系统、电子设备及存储介质 |
| CN113283511A (zh) * | 2021-05-28 | 2021-08-20 | 西安理工大学 | 一种基于权重预分配的多源信息融合方法 |
| CN113283511B (zh) * | 2021-05-28 | 2023-12-05 | 广东中科新微安全科技有限公司 | 一种基于权重预分配的多源信息融合方法 |
| CN113703024A (zh) * | 2021-07-16 | 2021-11-26 | 交通运输部水运科学研究所 | 一种基于北斗的小型船舶动态管理系统及管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626359A (zh) | 数据融合方法、装置、控制终端和船舶 | |
| WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
| CN113886973B (zh) | 基于虚实映射的船舶航速处理方法、装置及处理设备 | |
| GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
| CN112085789B (zh) | 位姿估计方法、装置、设备及介质 | |
| CN112906282B (zh) | Sanger神经网络并行主元抽取的工作模态参数识别方法和系统 | |
| CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
| CN113592060A (zh) | 一种神经网络优化方法以及装置 | |
| CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
| CN113281790A (zh) | 一种北斗卫星钟差预报方法及装置 | |
| CN115081307A (zh) | 一种基于神经网络的气象数值模式同化方法及装置 | |
| CN117541023A (zh) | 一种基于bim的桥梁施工进度管理方法及系统 | |
| CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
| CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
| CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
| CN116128882B (zh) | 基于不平衡数据集的电机轴承故障诊断方法、设备及介质 | |
| CN115169721A (zh) | 一种基于迁移辨识的精馏过程单吨能耗预测方法及系统 | |
| CN113001546B (zh) | 一种提高工业机器人运动速度安全性的方法及系统 | |
| CN115146416A (zh) | 一种工程机械液压系统模型参数辨识方法、装置和挖掘机 | |
| CN114997271A (zh) | 一种水电机组故障的智能诊断方法及系统 | |
| CN116486185A (zh) | 油井工况识别方法、装置、设备和存储介质 | |
| CN112580845A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
| CN115859201B (zh) | 一种化工过程故障诊断方法及系统 | |
| CN110597203A (zh) | 一种基于多gpu并行crpf的故障诊断方法 | |
| CN113191082B (zh) | 基于机器学习的模型参数获取方法、系统及可读介质 |
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: 20200904 |
|
| RJ01 | Rejection of invention patent application after publication |