CN117313029A - 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 - Google Patents
一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 Download PDFInfo
- Publication number
- CN117313029A CN117313029A CN202311255676.0A CN202311255676A CN117313029A CN 117313029 A CN117313029 A CN 117313029A CN 202311255676 A CN202311255676 A CN 202311255676A CN 117313029 A CN117313029 A CN 117313029A
- Authority
- CN
- China
- Prior art keywords
- kalman filtering
- value
- state
- error
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 114
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 82
- 238000012549 training Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 31
- 210000002569 neuron Anatomy 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 4
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 claims description 3
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及数据融合技术领域,具体地说,涉及一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法。通过温度传感器采集数据,再将温度数据经控制器传输至服务器中;对收集到的温度信息进行分析和采用卡尔曼滤波进行测温数据的数据融合;包括:建立系统模型;将多源温度传感器的数据整合到卡尔曼滤波算法中进行数据融合;设定参数;进行扩展卡尔曼滤波,计算增益、误差并更新。本发明设计对数据进行关联性计算并简单分类,在传统的卡尔曼滤波数据融合基础上,通过更新状态变量的协方差矩阵和卡尔曼滤波增益,动态估计出每一时刻各测温点的温度值,最后通过神经网络实现误差反馈,提取协方差矩阵的参数,使得数据融合效果更精确。
Description
技术领域
本发明涉及数据融合技术领域,具体地说,涉及一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法。
背景技术
多传感器数据融合一直是电力测温领域的难点。为提高测量精度,通常对单个测温点采取多次采集测量的方式求取平均值以提升测量的精度和准确性。然而实际情况下,由于单个传感器获取的信息不够充分,测量精度往往也难以满足要求,加之传感器个体的质量差异、不可预测的随机因素以及环境噪声等方面的原因,致使测温结果的可信度大大降低。为获得精确可靠的电力测温结果,对同一测温点需要用多个温度传感器进行测量,并运用各类数据融合的方法来获取较为可信和精确的测温结果。
多传感器数据融合的常用方法基本上可以概括为随机和人工智能两大类。随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法等;而人工智能类则有模糊逻辑理论、神经网络、专家系统等。其中卡尔曼滤波法使用最为广泛。作为一种递推算法,卡尔曼滤波法不要求先验知识而只靠测量数据,就可进行最优估计。该算法适用于低层次冗余数据。但是在使用中如果滤波参数选取不当则会影响到滤波增益,因而会大大降低融合结果的可信度和容错性。
为此,本文针对电力测温的需求,提出了一种基于改进卡尔曼滤波的多测温传感器数据融合方法。先对数据进行关联性计算,将数据进行简单分类,然后在传统的卡尔曼滤波数据融合基础上,通过更新状态变量的协方差矩阵和卡尔曼滤波增益,以动态估计出每一时刻各测温点的温度值,最后通过神经网络实现误差的反馈,提取协方差矩阵的参数,使得数据融合效果更精确。
发明内容
本发明的目的在于提供一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法,以解决上述背景技术中提出的问题。
为实现上述技术问题的解决,本发明的目的之一在于,提供了一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法,通过温度传感器采集数据,再将温度数据经控制器传输至服务器中,在显示屏上显示温度,达到测温的目的;最终在后台数据处理中心对收集到的温度信息进行分析和采用卡尔曼滤波进行测温数据的数据融合;具体包括如下步骤:
S1、建立系统模型;将后台服务器收集的多源温度传感器的数据整合到卡尔曼滤波算法中,进行数据融合的过程;
S2、设定参数;根据测量数据的实际情况对初值和初始方差、动态噪声协方差及观测噪声协方差做适当设置,使滤波收敛速度和滤波效果达到最佳程度;
S3、进行扩展卡尔曼滤波,计算增益、误差并更新。
作为本技术方案的进一步改进,所述步骤S1中,建立系统模型,将卡尔曼滤波用于测温数据融合,主要通过时间更新和测量更新的方式,采取反馈控制的方法估计过程状态:滤波器估计过程某一时刻的状态,然后以含噪声的测量变量的方式获得反馈;
其中,时间更新方程负责及时向前推算当前状态变量和误差协方差估计的值,以便为下一个时间状态构造先验估计;为此构造一个离散控制过程的测温系统;采用标准卡尔曼滤波的线性随机微分方程来描述该测温系统:
X(k)=AX(k-1)+BU(k)+W(k)
测量更新方程主要获取当前的温度测量数值:
Z(k)=HX(k)+V(k)
其中,X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制量;A和B是系统矩阵参数;Z(k)是k时刻的测量值,H是测量系统的矩阵参数;W(k)和V(k)分别表示过程和测量的噪声,过程和测量的噪声被假设成高斯分布噪声,其协方差分别是Q、R;基于上两式,可得出下一步状态向量估计值:
X(k|k-1)=AX(k-1|k-1)+BU(k)
P(k|k-1)=AP(k-1|k-1)A′+Q
其中,X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果;U(k)是现在状态的控制量;P(k|k-1)、P(k-1|k-1)分别是X(k|k-1)、X(k-1|k-1)对应的协方差;A′为A的转置矩阵,Q是系统过程噪声的协方差。
作为本技术方案的进一步改进,所述步骤S2中,设定参数过程中,在使用上述卡尔曼滤波进行数据融合的方法中,如果滤波参数选取不当很可能使卡尔曼滤波不收敛,会影响到滤波增益,因而会大大降低融合结果的可信度和容错性;针对电力测温的高可信度和容错性需求,对卡尔曼滤波方法进行改进,通过更新状态变量的协方差矩阵来改善卡尔曼滤波增益以动态估计出每一时刻各测温点的温度值;
通过更新实时更新协方差矩阵,预测下一时刻的协方差矩阵:
P(k+1|k)=Φ(k+1|k)P(k)ΦT(k+1|k)+Q
式中,P(k+1|k)是第k+1时刻状态交量的协方差矩阵预测值;P(k)是第k时刻状态变量的协方差矩阵;Φ(k+1|k)为第k时刻到第k+1时刻的状态转移矩阵,表征当前状态变量和下一时刻状态变量的关系;
在更新阶段,更新卡尔曼滤波增益K(k+1),卡尔曼滤波增益直接决定了状态变量第k+1时刻的估计值;进一步更新k+1时刻状态变量的协方差矩阵,可供下次迭代使用:
上式可以得到,是状态变量在第k+1时刻的估计值,Y(k+1)是传感器在第k+1时刻的测量值;
采用扩展卡尔曼滤波的方法,对卡尔曼增益和协方差矩阵进行实时更新,卡尔曼滤波增益和协方差矩阵更新如下式所示:
K(k+1)=P(k+1|k)HT(k+1)[H(k+1|k+1)P(k+1|k)HT(k+1)+R]-1
P(k+1|k)=[I-K(k+1)H(k+1)]P(k+1|k)
其中,H(k+1|k+1)为k+1时刻的输出矩阵,表征当前状态变量和输出变量的关系;I为单位矩阵;R为观测误差的协方差矩阵。
作为本技术方案的进一步改进,所述步骤S2中,设定参数时,对于参数的选取从理论和工程实际两个层面来研究,说明系统噪声等参数对卡尔曼滤波效果的影响,从而得出卡尔曼滤波参数的设置原则;具体包括:
提取上述重要参数P、Q、R的数值,对噪声协方差作反馈处理;
其中,噪声是已知的、系统自带的、不可调的;理想状态下噪声为0,得到的结果最好;需要调节的参数就是R/Q/P这三个;在正常的卡尔曼滤波中,R和Q不变,P只需要提供一个初值;即R/Q/P全都只需要确定一次;
R代表的是观测误差方差,R越大,表示观测值越不可靠;Q代表的是系统的误差方差,Q越大,表示系统的估计值越不可靠;P代表目前迭代值的误差方差,P越大,也表示系统的估计值越不可靠;
当观测值不可靠时,增益K就应该减小,如果K为0,即滤波值完全由状态估计而来,与观测无关;如果系统的估计值不可靠时,K应该变大,K越大表示观测值越被接受。通常,系统的估计是很不准、有累积误差的,而观测的累积误差几乎没有,但是噪声比较大,某些时候可能延迟还比较高。当看到这样的滤波结果时,滤波器过于注重系统预测,即Q小了,要调大。
作为本技术方案的进一步改进,所述步骤S1中,卡尔曼滤波算法配合多个传感器工作,使每个传感器都能够并行工作,并且能与局部传感器输出的结果融合;则在进行数据融合之前,对数据预处理并计算数据关联性,将相同数据融合到同一个类中,进行数据关联性计算,具体步骤如下:
Step1、结合概率数据关联算法对每个传感器中的信息进行滤波估计;
Step2、在估计后,进行证据分类,证据分类输出结果Ai可表示为:
式中,为k时刻的测量值;
Step3、计算权重系数,用公式表示为:
式中,为两个证据数据的冲突函数,K代表时间段;冲突越大,代表两个数据的相关性越差,冲突越小,相异性越小;
Step4、状态更新,将综合状态更新方程表示为:
式中,μi为第i个指标的状态更新参数,为状态变量在第k时刻的估计值;
通过上述对数据关联性的计算,为数据融合提供基础;在实际融合中,每个节点i都可以从节点接收数据,每个节点i能够将自身的局部后验协方差发送到邻接节点的协方差矩阵中,进行数据融合不断重复上述过程,直到所有数据融合完成即可结束。
作为本技术方案的进一步改进,所述步骤S3中,误差更新采用神经网络的方法,尤其采用误差逆传播算法即BP算法,在输入层输入训练样本,这些训练样本乘上各自的连接权值输入到隐含层,隐含层也做同样的处理将上层传递下来的各值再乘上相应的连接权值输入给输出层,输出层根据期盼结果判断神经网络处理是否正确,若正确则增加相应的连接权值,相反则减少相应的权值;具体方法为:
设Xi(i=1,2,...,n)表示来自于当前神经元相连的其他神经元传递的输入信号,w代表从神经元j到神经元i的连接强度或权值,θ为神经元的激活阈值或偏置f称作激活两数或转移函数神经元的输出,给定输入训练集D,输出实值L向量,L可以表为如下形式:
由于卡尔曼滤波要求系统模型和噪声模型已知,并且滤波过程中不允许改变,若将估计误差和测量误差以及卡尔曼增益作为神经网络的输入,经过神经网络的运算,输出真实值与估计值之间的差;
结合神经网络与卡尔曼滤波算法可以大大提高数据融合精度,由于神经网络具有自适应能力,该方案也提高了系统的鲁棒性;得到卡尔曼滤波方差后,将其变换成如下形式:
可见,卡尔曼滤波的估计结果与预测状态同期望预测状态的差、卡尔曼增益、测量值与预计状态之差相关;将这三个参数作为神经网络的输入,输出参数为真实值和估计值之差L,将这个神经网络的输出值L和未经神经网络修正的估计值相加即可得到一个非常接近真实值的估计值/>
记训练集D=(P,Q,R),经过BP神经网络后的输出为:
L=f(∑w1P+w2Q+w3R-θ)
那么经过BP神经网络误差处理后的估计值为:
其中,w1、w2、w3分别为参数P、Q、R对应的权重。
作为本技术方案的进一步改进,所述步骤S3中,考虑到卡尔曼滤波过程误差的影响,需要采用BP算法对参数误差协方差矩阵进行相应处理,具体为:
给定输入训练集D,D=(P,Q,R),输出实值L向量,给出一个拥有若干个输入神经元、1个输出神经元、若干个隐层神经元的多层前馈网络结构神经元的阈值θ,神经元之间的连接权重为w;阈值θ可看作一个固定输入的哑结点,所对应的连按权重w;这样,权重和阈值的学习就可统一为权重的学习;感知机权重将这样调整:
其中,η∈(0,1)称为学习率,为输出向量的估计值;可看出,若感知机对训练集预测正确,即/>则感知机不发生变化,否则将根据错误的程度进行权重调整;
神经网络训练集均方差误差Ei的计算方法为:
其中,为训练集D的均值;BP算法的目的是要最小化训练集上的累计误差E:
将数据分成训练集和验证集,训练集用来计算梯度、更新连接权和阈值,验证集用来估计误差,若训练集误差降低但验证集误差升高,则停止训练,同时返回具有最小验证集误差的连接权和网值;在误差目标函数中增加一个连接权与阈值的平方和用于描述网络复杂度,则误差目标函数改变为:
其中,λ∈(0,1)用于对经验误差与网络复杂度这两项进行折中,常通过交叉验证法来估计。
本发明的目的之二在于,提供了一种多传感器数据融合平台装置,包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序,处理器用于执行计算机程序时实现上述的基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法的步骤。
本发明的目的之三在于,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法的步骤。
与现有技术相比,本发明的有益效果:
1.该基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法中,针对标准卡尔曼滤波存在的问题,提出了扩展卡尔曼滤波算法;针对方差矩阵的不稳定,通过实时更新协方差矩阵,提升了监测结果的实时性,能够提高数据融合效果;
2.该基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法中,针对多源数据的问题,提出了数据关联性计算的方法,对数据进行分类计算,进而给出综合状态更新方程,使得状态更新更加精准,数据冲突性减小,协方差减小;
3.该基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法中,通过数学建模分析初始数据,进而采用扩展卡尔曼滤波的方法建立相关方程,给出了卡尔曼滤波中重要参数P、Q、R的选取方法,通过神经网络反馈误差的方法,改善了卡尔曼滤波器中噪声协方差矩阵的影响,使得数据融合效果更加精确。
附图说明
图1为本发明中示例性的工作原理结构图;
图2为本发明中示例性的算法流程图;
图3为本发明中示例性的电子计算机平台装置图。
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、完整的描述,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。
实施例1
如图1-图2所示,本实施例提供了一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法。如图1,通过温度传感器采集数据,再将温度数据经控制器传输至服务器中,在显示屏上显示温度,达到测温的目的;最终在后台数据处理中心对收集到的温度信息进行分析和采用卡尔曼滤波进行测温数据的数据融合;多传感器数据融合技术就是充分利用多个传感器资源,通过对这些传感器及其观测信息的合理支配和使用,把多个传感器在空间上的冗余或互补信息根据某种准则来进行组合,系统具有更优越的性能。如图2所示,根据算法的流程,实现基于扩展卡尔曼滤波的多源温度传感器数据融合算法的步骤如下:
S1、建立系统模型;将后台服务器收集的多源温度传感器的数据整合到卡尔曼滤波算法中,进行数据融合的过程。
S2、设定参数;根据滤波公式可以推出,增益与方差、动态噪声协方差及观测噪声协方差之间存在着一定关系,如果观测噪声增大则增益应该取得小一些以减弱观测噪声的影响。在实际滤波时,需要根据测量数据的实际情况对初值和初始方差、动态噪声协方差及观测噪声协方差做适当设置,使滤波收敛速度和滤波效果达到最佳程度;如果选取不当,很可能使卡尔曼滤波不收敛。对于参数的选取应从理论和工程实际两个层面来研究,说明系统噪声等参数对卡尔曼滤波效果的影响,从而得出卡尔曼滤波参数的设置原则。
S3、进行扩展卡尔曼滤波,计算增益、误差并更新。
本实施例中,将卡尔曼滤波用于测温数据融合,主要通过时间更新和测量更新的方式,采取反馈控制的方法估计过程状态:滤波器估计过程某一时刻的状态,然后以含噪声的测量变量的方式获得反馈;
其中,时间更新方程负责及时向前推算当前状态变量和误差协方差估计的值,以便为下一个时间状态构造先验估计;为此构造一个离散控制过程的测温系统;采用标准卡尔曼滤波的线性随机微分方程来描述该测温系统:
X(k)=AX(k-1)+BU(k)+W(k)
测量更新方程主要获取当前的温度测量数值:
Z(k)=HX(k)+V(k)
其中,X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制量;A和B是系统矩阵参数;Z(k)是k时刻的测量值,H是测量系统的矩阵参数;W(k)和V(k)分别表示过程和测量的噪声,它们被假设成高斯分布噪声,其协方差分别是Q、R;基于上两式,可得出下一步状态向量估计值:
X(k|k-1)=AX(k-1|k-1)+BU(k)
P(k|k-1)=AP(k-1|k-1)Z′+Q
其中,X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果;U(k)是现在状态的控制量;P(k|k-1)、P(k-1|k-1)分别是X(k|k-1)、X(k-1|k-1)对应的协方差;A′为A的转置矩阵,Q是系统过程噪声的协方差。
进一步地,在使用上述卡尔曼滤波进行数据融合的方法中,如果滤波参数选取不当很可能使卡尔曼滤波不收敛,会影响到滤波增益,因而会大大降低融合结果的可信度和容错性;针对电力测温的高可信度和容错性需求,这里对卡尔曼滤波方法进行改进,通过更新状态变量的协方差矩阵来改善卡尔曼滤波增益以动态估计出每一时刻各测温点的温度值;
为此,通过更新实时更新协方差矩阵,预测下一时刻的协方差矩阵:
P(k+1|k)=Φ(k+1|k)P(k)ΦT(k+1|k)+Q
式中,P(k+1|k)是第k+1时刻状态交量的协方差矩阵预测值;P(k)是第k时刻状态变量的协方差矩阵;Φ(k+1|k)为第k时刻到第k+1时刻的状态转移矩阵,表征当前状态变量和下一时刻状态变量的关系;
在更新阶段,更新卡尔曼滤波增益K(k+1),卡尔曼滤波增益直接决定了状态变量第k+1时刻的估计值;进一步更新k+1时刻状态变量的协方差矩阵,可供下次迭代使用:
上式可以得到,是状态变量在第k+1时刻的估计值,Y(k+1)是传感器在第k+1时刻的测量值;
采用扩展卡尔曼滤波的方法,对卡尔曼增益和协方差矩阵进行实时更新,卡尔曼滤波增益和协方差矩阵更新如下式所示:
K(k+1)=P(k+1|k)HT(k+1)[H(k+1|k+1)P(k+1|k)HT(k+1)+R]-1
P(k+1|k)=[I-K(k+1)H(k+1)]P(k+1|k)
其中,H(k+1|k+1)为k+1时刻的输出矩阵,表征当前状态变量和输出变量的关系;I为单位矩阵;R为观测误差的协方差矩阵。
进一步地,提取上述重要参数P、Q、R的数值,对噪声协方差作反馈处理;
其中,噪声是已知的、系统自带的、不可调的;理想状态下噪声为0,得到的结果最好。当然,如果噪声为0,滤波也就没有意义;为此我们需要调节的参数就是R/Q/P这三个;在正常的卡尔曼滤波中,R和Q不变,P只需要提供一个初值;所以总结来说即R/Q/P全都只需要确定一次;
R代表的是观测误差方差,R越大,表示观测值越不可靠;Q代表的是系统的误差方差,Q越大,表示系统的估计值越不可靠;P代表目前迭代值的误差方差,P越大,也表示系统的估计值越不可靠;
所以当观测值不可靠时,增益K就应该减小,如果K为0,即滤波值完全由状态估计而来,与观测无关;如果系统的估计值不可靠时,K应该变大,K越大表示观测值越被接受。通常,系统的估计是很不准、有累积误差的,而观测的累积误差几乎没有,但是噪声比较大,某些时候可能延迟还比较高。当看到这样的滤波结果时,滤波器过于注重系统预测,即Q小了,要调大。
本实施例中,通过以上步骤,不断选代出每一时刻的状态变量,即可估计出每一时刻测温点的温度估计值。这样通过更新状态变量的协方差矩阵来改善卡尔曼滤波增益,从而可以动态估计出每一时刻各测温点的温度值,这就避免了使用传统卡尔曼滤波方法因滤波参数选取不当而影响到滤波增益导致降低融合结果可信度的现象。通过运用上述设计的基于改进卡尔曼滤波的数据融合方法,测温结果的可信度和容错性会得到进一步提升,有效改善温度估计精度,同时也具备了实时融合的动态性能。
其中,上述方法能够实现数据的融合,但是由于没有考虑数据采集的时间配准问题,可能会出现融合时间长、误差大的情况,不能满足数据处理的需求。卡尔曼滤波算法配合多个传感器工作,使每个传感器都能够并行工作,并且能与局部传感器输出的结果融合;则根据该算法的优点,在进行数据融合之前,对数据预处理并计算数据关联性,将相同数据融合到同一个类中,进行数据关联性计算,具体步骤如下:
Step1、结合概率数据关联算法对每个传感器中的信息进行滤波估计;
Step2、在估计后,进行证据分类,证据分类输出结果Ai可表示为:
式中,为k时刻的测量值;
Step3、计算权重系数,用公式表示为:
式中,为两个证据数据的冲突函数,K代表时间段;冲突越大,代表两个数据的相关性越差,冲突越小,相异性越小;
Step4、状态更新,将综合状态更新方程表示为:
式中,μi为第i个指标的状态更新参数,为状态变量在第k时刻的估计值;
通过上述对数据关联性的计算,为数据融合提供基础;在实际融合中,每个节点i都可以从节点接收数据,每个节点i能够将自身的局部后验协方差发送到邻接节点的协方差矩阵中,进行数据融合不断重复上述过程,直到所有数据融合完成即可结束。
本实施例中,误差更新采用神经网络的方法,神经网络是模拟人类大脑的一种机器学习算法,随着深度学习的兴起被空前的重视,尤其采用误差逆传播算法即BP算法,在输入层输入训练样本,这些训练样本乘上各自的连接权值输入到隐含层,隐含层也做同样的处理将上层传递下来的各值再乘上相应的连接权值输入给输出层,输出层根据期盼结果判断神经网络处理是否正确,若正确则增加相应的连接权值,相反则减少相应的权值;具体方法为:
设Xi(i=1,2,…,n)表示来自于当前神经元相连的其他神经元传递的输入信号,w代表从神经元j到神经元i的连接强度或权值,θ为神经元的激活阈值或偏置f称作激活两数或转移函数神经元的输出,给定输入训练集D,输出实值L向量,L可以表为如下形式:
由于卡尔曼滤波要求系统模型和噪声模型已知,并且滤波过程中不允许改变,若将估计误差和测量误差以及卡尔曼增益作为神经网络的输入,经过神经网络的运算,输出真实值与估计值之间的差;
结合神经网络与卡尔曼滤波算法可以大大提高数据融合精度,由于神经网络具有自适应能力,该方案也提高了系统的鲁棒性。得到卡尔曼滤波方差后,将其变换成如下形式:
可见,卡尔曼滤波的估计结果与预测状态同期望预测状态的差、卡尔曼增益、测量值与预计状态之差相关;将这三个参数作为神经网络的输入,输出参数为真实值和估计值之差L,将这个神经网络的输出值L和未经神经网络修正的估计值相加即可得到一个非常接近真实值的估计值/>
记训练集D=(P,Q,R),经过BP神经网络后的输出为:
L=f(∑w1P+w2Q+w3R-θ)
那么经过BP神经网络误差处理后的估计值为:
其中,w1、w2、w3分别为参数P、Q、R对应的权重。
进一步地,考虑到卡尔曼滤波过程误差的影响,需要对参数误差协方差矩阵进行相应处理,误差逆传播(error Back Propasation,简称BP)算法就是其中最杰出的代表,它是迄今最成功的神经网络学习算法;具体为:
给定输入训练集D,D=(P,Q,R),输出实值L向量,给出一个拥有若干个输入神经元、1个输出神经元、若干个隐层神经元的多层前馈网络结构神经元的阈值θ,神经元之间的连接权重为w;阈值θ可看作一个固定输入的哑结点,所对应的连按权重w;这样,权重和阈值的学习就可统一为权重的学习;感知机权重将这样调整:
其中,η∈(0,1)称为学习率,为输出向量的估计值;可看出,若感知机对训练集预测正确,即/>则感知机不发生变化,否则将根据错误的程度进行权重调整;
神经网络训练集均方差误差Ei的计算方法为:
其中,为训练集D的均值;BP算法的目的是要最小化训练集上的累计误差E:
将数据分成训练集和验证集,训练集用来计算梯度、更新连接权和阈值,验证集用来估计误差,若训练集误差降低但验证集误差升高,则停止训练,同时返回具有最小验证集误差的连接权和网值;在误差目标函数中增加一个用于描述网络复杂度的部分,例如连接权与阈值的平方和,则误差目标函数改变为:
其中,λ∈(0,1)用于对经验误差与网络复杂度这两项进行折中,常通过交叉验证法来估计。
如图3所示,本实施例还提供了一种多传感器数据融合平台装置,该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
处理器包括一个或一个以上处理核心,处理器通过总线与存储器相连,存储器用于存储程序指令,处理器执行存储器中的程序指令时实现上述的基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法的步骤。
可选的,存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随时存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
此外,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法的步骤。
可选的,本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法的步骤。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤的过程可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法,其特征在于:通过温度传感器采集数据,再将温度数据经控制器传输至服务器中,在显示屏上显示温度,达到测温的目的;最终在后台数据处理中心对收集到的温度信息进行分析和采用卡尔曼滤波进行测温数据的数据融合;具体包括如下步骤:
S1、建立系统模型;将后台服务器收集的多源温度传感器的数据整合到卡尔曼滤波算法中,进行数据融合的过程;
S2、设定参数;根据测量数据的实际情况对初值和初始方差、动态噪声协方差及观测噪声协方差做适当设置,使滤波收敛速度和滤波效果达到最佳程度;
S3、进行扩展卡尔曼滤波,计算增益、误差并更新。
2.根据权利要求1所述的基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法,其特征在于:所述步骤S1中,建立系统模型,将卡尔曼滤波用于测温数据融合,主要通过时间更新和测量更新的方式,采取反馈控制的方法估计过程状态:滤波器估计过程某一时刻的状态,然后以含噪声的测量变量的方式获得反馈;
其中,时间更新方程负责及时向前推算当前状态变量和误差协方差估计的值,以便为下一个时间状态构造先验估计;为此构造一个离散控制过程的测温系统;采用标准卡尔曼滤波方程来描述该测温系统:
X(k)=AX(k-1)+Bu(k)+W(k)
测量更新方程主要获取当前的温度测量数值:
Z(k)=HX(k)+V(k)
其中,x(k)是k时刻的系统状态,u(k)是k时刻对系统的控制量;A和B是系统矩阵参数;Z(k)是k时刻的测量值,H是测量系统的矩阵参数;W(k)和V(k)分别表示过程和测量的噪声,过程和测量的噪声被假设成高斯分布噪声,其协方差分别是Q、R;基于上两式,可得出下一步状态向量估计值:
x(k|k-1)=Ax(k-1|k-1)+BU(k)
P(k|k-1)=AP(k-1|k-1)A′+Q
其中,x(k|k-1)是利用上一状态预测的结果,x(k-1|k-1)是上一状态最优的结果;U(k)是现在状态的控制量;P(k|k-1)、P(k-1|k-1)分别是x(k|k-1)、X(k-1|k-1)对应的协方差;A′为A的转置矩阵,Q是系统过程噪声的协方差。
3.根据权利要求2所述的基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法,其特征在于:所述步骤S2中,设定参数过程中,在使用卡尔曼滤波进行数据融合的方法中,如果滤波参数选取不当会影响到滤波增益,会大大降低融合结果的可信度和容错性;针对电力测温的高可信度和容错性需求,对卡尔曼滤波方法进行改进,通过更新状态变量的协方差矩阵来改善卡尔曼滤波增益以动态估计出每一时刻各测温点的温度值;
通过更新实时更新协方差矩阵,预测下一时刻的协方差矩阵:
P(k+1|k)=φ(k+1|k)P(k)φT(k+1|k)+Q
式中,P(k+1|k)是第k+1时刻状态交量的协方差矩阵预测值;P(k)是第k时刻状态变量的协方差矩阵;φ(k+1|k)为第k时刻到第k+1时刻的状态转移矩阵,表征当前状态变量和下一时刻状态变量的关系;
在更新阶段,更新卡尔曼滤波增益K(k+1),卡尔曼滤波增益直接决定了状态变量第k+1时刻的估计值;进一步更新k+1时刻状态变量的协方差矩阵,可供下次迭代使用:
上式可以得到,是状态变量在第k+1时刻的估计值,Y(k+1)是传感器在第k+1时刻的测量值;
采用扩展卡尔曼滤波的方法,对卡尔曼增益和协方差矩阵进行实时更新,卡尔曼滤波增益和协方差矩阵更新如下式所示:
K(k+1)=P(k+1lk)HT(k+1)[H(k+1|k+1)P(k+1|k)HT(k+1)+R]-1
P(k+1|k)=[I-K(k+1)H(k+1)]P(k+1|k)
其中,H(k+1|k+1)为k+1时刻的输出矩阵,表征当前状态变量和输出变量的关系;I为单位矩阵;R为观测误差的协方差矩阵。
4.根据权利要求3所述的基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法,其特征在于:所述步骤S2中,设定参数时,对于参数的选取从理论和工程实际两个层面来研究,说明系统噪声参数对卡尔曼滤波效果的影响,从而得出卡尔曼滤波参数的设置原则;具体包括:
提取上述重要参数P、Q、R的数值,对噪声协方差作反馈处理;
其中,噪声是已知的、系统自带的、不可调的;需要调节的参数就是R/Q/P这三个;在正常的卡尔曼滤波中,R和Q不变,P只需要提供一个初值;即R/Q/P全都只需要确定一次;
R代表的是观测误差方差,R越大,表示观测值越不可靠;Q代表的是系统的误差方差,Q越大,表示系统的估计值越不可靠;P代表目前迭代值的误差方差,P越大,也表示系统的估计值越不可靠;
当观测值不可靠时,增益K就应该减小,如果K为0,即滤波值完全由状态估计而来,与观测无关;如果系统的估计值不可靠时,K应该变大,K越大表示观测值越被接受。
5.根据权利要求4所述的基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法,其特征在于:所述步骤S1中,卡尔曼滤波算法配合多个传感器工作,使每个传感器都能够并行工作,并且能与局部传感器输出的结果融合;则在进行数据融合之前,对数据预处理并计算数据关联性,将相同数据融合到同一个类中,进行数据关联性计算,具体步骤如下:
Step1、结合概率数据关联算法对每个传感器中的信息进行滤波估计;
Step2、在估计后,进行证据分类,证据分类输出结果Ai可表示为:
式中,为k时刻的测量值:
Step3、计算权重系数,用公式表示为:
式中,为两个证据数据的冲突函数,K代表时间段;冲突越大,代表两个数据的相关性越差,冲突越小,相异性越小;
Step4、状态更新,将综合状态更新方程表示为:
式中,μi为第i个指标的状态更新参数,为状态变量在第k时刻的估计值;
通过上述对数据关联性的计算,为数据融合提供基础;在实际融合中,每个节点i都可以从节点接收数据,每个节点i能够将自身的局部后验协方差发送到邻接节点的协方差矩阵中,进行数据融合不断重复上述过程,直到所有数据融合完成即可结束。
6.根据权利要求5所述的基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法,其特征在于:所述步骤S3中,误差更新采用神经网络的方法,尤其采用误差逆传播算法即BP算法,在输入层输入训练样本,这些训练样本乘上各自的连接权值输入到隐含层,隐含层也做同样的处理将上层传递下来的各值再乘上相应的连接权值输入给输出层,输出层根据期盼结果判断神经网络处理是否正确,若正确则增加相应的连接权值,相反则减少相应的权值;具体方法为:
设Xi(i=1,2,...,n)表示来自于当前神经元相连的其他神经元传递的输入信号,w代表从神经元j到神经元i的连接强度或权值,θ为神经元的激活阈值或偏置f称作激活两数或转移函数神经元的输出,给定输入训练集D,输出实值L向量,L可以表为如下形式:
由于卡尔曼滤波要求系统模型和噪声模型已知,并且滤波过程中不允许改变,将估计误差和测量误差以及卡尔曼增益作为神经网络的输入,经过神经网络的运算,输出真实值与估计值之间的差;
得到卡尔曼滤波方差后,将其变换成如下形式:
可见,卡尔曼滤波的估计结果与预测状态同期望预测状态的差、卡尔曼增益、测量值与预计状态之差相关;将这三个参数作为神经网络的输入,输出参数为真实值和估计值之差L,将这个神经网络的输出值L和未经神经网络修正的估计值相加即可得到一个非常接近真实值的估计值/>
记训练集D=(P,Q,R),经过BP神经网络后的输出为:
L=f(∑w1P+w2Q+w3R-θ)
那么经过BP神经网络误差处理后的估计值为:
其中,w1、w2、w3分别为参数P、Q、R对应的权重。
7.根据权利要求6所述的基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法,其特征在于:所述步骤S3中,考虑到卡尔曼滤波过程误差的影响,需要采用BP算法对参数误差协方差矩阵进行相应处理,具体为:
给定输入训练集D,D=(P,Q,R),输出实值L向量,给出一个拥有若干个输入神经元、1个输出神经元、若干个隐层神经元的多层前馈网络结构神经元的阈值θ,神经元之间的连接权重为w;阈值θ可看作一个固定输入的哑结点,所对应的连按权重w;这样,权重和阈值的学习就可统一为权重的学习;感知机权重将这样调整:
其中,η∈(0,1)称为学习率,为输出向量的估计值;若感知机对训练集预测正确,即则感知机不发生变化,否则将根据错误的程度进行权重调整;
神经网络训练集均方差误差Ei的计算方法为:
其中,为训练集D的均值;BP算法的目的是要最小化训练集上的累计误差E:
将数据分成训练集和验证集,训练集用来计算梯度、更新连接权和阈值,验证集用来估计误差,若训练集误差降低但验证集误差升高,则停止训练,同时返回具有最小验证集误差的连接权和网值;在误差目标函数中增加一个连接权与阈值的平方和用于描述网络复杂度,则误差目标函数改变为:
其中,λ∈(0,1)用于对经验误差与网络复杂度这两项进行折中,常通过交叉验证法来估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311255676.0A CN117313029A (zh) | 2023-09-27 | 2023-09-27 | 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311255676.0A CN117313029A (zh) | 2023-09-27 | 2023-09-27 | 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117313029A true CN117313029A (zh) | 2023-12-29 |
Family
ID=89296615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311255676.0A Pending CN117313029A (zh) | 2023-09-27 | 2023-09-27 | 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313029A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647927A (zh) * | 2024-01-30 | 2024-03-05 | 深圳市长戈科技有限公司 | 一种基于陀螺仪的智能地锁控制方法 |
CN117798744A (zh) * | 2024-02-29 | 2024-04-02 | 茌平县汇通机械制造有限公司 | 一种数控机床运行状态监测方法 |
-
2023
- 2023-09-27 CN CN202311255676.0A patent/CN117313029A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647927A (zh) * | 2024-01-30 | 2024-03-05 | 深圳市长戈科技有限公司 | 一种基于陀螺仪的智能地锁控制方法 |
CN117647927B (zh) * | 2024-01-30 | 2024-03-29 | 深圳市长戈科技有限公司 | 一种基于陀螺仪的智能地锁控制方法 |
CN117798744A (zh) * | 2024-02-29 | 2024-04-02 | 茌平县汇通机械制造有限公司 | 一种数控机床运行状态监测方法 |
CN117798744B (zh) * | 2024-02-29 | 2024-05-10 | 茌平县汇通机械制造有限公司 | 一种数控机床运行状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668235B (zh) | 基于离线模型预训练学习的ddpg算法的机器人控制方法 | |
CN117313029A (zh) | 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 | |
CN103399281B (zh) | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 | |
CN110688729B (zh) | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 | |
US9934470B2 (en) | Production equipment including machine learning system and assembly and test unit | |
CN103344923A (zh) | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 | |
CN114399032B (zh) | 一种电能表计量误差预测方法及系统 | |
CN111913803A (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
CN115719294A (zh) | 一种室内行人流疏散控制方法、系统、电子设备及介质 | |
CN113419424B (zh) | 减少过估计的模型化强化学习机器人控制方法及系统 | |
Douratsos et al. | Neural network based model reference adaptive control for processes with time delay | |
CN116303786A (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
EP3477493A1 (en) | Machine learning system | |
CN104200269A (zh) | 一种基于在线学习最小嵌入维网络的实时故障诊断方法 | |
CN117121028A (zh) | 用于概率时空预测的方法、系统及计算机可读介质 | |
CN110532660B (zh) | 一种飞机刹车系统的性能预测方法和飞机刹车系统 | |
CN113569384A (zh) | 基于数模联动的服役设备剩余寿命在线自适应预测方法 | |
Chakrabarty et al. | Moving horizon estimation for digital twins using deep autoencoders | |
CN111445005A (zh) | 基于强化学习的神经网络控制方法及强化学习系统 | |
Moazami et al. | Modeling survival in model-based reinforcement learning | |
CN117556681B (zh) | 一种智能空战决策方法、系统及电子设备 | |
Péron et al. | A continuous time formulation of stochastic dual control to avoid the curse of dimensionality | |
Ji et al. | Learning the dynamics of autonomous nonlinear delay systems | |
Coyle et al. | Faster self-organizing fuzzy neural network training and improved autonomy with time-delayed synapses for locally recurrent learning |
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 |