CN116756487A - 一种基于迭代修正优化的多传感器控制系统数据融合方法 - Google Patents
一种基于迭代修正优化的多传感器控制系统数据融合方法 Download PDFInfo
- Publication number
- CN116756487A CN116756487A CN202310565588.4A CN202310565588A CN116756487A CN 116756487 A CN116756487 A CN 116756487A CN 202310565588 A CN202310565588 A CN 202310565588A CN 116756487 A CN116756487 A CN 116756487A
- Authority
- CN
- China
- Prior art keywords
- value
- measured
- abnormal
- control system
- measured values
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000009471 action Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于迭代修正优化的多传感器控制系统数据融合方法,包括步骤:一、修正多个传感器采集的数据;二、自适应权值分配;三、多传感器控制系统数据融合输出。本发明针对控制系统中各个传感器给出的实时测量值,能够检测出异常值且在不影响正常值的基础上对其进行修正,而后结合测量值之间的信任度快速进行权值分配并输出融合结果,与固定加权融合算法相比,具有迭代修正优化功能的自适应加权融合功能,能够根据实测数据判断各测量值的偏差程度,进而检测并修正实测数据组中的异常值,充分利用到每一个输出信息,最后确定出恰当的权值分配策略,具有较强的实时性、容错性和鲁棒性,且融合精度高、系统计算量小。
Description
技术邻域
本发明属于数据融合技术邻域,具体涉及一种基于迭代修正优化的多传感器控制系统数据融合方法。
背景技术
由多个异质传感器构成的控制系统是一种信息控制系统,它能够敏感更多的环境信息,从而提高控制系统的抗干扰能力和动作可靠度。各个传感器工作机理各不相同,分别敏感不同的环境信息,经过自身的数据处理,将环境信息转换为系统的控制信息。不同传感器给出的控制信息具有数据融合所要求的冗余性、相关性和互补性,因此,多传感器控制系统是一个具有多信源的数据融合系统。系统控制设备对各个传感器给出的控制信息进行综合处理后,给出最终的动作信号。综上所述,多传感器控制系统的决策过程可以归纳为如何利用各传感器的局部决策值和先验信息来对系统的总体动作信号进行决策的过程,即采取何种算法进行数据融合的问题。在多传感器控制系统中,各个传感器的敏感信息、工作机理、抗干扰能力以及测量精度各不相同。当利用不同类型的传感器探测目标以获取多方面的信息,将得到比单一传感器更准确的目标状态估计。信息控制系统中通常采取的融合决策模式主要有简单算术平均法和最小均方误差法两种。其中最小均方误差法利用了各传感器的先验精度信息,其融合决策结果具有统计意义上的最小方差。归纳起来,这两种方法均是在系统工作之前就对各个传感器赋予了固定权值,计算量小,但是当系统中个别传感器,特别是高精度传感器受到干扰而给出异常测量值时,融合结果可能出现较大偏差。因此,如何在不显著增加算法计算量的前提下提高系统的鲁棒性,成为多传感器控制系统改进工作中的热点。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于迭代修正优化的多传感器控制系统数据融合方法,针对控制系统中各个传感器给出的实时测量值,能够检测出异常值且在不影响正常值的基础上对其进行修正,而后结合测量值之间的信任度快速进行权值分配并输出融合结果,与固定加权融合算法相比,具有迭代修正优化功能的自适应加权融合功能,能够根据实测数据判断各测量值的偏差程度,进而检测并修正实测数据组中的异常值,充分利用到每一个输出信息,最后确定出恰当的权值分配策略,具有较强的实时性、容错性和鲁棒性,且融合精度高、系统计算量小,便于推广使用。
为解决上述技术问题,本发明采用的技术方案是:一种基于迭代修正优化的多传感器控制系统数据融合方法,其特征在于,该方法包括以下步骤:
步骤一、修正多个传感器采集的数据,过程如下:
步骤101、获取控制系统中各个传感器采集测量值Hm,其中,m为各个传感器的编号且m=1,2,...,N,N为传感器总数;
步骤102、根据公式计算各测量值之间的差值dm,n、Hm到各测量值之间的平均距离/>所有测量值之间的平均距离/>以及所有测量值的平均值/>其中,n的取值范围与m相同;
步骤103、根据测量值是否在所有测量值的平均值的一个邻域/>内,判断该测量值是否为异常值;
所有测量值的平均值的一个邻域/>范围为/>
当测量值在所有测量值的平均值H的一个邻域内时,该测量值为正常值,保留正常值;当测量值在所有测量值的平均值/>的一个邻域/>外时,该测量值为异常值,记录所有异常值的编号i,构建一个集合S,/>并对所述异常值进行修正,执行步骤104;
步骤104、根据公式修正异常的测量值Hi,获取异常的测量值Hi的修正值Hi',利用Hi'替换对应的异常的测量值Hi;
步骤105、重复步骤102至步骤104,重复过程中只需检验Hi是否处在更新后的邻域范围内,上一轮判定为正常值的测量值无需再参与下一轮检验,若异常的测量值Hi检验通过,则认为传感器i的输出值已修正为正常值,在集合S中将其序号元素移除,循环上述过程直至集合
其中,每次循环步骤102至步骤104时,均需计算所有测量值之间的差值、新的Hm到各测量值之间的平均距离、所有测量值之间的平均距离、以及所有测量值的平均值,更新邻域范围;
步骤二、自适应权值分配,过程如下:
步骤201、根据公式计算修正后的测量值Hn对修正后的测量值Hm的信任度Ln(Hm),其中,Δn为门限值;
步骤202、根据公式计算修正后的测量值Hm获得的总信任度m(Hm);
步骤203、根据公式对m(Hm)进行变换,获取变换后的信任度
步骤204、根据公式获取修正后的测量值Hm的权值ωm,其中,∑ωm=1;
步骤三、多传感器控制系统数据融合输出:根据公式获取多传感器控制系统数据融合输出H0。
上述的一种基于迭代修正优化的多传感器控制系统数据融合方法,其特征在于:所述门限值 为Hn到各测量值之间的平均距离,/>与/>的获取过程相同。
本发明的有益效果是,针对控制系统中各个传感器给出的实时测量值,能够检测出异常值且在不影响正常值的基础上对其进行修正,而后结合测量值之间的信任度快速进行权值分配并输出融合结果,与固定加权融合算法相比,具有迭代修正优化功能的自适应加权融合方法能够根据实测数据判断各测量值的偏差程度,进而检测并修正实测数据组中的异常值,充分利用到每一个输出信息,最后确定出恰当的权值分配策略,具有较强的实时性、容错性和鲁棒性,且融合精度高、系统计算量小,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图2为本发明密集数据与离群数据示意图。
具体实施方式
如图1和图2所示,本发明的一种基于迭代修正优化的多传感器控制系统数据融合方法,包括以下步骤:
步骤一、修正多个传感器采集的数据,过程如下:
步骤101、获取控制系统中各个传感器采集测量值Hm,其中,m为各个传感器的编号且m=1,2,...,N,N为传感器总数;
步骤102、根据公式计算各测量值之间的差值dm,n、Hm到各测量值之间的平均距离/>所有测量值之间的平均距离/>以及所有测量值的平均值/>其中,n的取值范围与m相同;
步骤103、根据测量值是否在所有测量值的平均值的一个邻域/>内,判断该测量值是否为异常值;
所有测量值的平均值的一个邻域/>范围为/>
当测量值在所有测量值的平均值的一个邻域/>内时,该测量值为正常值,保留正常值;当测量值在所有测量值的平均值/>的一个邻域/>外时,该测量值为异常值,记录所有异常值的编号i,构建一个集合S,/>并对所述异常值进行修正,执行步骤104;
步骤104、根据公式修正异常的测量值Hi,获取异常的测量值Hi的修正值Hi',利用Hi'替换对应的异常的测量值Hi;
步骤105、重复步骤102至步骤104,重复过程中只需检验Hi是否处在更新后的邻域范围内,上一轮判定为正常值的测量值无需再参与下一轮检验,若异常的测量值Hi检验通过,则认为传感器i的输出值已修正为正常值,在集合S中将其序号元素移除,循环上述过程直至集合
其中,每次循环步骤102至步骤104时,均需计算所有测量值之间的差值、新的Hm到各测量值之间的平均距离、所有测量值之间的平均距离、以及所有测量值的平均值,更新邻域范围;
需要说明的是,修正后的值将替换原测量值参与控制系统的融合决策,其他未被识别为异常值的测量值应保持不变,实际测量中,某异常值修正完毕后,其仍有可能还是异常值,因此,需要循环步骤102至步骤104,每次循环步骤102至步骤104时,每个测量值序号不变,以修正后的序列值作为基础,重新计算所有测量值之间的差值、新的Hm到各测量值之间的平均距离、所有测量值之间的平均距离、以及所有测量值的平均值,更新邻域范围。
步骤二、自适应权值分配,过程如下:
步骤201、根据公式计算修正后的测量值Hn对修正后的测量值Hm的信任度Ln(Hm),其中,Δn为门限值;
步骤202、根据公式计算修正后的测量值Hm获得的总信任度m(Hm);
步骤203、根据公式对m(Hm)进行变换,获取变换后的信任度
需要说明的是,为使各传感器的权值分配更加合理,需用数学方法对信任度进行变换,考虑到在控制系统中若提供的参与决策的信源较少时需要进一步削弱偏差相对较大的测量值的影响以及系统高实时性的要求,该变换方式在不显著增加计算复杂度的前提下放大了正常测量值的作用,同时还对偏差相对较大的测量值的影响进行了削弱。
步骤204、根据公式获取修正后的测量值Hm的权值ωm,其中,∑ωm=1;
需要说明的是,经修正环节的预处理后,虽然所有测量值都处在一个合适的范围,但仍可以将测量值划分为两个类别:距离测量真值相对较近的部分与距离测量真值相对较远的部分,将前者定义为“密集数据”,后者定义为“离群数据”,这些数据分布如图2所示。根据上述定义,“密集数据”分布在被测真值附近,而“离群数据”距离真值相对较远,因此,完全基于实时测量数据计算权重的算法必须满足以下两个要求:
第一,属于“密集数据”的测量数据因距真值相对较近,故要相互给予支持;
第二,属于“离群数据”的测量数据因距真值相对较远,故不被“密集数据”支持且要需要去支持“密集数据”以作为惩罚。
步骤三、多传感器控制系统数据融合输出:根据公式获取多传感器控制系统数据融合输出H0。
本实施例中,所述门限值 为Hn到各测量值之间的平均距离,/>与/>的获取过程相同。
当时表示属于“密集数据”的测量值仅需给临近的数据予以支持,而当Δn=max{dm,n}时则表示属于“离群数据”的测量值需要给所有传感器给出的测量值予以支持,式中/>和max{dm,n}均是由传感器给出的测量值本身经计算获得,会随每时每刻输出的测量数据的变化而变化,具有很强的自适应性,避免了依赖先验信息带来的主观因素。
本发明使用时,不需要传感器测量值的先验信息,充分利用每一个实测数据,并根据实测数据之间的相互关系来确定门限和权值分配策略,避免了设定经验门限带来的主观因素,且能够通过迭代修正来对异常值进行重构,极大程度地削减了异常值在数据融合过程中产生的负面影响,能够充分利用每一个传感器贡献的测量值,且可以通过迭代修正将异常测量值变换至一个正常水平,弥补了其他自适应算法的缺陷,使系统在不同时刻的融合结构都较为平稳,具有相比于其他自适应算法更高的融合精度和鲁棒性,计算量小,满足系统的高实时性要求。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (2)
1.一种基于迭代修正优化的多传感器控制系统数据融合方法,其特征在于,该方法包括以下步骤:
步骤一、修正多个传感器采集的数据,过程如下:
步骤101、获取控制系统中各个传感器采集测量值Hm,其中,m为各个传感器的编号且m=1,2,...,N,N为传感器总数;
步骤102、根据公式计算各测量值之间的差值dm,n、Hm到各测量值之间的平均距离/>所有测量值之间的平均距离/>以及所有测量值的平均值/>其中,n的取值范围与m相同;
步骤103、根据测量值是否在所有测量值的平均值的一个邻域/>内,判断该测量值是否为异常值;
所有测量值的平均值的一个邻域/>范围为/>
当测量值在所有测量值的平均值的一个邻域/>内时,该测量值为正常值,保留正常值;当测量值在所有测量值的平均值/>的一个邻域/>外时,该测量值为异常值,记录所有异常值的编号i,构建一个集合S,/>并对所述异常值进行修正,执行步骤104;
步骤104、根据公式修正异常的测量值Hi,获取异常的测量值Hi的修正值H′i,利用H′i替换对应的异常的测量值Hi;
步骤105、重复步骤102至步骤104,重复过程中只需检验Hi是否处在更新后的邻域范围内,上一轮判定为正常值的测量值无需再参与下一轮检验,若异常的测量值Hi检验通过,则认为传感器i的输出值已修正为正常值,在集合S中将其序号元素移除,循环上述过程直至集合
其中,每次循环步骤102至步骤104时,均需计算所有测量值之间的差值、新的Hm到各测量值之间的平均距离、所有测量值之间的平均距离、以及所有测量值的平均值,更新邻域范围;
步骤二、自适应权值分配,过程如下:
步骤201、根据公式计算修正后的测量值Hn对修正后的测量值Hm的信任度Ln(Hm),其中,Δn为门限值;
步骤202、根据公式计算修正后的测量值Hm获得的总信任度m(Hm);
步骤203、根据公式对m(Hm)进行变换,获取变换后的信任度/>
步骤204、根据公式获取修正后的测量值Hm的权值ωm,其中,∑ωm=1;
步骤三、多传感器控制系统数据融合输出:根据公式获取多传感器控制系统数据融合输出H0。
2.按照权利要求1所述的一种基于迭代修正优化的多传感器控制系统数据融合方法,其特征在于:所述门限值 为Hn到各测量值之间的平均距离,/>与/>的获取过程相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565588.4A CN116756487A (zh) | 2023-05-18 | 2023-05-18 | 一种基于迭代修正优化的多传感器控制系统数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565588.4A CN116756487A (zh) | 2023-05-18 | 2023-05-18 | 一种基于迭代修正优化的多传感器控制系统数据融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756487A true CN116756487A (zh) | 2023-09-15 |
Family
ID=87948595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310565588.4A Pending CN116756487A (zh) | 2023-05-18 | 2023-05-18 | 一种基于迭代修正优化的多传感器控制系统数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756487A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117023729A (zh) * | 2023-10-08 | 2023-11-10 | 国开启科量子技术(安徽)有限公司 | 基于量子模糊控制实现海洋酸性处理的装置、方法、介质和设备 |
-
2023
- 2023-05-18 CN CN202310565588.4A patent/CN116756487A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117023729A (zh) * | 2023-10-08 | 2023-11-10 | 国开启科量子技术(安徽)有限公司 | 基于量子模糊控制实现海洋酸性处理的装置、方法、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960334B (zh) | 一种多传感器数据加权融合方法 | |
CN116756487A (zh) | 一种基于迭代修正优化的多传感器控制系统数据融合方法 | |
CN108985373B (zh) | 一种多传感器数据加权融合方法 | |
US20060074595A1 (en) | Method and apparatus for improved fault detection in power generation equipment | |
CN108645412B (zh) | 一种多传感器自适应航迹起始方法 | |
CN111143413A (zh) | 基于数据流概念漂移的异常检测方法 | |
CN104376231A (zh) | 基于改进近似贝叶斯计算的损伤识别方法 | |
CN111353450A (zh) | 一种基于异构电磁感知信息融合的目标识别系统和方法 | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
CN112577515A (zh) | 惯性传感器、用于惯性传感器的自校准的方法和计算机可读的介质 | |
CN112067166B (zh) | 热电阻的校验方法 | |
CN112965966B (zh) | 一种基于实测飞参数据的快速预处理方法、系统及计算机相关产品 | |
CN111397607A (zh) | 一种采用并行融合机制的信息滤波方法 | |
JP2021063742A (ja) | 異常判定装置および異常判定方法 | |
CN106814608B (zh) | 基于后验概率分布的预测控制自适应滤波算法 | |
US20230266158A1 (en) | Method and system for eccentric load error correction | |
CN109523129A (zh) | 一种无人车多传感器信息实时融合的方法 | |
CN110309472B (zh) | 基于离线数据的策略评估方法及装置 | |
CN115081840A (zh) | 一种基于一阶差分和arima法的日电量异常值检测与校正系统 | |
CN112965965A (zh) | 一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品 | |
CN114266103A (zh) | 一种飞行器参数和噪声特性在线估计方法及存储介质 | |
CN112991211A (zh) | 一种工业相机暗角校正方法 | |
CN112801267A (zh) | 动态阈值的航空发动机多重故障诊断器 | |
CN112685449A (zh) | 一种热力系统性能计算方法、装置及设备 | |
CN111830498A (zh) | 基于毫米波区域安防的多雷达自动组网方法及系统 |
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 |