基于最小二乘原理多传感器加权数据融合基于最小二乘原理多传感器加权数据融合
针对目前多传感器数据融合过程中传感器对某一状态量测量时精度较低的问题,提出了基于最小二乘原理的多
传感器加权数据融合算法。该方法利用最小二乘原理和方差的遗忘信息,通过均方误差比较,计算出各个传感器
的权重之后进行加权融合。该算法既考虑了历时信息的作用,又考虑了环境噪声和新采样值的影响,增强了对环
境监测的敏感性。相比同类融合方法,该方法具有较高的精度,最后仿真结果也直观地说明了该方法的有效
性。
摘摘 要:要:针对目前
关键词:关键词:数据融合;多传感器;均方误差;最小二乘
在自动化系统或科学实验中,需要用多个传感器在不同的方位对同一目标参数进行测量,但由于传感器所处的方位不同和
传感器自身质量的差异,以及受一些无法控制的随机因素的作用,在实际中各个传感器所测量的参数值必存在偏差,这样就存
在如何确定对测量数据进行融合的问题[1]。多传感器数据融合就是将来自多个传感器的数据或信息进行综合处理,所获得的
结果比单一传感器测量值更为准确,能够更灵敏地检测动态系统的变化。
在多传感器加权融合估计中,关键是如何为各传感器分配合适的权重。加权平均法不考虑各测量数据的准确性,取同样的
权值直接求平均值,该算法计算简单,实现较为容易,但是误差较大。参考文献[2]提出一种相关估计器,融合了最小均方估
计(LMS)和小波降噪的方法,对多个输入进行算术平均,所得的平均值使用小波降噪滤波器进行降噪。由于LMS估计中采用的
是算术平均法,因此不是最优估计[2]。参考文献[3]主要针对恒窗长方差运算对噪声变化跟踪能力不强的缺点提出了自适应窗
长方差估计在多传感器数据融合中的应用。该算法能灵敏地跟踪传感器测量噪声的突变,同时不依赖于初始窗长的设定,能自
动收敛到合适的窗长,该算法主要用于非平稳信号多传感器数据融合[3]。参考文献[4-6]采用基于最小二乘原理融合算法,推
导出各个传感器的权系数与测量方差的关系,从而对各传感器的权值进行合理的分配。参考文献[7]提出了迭代计算各节点测
量数据的无偏估计值,以归一化后的各传感器测量值与无偏估计的欧氏距离作为权值进行加权平均。参考文献[8]提出了一种
分批估计法,通过将各传感器均分成两批,在计算每批的样本均值和样本方差后采用方差加权进行融合处理。参考文献[9-11]提
出了小波去噪法,通过去除测量中的噪声,进行数据融合。参考文献[12-14]提出了卡尔曼滤波法,利用卡尔曼滤波器及其估
计误差协方差阵分别与传感器及其测量方差相对应,对多组卡尔曼滤波加权融合。本文采用了基于最小二乘原理多传感器加权
数据融合算法,综合考虑传感器的内部噪声与环境干扰等多种因素,充分利用测量数据中的冗余信息,使冗余系统测量数据的
估计进一步提高。
评论0