CN115423022A - 基于多源传感器宽窄带数据的融合方法、系统及存储介质 - Google Patents
基于多源传感器宽窄带数据的融合方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115423022A CN115423022A CN202211071393.6A CN202211071393A CN115423022A CN 115423022 A CN115423022 A CN 115423022A CN 202211071393 A CN202211071393 A CN 202211071393A CN 115423022 A CN115423022 A CN 115423022A
- Authority
- CN
- China
- Prior art keywords
- sensor
- fusion
- band
- particle
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明属于传感器数据分析技术领域,尤其是涉及基于多源传感器宽窄带数据的融合方法、系统及存储介质,包括以下步骤:在融合周期T内,采集传感器的测量值并对其初始化,确定算法的各项参数,在搜索范围内随机初始化粒子当前的位置向量和速度向量,依次对该时刻的目标状态进行估计和融合,得到每个传感器的局域估计;将每个传感器的局域估计传送到融合中心,融合中心处理传感器节点的数据;当融合周期T时刻到达时得到目标状态基于全局估计信息的估计值。本发明使信息融合更准确地执行,使融合在信息源的可靠性、信息的冗余度和互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合。
Description
技术领域
本发明涉及传感器数据分析技术领域,尤其涉及基于多源传感器宽窄带数据的融合方法、系统及存储介质。
背景技术
随着现代技术的日益发展,利用多传感器数据融合技术获得更加全面、准确、可靠的环境态势信息越来越受到人们的关注。其中,分布式估计数据融合方法因其具有资源消耗低、可扩展性强、鲁棒性好等众多优点得到了长足的发展,并广泛地应用到了区域监视、目标定位等众多领域。然而,现有的分布式估计数据融合方法大多是针对同步传感器网络设计的,即要求多个传感器采样周期相同,初始偏差相同,且不存在通信延迟。事实上,这些要求在实际中很难得到满足。
目前有很多配电站房安装了设备运行状态监控设备,但站房中的监控系统往往是仅具有数据展示功能,而缺少数据分析算法,无法直观展示站房实际情况,另外目前站房中视频、图像等宽带数据及窄带传感器数据难以融合,同时网关通讯带宽不足、本地计算能力差,大量数据无法本地分析,大大降低了网关北向信道资源利用率。
公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
发明内容
本发明的目的是提出基于多源传感器宽窄带数据的融合方法、系统及存储介质,解决背景技术中存在的问题。
将本发明所提出的基于多源传感器宽窄带数据的融合方法、系统及存储介质应用于配电站房内设备运行状态监控系统,该算法解决的问题是面对站房中的监控系统仅具有数据展示功能,而缺少数据分析算法时,如何对传感器宽带数据和窄带数据进行融合来直观展示站房实际情况。
为了实现上述目的,本发明采用了如下技术方案:
基于多源传感器宽窄带数据的融合方法,包括以下步骤:
S1:在融合周期T内,采集传感器的测量值并对其初始化,确定算法的各项参数,在搜索范围内随机初始化粒子当前的位置向量和速度向量,其中粒子的维数d即为待选择传感器的数目N,依次对该时刻的目标状态进行估计和融合,得到每个传感器的局域估计;
S2:将每个传感器的局域估计传送到融合中心,所述融合中心处理传感器节点的数据,将来自传感器节点的数据融合为一个当前时刻点,并计算出各个传感器被使用的概率,按目标函数式计算每个粒子的适应值;
S3:融合中心返回当前时刻的位置到各传感器节点,传感器节点将其作为下一时刻初始值;
S4:当融合周期T时刻到达时得到目标状态基于全局估计信息的估计值。
进一步的,步骤S2中的处理步骤为:
1)将每个粒子的适应值与其经历过的最好值进行比较,如果更好,则将其作为当前粒子的个体最优值;
2)将每个粒子的个体最优值与群体最优值进行比较,如果更好则将其作为群体最优值;
3)更新每个粒子的速度和位置,若未达到终止条件则再次转到计算各个传感器被使用的概率,按目标函数式计算每个粒子的适应值。
进一步的,粒子群算法其数学公式可表示为:
θjd=ωθjd+c1rand1()(pjd-xjd)+c2rand2()(pkd-xjd) (1),
其中xjd表示粒子当前的位置向量,θjd表示粒子的运动向量,pjd表示粒子个体位置最优值,pkd表示群体最优值,j=1,2,…,m表示群落由m个粒子组成,k表示群体中个体位置最优值的个数,d=1,2,…,D表示d维空间,ω表示惯性权重,c1、c2表示非负学习常数,rand1()、rand2()表示介于[0,1]之间的随机数。
进一步的,对(1)式进行收敛,具体数据过程包括:进行粒子状态更新:
L=Z|xjd(t)-pt|,
xjd(t+1)=pd-Lln(1/u),
进一步的,步骤S1中采用多传感器对目标进行跟踪,各传感器有着不同的通信延迟,各传感器的测量方程可表示为:
本发明的目的之二是提供一种基于多源传感器宽窄带数据的融合系统,用于实现基于多源传感器宽窄带数据的融合方法。
一种基于多源传感器宽窄带数据的融合系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述基于多源传感器宽窄带数据的融合方法的步骤。
本发明的目的之三是提供一种存储介质,用于承载基于多源传感器宽窄带数据的融合方法的计算机程序,具有同样的技术效果。
一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序可被计算机读出,所述计算机程序被执行时实现上述基于多源传感器宽窄带数据的融合方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明在融合周期T内,通过融合各传感器观测到的测量值,得到每个传感器的局域估计;然后在融合中心将来自传感器节点的数据融合为一个当前时刻点,通过计算融合周期T时刻到达时目标状态基于全局估计信息的估计值,对目前站房中视频、图像等宽带数据及窄带传感器数据进行融合,使得站房内的实际情况可以直观展示,与现有技术相比,本发明使得信息融合更准确地执行,使融合在信息源的可靠性、信息的冗余度和互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合,提高了融合精度。
附图说明
图1为本发明中基于多源传感器宽窄带数据的融合方法的方法步骤图;
图2为本发明中基于多源传感器宽窄带数据的融合方法的数据融合结构;
图3为本发明中基于多源传感器宽窄带数据的融合方法的方法流程图。
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。
参照图1~3所示,基于多源传感器宽窄带数据的融合方法,包括以下步骤:
S1:在融合周期T内,采集传感器的测量值并对其初始化,确定算法的各项参数,在搜索范围内随机初始化粒子当前的位置向量和速度向量,其中粒子的维数d即为待选择传感器的数目N,依次对该时刻的目标状态进行估计和融合,得到每个传感器的局域估计;
S2:将每个传感器的局域估计传送到融合中心,所述融合中心处理传感器节点的数据,将来自传感器节点的数据融合为一个当前时刻点,并计算出各个传感器被使用的概率,按目标函数式计算每个粒子的适应值;
S3:融合中心返回当前时刻的位置到各传感器节点,传感器节点将其作为下一时刻初始值;
S4:当融合周期T时刻到达时得到目标状态基于全局估计信息的估计值。
本发明在融合周期T内,通过融合各传感器观测到的测量值,得到每个传感器的局域估计;然后在融合中心将来自传感器节点的数据融合为一个当前时刻点,通过计算融合周期T时刻到达时目标状态基于全局估计信息的估计值,对目前站房中视频、图像等宽带数据及窄带传感器数据进行融合,使得站房内的实际情况可以直观展示,与现有技术相比,本发明使得信息融合更准确地执行,使融合在信息源的可靠性、信息的冗余度和互补性以及进行融合的分级结构不确定的情况下,以近似最优的方式对传感器数据进行融合,提高了融合精度。
其中,步骤S2中采用粒子群算法,通过群体中不同粒子之间的相互合作和相互竞争来实现在寻优空间中的搜索过程以找到群体最优值,进而计算每个粒子的适应值。具体的处理步骤为:
1)将每个粒子的适应值与其经历过的最好值进行比较,如果更好,则将其作为当前粒子的个体最优值;
2)将每个粒子的个体最优值与群体最优值进行比较,如果更好则将其作为群体最优值;
3)更新每个粒子的速度和位置,若未达到终止条件则再次转到计算各个传感器被使用的概率,按目标函数式计算每个粒子的适应值。此处需要说明的是,终止条件为达到最大迭代次数或群体最优值满足最小界限。
具体的,粒子群算法其数学公式可表示为:
θjd=ωθjd+c1rand1()(pjd-xjd)+c2rand2()(pkd-xjd) (1),
其中xjd表示粒子当前的位置向量,θjd表示粒子的运动向量,pjd表示粒子个体位置最优值,pkd表示群体最优值,j=1,2,…,m表示群落由m个粒子组成,k表示群体中个体位置最优值的个数,d=1,2,…,D表示d维空间,ω表示惯性权重,非负数,ω值较大时,全局寻优的能力强,局部寻优的能力弱。反之,则局部寻优的能力强。c1、c2表示非负学习常数,如果c1=0,容易陷入局部最优解而无法跳出;如果c2=0,容易导致算法收敛速度缓慢;而c1、c2都不为0时,更容易保持收敛速度和搜索效果的均衡,是较好的选择。rand1()、rand2()表示介于[0,1]之间的随机数。
更具体的,对(1)式进行收敛,具体数据过程包括:进行粒子状态更新:
L=Z|xjd(t)-pt|,
xjd(t+1)=pd-Lln(1/u),
请继续参考步骤S1,步骤S1中采用多传感器对目标进行跟踪,各传感器有着不同的通信延迟,各传感器的测量方程可表示为:
本发明还提供一种基于多源传感器宽窄带数据的融合系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述基于多源传感器宽窄带数据的融合方法的步骤。
本发明还提供一种存储介质,用于承载基于多源传感器宽窄带数据的融合方法的计算机程序,具有同样的技术效果。所述存储介质上存储有计算机程序,所述计算机程序可被计算机读出,所述计算机程序被执行时实现上述基于多源传感器宽窄带数据的融合方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.基于多源传感器宽窄带数据的融合方法,其特征在于,包括以下步骤:
S1:在融合周期T内,采集传感器的测量值并对其初始化,确定算法的各项参数,在搜索范围内随机初始化粒子当前的位置向量和速度向量,其中粒子的维数d即为待选择传感器的数目N,依次对该时刻的目标状态进行估计和融合,得到每个传感器的局域估计;
S2:将每个传感器的局域估计传送到融合中心,所述融合中心处理传感器节点的数据,将来自传感器节点的数据融合为一个当前时刻点,并计算出各个传感器被使用的概率,按目标函数式计算每个粒子的适应值;
S3:融合中心返回当前时刻的位置到各传感器节点,传感器节点将其作为下一时刻初始值;
S4:当融合周期T时刻到达时得到目标状态基于全局估计信息的估计值。
2.根据权利要求1所述的基于多源传感器宽窄带数据的融合方法,其特征在于,所述步骤S2中的处理步骤为:
1)将每个粒子的适应值与其经历过的最好值进行比较,如果更好,则将其作为当前粒子的个体最优值;
2)将每个粒子的个体最优值与群体最优值进行比较,如果更好则将其作为群体最优值;
3)更新每个粒子的速度和位置,若未达到终止条件则再次转到计算各个传感器被使用的概率,按目标函数式计算每个粒子的适应值。
3.根据权利要求2所述的基于多源传感器宽窄带数据的融合方法,其特征在于,所述粒子群算法其数学公式可表示为:
θjd=ωθjd+c1rand1()(pjd-xjd)+c2rand2()(pkd-xjd) (1),
其中xjd表示粒子当前的位置向量,θjd表示粒子的运动向量,pjd表示粒子个体位置最优值,pkd表示群体最优值,j=1,2,…,m表示群落由m个粒子组成,k表示群体中个体位置最优值的个数,d=1,2,…,D表示d维空间,ω表示惯性权重,c1、c2表示非负学习常数,rand1()、rand2()表示介于[0,1]之间的随机数。
9.一种基于多源传感器宽窄带数据的融合系统,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1~8所述的基于多源传感器宽窄带数据的融合方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序可被计算机读出,所述计算机程序被执行时实现如权利要求1~8所述的基于多源传感器宽窄带数据的融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211071393.6A CN115423022A (zh) | 2022-09-02 | 2022-09-02 | 基于多源传感器宽窄带数据的融合方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211071393.6A CN115423022A (zh) | 2022-09-02 | 2022-09-02 | 基于多源传感器宽窄带数据的融合方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423022A true CN115423022A (zh) | 2022-12-02 |
Family
ID=84202898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211071393.6A Pending CN115423022A (zh) | 2022-09-02 | 2022-09-02 | 基于多源传感器宽窄带数据的融合方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423022A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117479194A (zh) * | 2023-12-27 | 2024-01-30 | 江西联创特种微电子有限公司 | 一种基于宽窄带通信的多源信息融合方法及系统 |
-
2022
- 2022-09-02 CN CN202211071393.6A patent/CN115423022A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117479194A (zh) * | 2023-12-27 | 2024-01-30 | 江西联创特种微电子有限公司 | 一种基于宽窄带通信的多源信息融合方法及系统 |
CN117479194B (zh) * | 2023-12-27 | 2024-04-02 | 江西联创特种微电子有限公司 | 一种基于宽窄带通信的多源信息融合方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khalkhali et al. | Multi-target state estimation using interactive Kalman filter for multi-vehicle tracking | |
CN103776453B (zh) | 一种多模型水下航行器组合导航滤波方法 | |
CN105717505B (zh) | 利用传感网进行多目标跟踪的数据关联方法 | |
WO2017161632A1 (zh) | 一种基于模型学习的清洁机器人最优目标路径规划方法 | |
CN104021674B (zh) | 一种快速准确预测车辆通过路段旅行时间的方法 | |
Song et al. | Online traffic flow prediction for edge computing-enhanced autonomous and connected vehicles | |
CN115423022A (zh) | 基于多源传感器宽窄带数据的融合方法、系统及存储介质 | |
CN113298191A (zh) | 基于个性化半监督在线联邦学习的用户行为识别方法 | |
CN109492703A (zh) | 一种步态的识别方法、系统及终端设备 | |
CN105654053B (zh) | 基于改进约束ekf算法的动态振荡信号参数辨识方法 | |
CN114781248A (zh) | 基于状态偏移矫正的离线强化学习方法及装置 | |
Oliehoek et al. | The decentralized POMDP framework | |
Chen et al. | A novel particle filtering for nonlinear systems with multi-step randomly delayed measurements | |
US20240012875A1 (en) | Method, system and computer readable medium for probabilistic spatiotemporal forecasting | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN107330468B (zh) | 基于切尔诺夫融合准则的多传感器分布式数据融合方法 | |
Park et al. | Improving Transferability for Cross-domain Trajectory Prediction via Neural Stochastic Differential Equation | |
EP4266004A1 (en) | User trajectory positioning method, electronic device and computer storage medium | |
CN115009291A (zh) | 基于网络演化重放缓冲区的自动驾驶辅助决策方法及系统 | |
CN113624239A (zh) | 基于层级可开关稀疏位姿图优化的激光建图方法及装置 | |
CN107590509B (zh) | 基于最大期望近似的切尔诺夫融合方法 | |
CN113192110A (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
CN114580578B (zh) | 具有约束的分布式随机优化模型训练方法、装置及终端 | |
CN113963551B (zh) | 基于协作定位的车辆定位方法、系统、设备及介质 | |
CN115187637B (zh) | 目标运动参数实时辨识方法、轨迹预估方法及装置 |
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 |