2020/11/25
五、传感器网络数据融合需考虑的几 个问题
• ⑴融合系统输入输出信息。 • ⑵对各个传感器提供的数据, 进行何种预处理
, 所得到的结果能满足融合系统的要求并且信 息的损失最少。 • ⑶融合系统采用什么样的结构。 • ⑷采用何种融合算法, 能使融合系统达到性能 最优。 • ⑸如何实现融合系统。
方法 • 基于测量值模糊贴近度时空融合的多传感器融合方
法 • 多传感器模糊_概率交互作用的数据关联算法 • 多传感器模糊信息融合算法在煤矿瓦斯监测中的应
用 • 多传感器目标检测的模糊信息融合技术研究
2020/11/25
算法7：神经网络算法
• 分类： ⑴BP人工神经网络 ⑵Kohonen神经网络 ⑶径向基神经网络 ⑷正交基神经网络 ⑸模糊神经网络
• 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.
2020/11/25
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
• 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。
2020/11/25
二、传感器网络数据融合系统处理模 型
源预处理
目标评估
态势评估
威胁评估
信
人
息
机
源
接
口
数据库管理系统
总过程评估
2020/11/25
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
2020/11/25
各种融合算法对比分析
算法类
统计 方法
经典融合 算法
2020/11/25
四、传感器数据融合技术研究的不足 （一）
• ⑴未形成系统的理论 现阶段的多传感器融合研究, 都是以实际的问 题为根据进行的, 根据问题的特性, 各自建立 融合准则, 形成最佳的融合方案。未能抛开实 际问题, 建立普遍的理论框架和融合结构模型 , 普遍适用的融合算法等。
2020/11/25
2020/11/25
BP神经网络算法
• 特点： (1) 神经网络法对消除传感器在工作过程中受多种因 素交叉干扰的影响十分有效。 (2) 采用附加动量法和自适应学习率的BP 神经网络 进行网络训练,可以避免网络陷入局部极小值,大大 减小网络的训练次数,使网络很快收敛。 (3) 用神经网络对传感器的数据进行融合处理,输出 稳定、编程简单,是一种有效的数据融合处理工具。
四、传感器数据融合技术研究的不足 （二）
• ⑵未能将多传感器融合系统有效的应用于实 际中。 多传感器信息融合的研究还主要集中于理论 研究上, 实际应用领域的研究相对来说比较缺 乏, 在实际中的应用还不广泛。
2020/11/25
四、传感器数据融合技术研究的不足 （三）
• ⑶未建立应用指导准则和应用效果评价标准 。 现阶段的多传感器信息融合系统的应用, 都是 以具体问题为依据的, 各个实际应用系统之间 基本没有联系, 也没有建立应用效果评价标准 , 系统的实现也非常困难。
• 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,最终的融合效果可能会更优。
2020/11/25
模糊逻辑算法的相关研究
• 基于模糊推理原理的多传感器数据融合方法 • 基于模糊数学与统计理论集成的多传感器数据融合
2020/11/25
神经网络算法相关研究
• BP人工神经网络在二传感器数据融合处理中的应用 • 基于D_S理论和神经网络的多传感器信息融合方法 • 基于Kohonen神经网络的多传感器数据关联算法 • 基于径向基神经网络的压力传感器信息融合技术 • 基于模糊神经网络的多传感器信息融合技术及应用 • 基于正交基神经网络算法的多传感器数据融合方法 • 基于阵列神经网络技术的多传感器信息融合
Thanks!
2020/11/25
2020/11/25
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
2020/11/25
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.
2020/11/25
应用研究
• ⑴不断扩大多传感器信息融合的应用领域, 将 多传感器信息融合运用到工农业中各个需要 运用多传感器的具体领域中。
• ⑵开发并行计算的软件和硬件, 以满足具有大 量数据且计算复杂的多传感器融合的要求。
• ⑶针对具体的应用情况, 正确地评价多传感器 信息融合的结果。
2020/11/25
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。
2020/11/25
2020/11/25
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类融合方法
2020/11/25
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 。
传感器网络数据融合技 术研究
2020/11/25
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
2020/11/25
一、传感器网络数据融合概念
2020/11/25
六、未来的研究方向
• 传感器网络数据融合的研究主要还是集中于 如下两个方面： ⑴理论研究 ⑵应用研究
2020/11/25
理论研究
• ⑴建立系统的理论体系, 包括建立融合结构模 型标准、系统结构标准和融合算法标准。
• ⑵改进融合算法以进一步提高融合系统的性 能。
• ⑶如何利用有关的先验数据提高数据融合的 性能。
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
2020/11/25
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
2020/11/25
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.
• 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
2020/11/25
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
估计 方法
信息论 方法
现代融合 算法
人工智 能法
2020/11/25
主要算法 贝叶斯 估计法 D-S证据 理论法 极大似 然估计
卡尔曼滤波 最小二乘法
聚类分析法
模糊逻辑
神经网络
优点
缺点
具有公理基础，直观、 需要比较多的先验知 易于理解、计算量小 识，适用条件比较苛刻
信息损失少，适用 于原始数据的融合
2020/11/25
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
2020/11/25
需要获得对象比较精确 的数学模型，对于复
杂、难于建立模型的场
合无法适用
对对象的先验知识要 求不高或无要求，有 较强的自适应能力， 容易在融合系统中实 现主、客观间的信息
融合
运算量比较大，规则 建立难或学习时间 长，不容易实现
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DS 证据理论进行融合，组合结果往往与实际 情况不相符。