[信息与通信]传感器网络数据融合技术研究.ppt

0755传感器网络数据融合技术研究 张小波 广东工业大学自动化学院网络工程系 zxb_leng@gdut.edu.cn 020 内容安排 一、传感器数据融合概念 二、传感器网络数据融合系统处理模型 三、数据融合各种算法分析 四、传感器数据融合技术研究的不足 五、传感器网络数据融合需考虑的几个问题 六、未来的研究方向 一、传感器网络数据融合概念 数据融合是充分利用不同时间与空间的多传感器信息资源, 在一定准则下进行分析、综合和应用, 获得对被测对象的一致性解释与描述, 进而实现相应的决策和估计, 使系统获得比它的各组成部分更充分的信息。 二、传感器网络数据融合系统处理模型 三、传感器网络数据融合常用算法 1.经典算法 贝叶斯估计法、加权平均法、极大似然估计法、D-S 证据理论法、卡尔曼滤波法等 2.现代算法 聚类分析、模糊逻辑、神经网络法等 各种融合算法对比分析 算法1：D-S证据理论 特点：D-S 证据理论具有比较强的理论基础，它既能处理命题的不确定性问题，也能将“不知道”和“不确定”区分开，D-S 组合规则的优点在于证据间的冲突较小时，证据置信度向不确定性较小的命题集中。但是，在证据严重冲突的情况下，直接运用基本D-S 证据理论进行融合，组合结果往往与实际情况不相符。 D-S证据理论相关研究 1）D-S证据理论和神经网络相结合的多传感器信息融合 2）基于D-S证据理论的移动机器人多超声波传感器信息融合方法 3）D-S证据理论和模糊数学相结合的多传感器信息融合 4）基于D-S证据推理的多传感器信息融合技术在战场目标识别中的应用 算法2：Bayes估计算法 特点：当一个证据的概率是在大量的统计数据的基础上得出的,当所处理的问题比较复杂时,需要非常大的统计工作量,这使得定义先验概率函数非常困难;而且,Bayes推理要求各证据间是不相容或相互独立的,从而当存在多个可能假设和多条件相关事件时,计算复杂性迅速增加。 Bayes估计算法相关研究 基于Bayes估计的机器人触觉传感器信号数据融合 采用Bayes多传感器数据融合方法进行目标识别 算法3：卡尔曼滤波算法 分类： ⑴标准卡尔曼滤波算法 ⑵区间卡尔曼滤波算法 ⑶两阶段卡尔曼滤波算法 区间卡尔曼滤波算法 特点：与基于标准卡尔曼滤波算法的多传感器信息融合算法不同的是, 该算法通过融合得到的不再是对目标运动状态的点估计, 而是区间估计. 这种处理方法的优点是得到的估计值可靠性更高, 尤其适用于那些对目标状态估计要求不是很精确的情况下, 例如只是要求知道目标运动状态变化的范围等. 有效解决了系统参数不确定情况下目标状态估计问题. 关于区间卡尔曼滤波的理论和应用的研究目前尚处于起步阶段, 这方面还有很多的工作有待于完善, 例如如何进一步提高运算速度、如何确定系统参数的变化空间以及如何对直接的估计区间进行有效处理等问题都需要进一步的研究. 卡尔曼滤波算法相关研究 基于卡尔曼滤波的汽包水位多传感器信息融合方法研究 基于卡尔曼的无线传感器网络时空融合研究 基于多卡尔曼滤波器的自适应传感器融合 基于无迹卡尔曼滤波的被动多传感器融合跟踪 算法4：最小二乘算法 特点：利用最优加权与递推最小二乘法相结合的多传感器信息融合方法对参数进行检测时,能够定量识别各种信息的质量,确定对各量测信息的利用程度,充分利用量测数据,将噪声最大程度的抑制。在估计的无偏性和均方误差最小的前提下,该方法表现出较好的稳健性和鲁棒性 最小二乘算法相关研究 基于最小二乘原理的多传感器加权融合算法 基于相关性函数和最小二乘的多传感器数据融合 最优加权与递推最小二乘相结合的多传感器信息融合 算法5：聚类算法 特点：聚类融合算法采用欧氏距离来定义距离矩阵,通过最小距离聚类方法确定相互支持的传感器组,可以较好地避免受主观因素作用的关系矩阵,提高了数据融合结果的客观性. 该算法简洁,能避免有效数据的损失,数据融合精度较高. 聚类算法的相关研究 基于模糊聚类的异类多传感器数据关联算法 基于聚类的无线传感器网络的分簇算法研究 基于证据聚类的多源传感器证据组合研究 多传感器数据的聚类融合方法 算法6：模糊逻辑算法 特点：进行卡尔曼滤波计算时,需要已知初始状态矩阵和观测矩阵等条件,而且对噪声也作了很大的限制,在实际应用系统中实现难度很大。而模糊控制融合算法是一种实效、简单且具有广泛应用性的数据融合算法,能以较小的代价较大地提高机载设备的性能。 模糊控制算法是从整体上提高多传感器的测量精度,它没有对单一传感器测量值的噪声问题进行处理。对于这个问题, 如果在模糊控制融合算法之前,采用卡尔曼滤波的方法先对各传感器进行滤波, 再结合模糊控制算法,最终的