未知条件下多传感器数据融合的有效算法

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报4（2017）269不确定条件下多传感器数据融合的一种有效算法穆罕默德·M阿里？阿利扬内扎迪普扬？阿希德？阿博尔加塞米伊朗Shahrood工业大学计算机工程学院接收日期：2016年2月20日;接受日期：2016年2016年10月11日在线发布摘要本文讨论了未知系统的多传感器数据融合主要重点是识别和处理不确定性和不一致的条件。大多数数据融合方法依赖于系统的行为，这不允许容易地处理未知的系统。该方法基于聚类技术，然后是MLP预测器。它是专门为不确定和不一致条件下的未知系统而设计的然而，它也可以应用于已知和确切的来源。当数据源包含不确定性和不一致性时，数据融合可能会失败。该方法能够识别和去除不一致的数据点，并产生可靠的结果。仿真和实际数据的实验结果证实了该方法的有效性。© 2016 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：数据融合;不确定条件;聚类;多传感器;状态估计1. 介绍数据融合是一种先进的技术，将来自多个来源的信息结合起来，以获得更准确的结果。例如，人类大脑通过结合视觉、嗅觉、触觉、听觉和味觉来使用数据融合来对周围环境进行推断。数据融合技术在机器人、图像处理、传感器网络等领域有着广泛的应用，在科学、管理、医疗等领域也有着广泛的应用数据融合的核心概念是如此受欢迎，它可以用在我们生活中的任何普通领域，以不同的方式，因此有不同的术语。数据融合有许多定义;例如，联合实验室主任（JDL）将数据融合描述为*通讯作者。传真：+98 23 32300251。电子邮件地址：apouyan@shahroodut.ac.ir（A.A. Pouyan）。电子研究所（ERI）负责同行评审http://dx.doi.org/10.1016/j.jesit.2016.08.0022314-7172/© 2016电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。270M.M. Alyannezadi等人/Journal of Electrical Systems and Information Technology 4（2017）269数据和信息从几个来源的组合”（怀特，1991年）。 在Khaleghi et al. （2013），作者提供了一个更全面的定义。信息融合是研究自动或半自动地将来自不同来源和不同时间点的一般来说，每个来源都可能提供不准确和不一致的数据。这引起了一种关于源行为的不确定性。数据融合方法的结果之一可能是减少这种不确定性。然而，人们应该预料到，如果一些来源提供的数据不一致，则总体表现可能低于每个单独来源的表现（Abdulhafiz和Khamis，2013年）。在文献中有许多不同的多传感器系统的数据融合技术。本文的一个成熟的方法是卡尔曼滤波，例如在（Carlson，1990，1994）中对于具有相似采样率的数据的工作。Kazerooni等人（2013年）提出了一种联合集合卡尔曼滤波器。两种不同的方法基于H-无穷滤波器（Hou等人，2013）和颗粒过滤器（Khan等人，2011年）也提出了，主要工作的基础上状态估计。其他方法如模糊逻辑（Naeem等人，2012）、神经网络（Fincher和Max，1990）和遗传算法（GA）（Liu等人，1996）可以归类为用于数据融合的人工智能技术。 同样有趣的是，人们可以使用小波分析用于此目的，例如在（Chouet al.，1994;Zhang等人， 2004年）。Safari等人（2014）提出了一种基于数学模型的已知系统的方法。他们的方法是基于包括所有传感器系统的状态空间模型他们工作中的数据融合阶段是在应用于多个卡尔曼滤波器的输出后使用神经网络完成的除了处理不一致性和不确定性之外，数据融合还可以减少数据量大小。这导致用于存储或传输目的的压缩机制。一个这样的重要成果可以是在无线传感器网络（WSN）中，其中封装尺寸减小是关于数据传输期间的节能的重要问题（Hall和Llinas，1997）。在不确定性条件下融合数据需要两个主要步骤：（一）数据融合方法和（二）处理不确定性和不一致性的工具。Dempster-Shafer（DS）理论是一种利用组合规则为证据分配信念的方法 在DS理论中，每个源可以具有不同的细节水平（Durrant-Whyte和Henderson，2008）。这个数学定义是证据理论，因为它涉及证据的权重和基于证据的支持此外，由于它关注概率推理的基本操作，因此它是一种概率推理理论（Shafer，1976）。简化贝叶斯是一种数据融合方法，用于组合源来估计系统状态。它是一种统计算法，使用观察或测量来融合数据。这种方法需要先验概率（Abdulhafiz和Khamis，2013年）。在Garg等人（2006）中，作者提出了一种改进的贝叶斯方法来考虑测量不一致性。简化贝叶斯对伪传感器没有任何控制。改进的贝叶斯方法通过考虑观测值或测量值之间的最大期望差来处理不确定性和不一致性提出了不确定性条件下的数据融合的定义，在本文中，我们提出了一种方法来识别和管理数据的不确定性和不一致性，并最终融合的输入数据。我们提出的方法是为未知系统设计的。未知系统是指人或机器不知道其动力学方程的系统。所提出的方法包括三个主要步骤：（1）聚类的观察或测量，（2）预测当前状态与以前的融合数据，（3）更新的预测在步骤2。我们在步骤1中提出了一种特定的聚类方法。对于步骤2中的预测，我们使用多层感知器（MLP）。最后，针对步骤3提出了一种新的更新算法本文的其余部分组织如下：在第2节中，提出了所提出的方法。第三节是实验结果。最后，在第四节中对全文进行了总结，并提出了下一步的工作方向.2. 该方法本文提出的方法，是基于两个关键条件，（i）系统是未知的，（ii）源具有不确定性和不一致性。本文中的未知系统是指那些具有未知特性和数学模型的系统。已知系统和未知系统之间的主要区别是数据融合，在已知系统中，数据融合是可以用两个传感器进行的，因为在已知系统中，系统的数学方程有助于数据融合。M.M. Alyannezadi等人/Journal of Electrical Systems and Information Technology 4（2017）269271--核聚变然而，在未知系统中，我们需要大量的传感器来识别和处理不一致性和不确定性。此外，在现实世界中有许多情况下，传入的源是不一致的，例如没有物理传感器的天气预测数据。这是一个最坏的情况下，虽然我们提出的方法是为上述条件设计的，它可以与已知的系统和确切的来源。在这项工作中，所提出的方法是基于一个聚类方案，其中新的预测更新规则的MLP预测定义。所提出的方法的步骤描述如下：i. 时间t上的聚类观察或测量以及对聚类ii. 基于多层感知器iii. 使用观测或测量值得注意的是，上述程序中的步骤2和3并不总是需要执行。这一点将在以下小节中详细解释。2.1. 聚类和聚类的处理该阶段的主要任务是将观察集划分为聚类，使得所有聚类成员都是兼容的，具有具有较小变化的值换句话说，集群成员之间不应该相距太远。在本文中，提出了以下算法来获得唯一的聚类。假设m个传感器的观测值由集合Zt= z1t，z2t，. . . ，z it。. . ，z山注意，z表示在“时间“或“转弯“t时来自第i个目标是将Zt聚类成段，使得它们彼此之间具有距离d。这是针对每个观测值zit<$ Zt执行的，使得：i. 如果存在距离zit小于或等于d的聚类，则该成员将被添加到该聚类。否则，将创建一个包含该单个成员的新集群。ii. 将检查任何两个群集之间的距离如果有两个距离小于或等于d的聚类，它们将合并。本文将聚类与数据点之间的距离定义为聚类中每个数据点与感兴趣数据点之间的最小距离两个聚类之间的距离被定义为一个聚类中的每个数据与另一个聚类之间的最小距离一般来说，一个集合Zt的划分会导致其并集等于Zt的子集。这些子集是非空和非重叠的（Mansour和Mbarieky，2009）。 我们的聚类是集合Z t的划分之一。为了获得类似于上述特定聚类的子集，应用以下两个条件就足够了：i. 每两个子集之间的距离大于d。ii. zit和zjt是一个子集的成员，只要zit和zjt之间的距离小于或等于d。在所有分区中，只有一个分区将满足所有上述条件。换句话说，添加这些条件允许我们仅识别一个特定子集。因此，如果不对分区应用任何条件，找到感兴趣的子集将是一项困难的任务。此外，如果一个聚类包含超过一半的源，则预计该聚类的成员是融合数据的代表。因此，聚类的平均值被呈现为聚类中心，并且算法终止。此外，如果观测值被划分为几个足够大的聚类和几个非常小的聚类，则小聚类将被忽略。这样做的原因是，我们希望这些小集群的成员具有不一致性，因此将它们从系统观察中删除可以提高整体性能。2.2. 基于多层感知器的融合数据预测多层感知器是一种具有输入到输出映射能力的神经网络。在这一部分的方法中，我们使用了一个隐藏层的MLP在我们的MLP中，隐藏层的大小与输入层的大小相似272M.M. Alyannezadi等人/Journal of Electrical Systems and Information Technology 4（2017）2691=WΣ----我--j=1JMMLP所需的输入数据是从原始数据中生成的我们的意思是原始数据，融合的来源，从以前的回合（时间），使用我们提出的方法。通过在原始数据上使用滑动窗口来提供MLP的输入每个窗口被认为是一个输入，并且在相应窗口之后的立即数据点被保持为MLP的输出通过以步长1滑动窗口来重复该过程，直到到达原始数据的末尾。此滑动窗口的长度取决于原始数据的总长度。可以根据经验选择最佳窗口大小。为了做到这一点，我们建议将我们的MLP应用于其中一个源，并具有不同的滑动窗口大小。然后，给出最佳结果的窗口大小可以被认为是我们的数据融合方法。有时会发生原始数据，例如很久以前的温度数据，存在于我们的数据库中。在所提出的方法中，将所有数据点用于预测器可能是没有用的。事实上，非常旧的数据，例如三个月前获得的数据，与我们现在获得的数据相比，可能会有不同的表现在这些情况下，合理的做法是删除旧的数据部分，只考虑新的部分来生成预测器的输入。一般来说，我们不知道系统行为何时发生变化。这是由于我们设计未知系统的方法的初始假设。因此，我们删除了一些以前的旧数据，以获得待处理的恒定长度的原始数据，用于生成MLP预测器的输入。2.3. 使用观测或测量在本节中，我们将解释如何更新前一节中讨论的MLP预测器的预测结果这可以使用m个不确定源观测来实现然而，这里只考虑了一些观察结果，因为其余的已经使用第2.1节中解释的拟议聚类过程删除了。 让我们考虑z的预测作为MLP预测。然后，我们有：Miα+|Z−z|（一）i=1i在这个方程中，xf是来自m个不确定源的融合观测 z i是来自第i个源的观测值，W i是该观测值或测量值的权重。此外，α被定义为z的影响因子。 当量（3）是求解Eq. （一）. 我们在等式中选择W i。（4）满足我们的条件。W= W1W2。. . （2）Wi=1（3）i=11Wi=α+|Z−z|拉克莱姆11/。α+|Z−z |Σ（四）3. 实验结果在本节中，我们将研究影响因子和第2阶段的第一次预测的影响。假设我们有5个源，值分别为100、103、96、92和107。我们计算不同的预测值的源的融合 图 结果表明，当预测器工作不正确时，该方法自动忽略预测，融合数据趋于观测值或测量值的平均值。然而，MLP的输出遵循的观测特性将有更多的融合数据的影响。用新的源值67、45、78、55和53重复相同的实验，结果如图所示。 二、为了评估影响因子的效果，考虑值为50、52、48、46和58的 5个源。我们计算不同的影响因子值的源 图3表明当影响因子增大时，融合数据趋于观测值的平均值。然而，随着影响因子趋于零，所提出的方法可以更好地识别存在的不确定性和不一致的数据。XfM.M. Alyannezadi等人/Journal of Electrical Systems and Information Technology 4（2017）269273Fig. 1. 融合数据的预测作用。图二. 融合数据的预测作用。图三.影响因子在融合数据中的作用。274M.M. Alyannezadi等人/Journal of Electrical Systems and Information Technology 4（2017）269我们的优势}见图4。圣何塞的源测量;（上）每个源测量;（下）最小和最大测量。在本节中，我们使用了来自五家大公司的真实数据这些公司，1值得注意的是在大多数情况下，这些公司的数据是兼容的，它们相互证实然而，也有预测彼此不匹配并且同时具有不同值的情况本文的目的是提出一种有效的算法 识别和处理来源中的不确定性和不一致性，以高概率得出关于温度的逻辑结论。 图 4（顶部）显示了圣何塞每个来源（公司）的温度预测。这一数字表明，各来源提供的数据并非总是相互印证。例如，在第60圈，源值为50、50、50、49和50。这表明第四个来源是不一致的。在源值为55，53，53，50和52表明55和50有一些不一致，52、53和53相互证实这个例子说明了一个恒定的距离在不同的测量值中是不相等的。本文提出的方法，识别和处理这个问题的两个部分;聚类和更新。在我们的聚类方法中，我们计算源测量或观察的链如果它们之间的距离小于或等于距离，则每个测量可以确认测量。我们的聚类中每条链的每个成员，确认其链中的其他成员当一个小1摘自http://lunadong.com/fusionDataSets.htm。M.M. Alyannezadi等人/Journal of Electrical Systems and Information Technology 4（2017）269275ˆˆˆˆ图五. 圣何塞的消息来源。链远离另一个链，则该链不一致。一般来说，当一些小链远离另一个链时（它们的成员数必须很高），小链是不一致的。在更新方法中，当一个测量值远离预测时，该测量值的权重小于另一个测量值。这个主张可以用Eq证明。（4）在Eqs。（5）如果. zi−Z。>。z j−Z。（五）然后1α +。Z −Z i.1<α+。Z-Zj（六）、因此 （7）关于我们图 5显示了每圈所有测量的最小值和最大值。在某些点上，所有源测量提供相同的预测，例如。在匝39处，而在某些点处，例如在匝21处，源的预测温差高达9。最后，在Fig. 5、给出了利用该方法进行数据融合的结果。第二阶段的MLP第一次预测用绿色星号表示，不确定点的融合数据用蓝色加号表示红色图是5个源融合后的结果可以看出，融合源总是落在最小值和最大值内。如可见于图 5、MLP预测器对第31轮的预测值为50.49，但该预测值是不正确的，所提出的方法必须忽略它。第31圈的融合温度为44.64，表明该方法忽略了错误的预测，融合温度趋于源测量的平均值另一方面，MLP预测器预测第50个转弯为51.15，这个预测可能是正确的。熔融温度为51.16，并且源测量也证实了这一预测（更新后偏差较低）。在另一个实验中，我们将我们提出的方法应用于加利福尼亚州旧金山的预测数据我们融合了5和7两种情况下的温度。在这一部分中，我们计算了两个融合温度序列之间的相似性。图6示出了旧金山的5和7源测量。此外，图7分别示出了5个和7个源的情况下的熔化温度。从图7b中可以看出，cnn温度我们把五个和七个来源的数据融合在一起在五个来源中，cnn公司是不存在的。五源测量的结果为49.76。幸运的是，所提出的具有7个源的方法可以忽略cnn测量，其结果是48.86（表1）。计算了5个和7个源两种情况下融合温度之间的均方距离（MSD）、均方根距离（RMSD）和平均绝对距离为了计算MSD、RMSD和MAD，我们使用以下公式276M.M. Alyannezadi等人/Journal of Electrical Systems and Information Technology 4（2017）2691=”。，见图6。旧金山c的源测量;（a）五个源测量;（b）七个源测量。表1用五源和七源测量熔丝之间的距离MAD MSD RMSD1991年12月31日类似于（均方误差）MSE。下面的等式显示了我们如何计算长度为N的信号s和v之间的这些参数：NMSD（s，v）（siNi=1第二条第（8）款1NRMSD（s，v）=N（si−vi）2（9）i=1M.M. Alyannezadi等人/Journal of Electrical Systems and Information Technology 4（2017）269277Σ1|=见图7。旧金山的熔融温度c;（a）五源测量，（b）七源测量。表2熔融温度和源测量之间的MSD。资料来源/医务司5个来源7个来源雅虎8.898.74AccuWeather8.898.74FoxNews8.898.74地下10.3910.15MSN22.2321.70CNN*8.74Findlocalweather*21.60NMAD（s，v）siNi=1-v i|（十）图7显示，雅虎、AccuWeather和福克斯新闻的测量结果提供了几乎相似的预测。然而，wunderground和msn测量与其他来源不同。因此，我们希望融合后的数据更接近雅虎、AccuWeather和福克斯新闻的测量结果。在表2中，我们显示了我们的融合温度和每个源之间的MSD。可以看出，MSD值证实了我们的预期。278M.M. Alyannezadi等人/Journal of Electrical Systems and Information Technology 4（2017）2694. 结论本文提出了一种新的不确定性和不一致性条件下的数据融合算法我们提出的算法包括聚类技术，神经网络，最后新的更新预测规则的MLP。我们使用气象数据检验了我们提出的方法。实验结果表明，该方法的强度和它的能力，以应付不确定和不一致的来源。除气象资料外，该方法还可应用于具有相同性质的各种观测资料。换句话说，所提出的方法不能用于具有不同性质的测量或观测，例如温度和风速。它也可以用于移动应用程序，Windows应用程序和网站，以识别和处理不确定性和不一致性。这些都是未来可以进一步解决的应用。引用Abdulhafiz，W.A.，哈米斯，A.，2013年。多传感器数据融合处理数据不确定性和不一致性。 Adv. 第内特尔2013，11，文章ID 241260。卡尔森，N. A.，1990年分散式平行处理器的联邦平方根滤波器。 IEEE Trans. 航空公司电子学。 系统3，517-525。卡尔森，N. A.，1994. 联邦卡尔曼滤波器仿真结果。J.Inst.Navig. 41（3），297-321。Chou，K.C.，Willsky，A.S.，Benveneste，A.，1994. 多尺度递推估计、数据融合与正则化。IEEETrans. 自动Control39（March（3）），pp.464 -478.Durrant-Whyte，H.，亨德森，T.，2008年传感器融合 Springer，New York，NY，USA（第25章）。Fincher，D. W.，麦克斯D.F.1990年神经网络在多传感器数据融合中的应用。在：IEEE国际会议系统，人和控制论，洛杉矶，美国，页。835-838Garg，D.P.，库马尔，M.，Zachery，R.A.，2006年。多传感器数据融合中不一致性检测的一种通用方法。在：美国控制会议的会议记录，6月，pp。2078-2083年。霍尔，D.L.，Llinas，J.，一九九七年。 介绍多传感器融合。 Proc. IEEE 85（1），6-23。侯，J.，Jing，Z.，高，T.，杨，Y.，2013年。 采用H_∞滤波器的干扰机自适应相控阵跟踪在：智能控制和信息处理国际会议，6月，北京，中国，页。649-654Kazerooni，M.，Shabaninia，F.，Vaziri，M.，Vadhva，S.，2013. 无重置模式下的联邦集合卡尔曼滤波器设计。在：IEEE信息重用和集成国际会议，8月14日至16日，旧金山，美国。Khaleghi，B.，哈米斯，A.，卡雷，FO，Razavi，S.N.，2013. 多传感器数据融合：最先进技术的回顾。信息融合14（1），28-44。Khan，T.，Ramuhalli，P.，Dass，S.，2011年。基于粒子滤波器的多传感器融合解决低频电磁无损检测问题。IEEETrans. 仪器Meas. 60（March（6）），2142-2153.刘芳，蔡某，施，B.，王玉，一九九六年。基于遗传算法的多传感器数据融合。输入：程序SPIE 2898，电子成像和多媒体系统，卷。九月四十三日。Mansour，T.，Mbarieky，N.，2009年 一个集合满足一定条件的部分。 离散数学309，4481-4488。Naeem，W.，萨顿河，巴西-地徐，T.，2012年。无人冲浪艇多感测器资料融合整合演算法与自动驾驶仪之实现。OceanEng.39（January），43-52.Safari，S.，例如，2014年。 基于卡尔曼滤波器和神经网络的线性系统多速率多传感器数据融合。航空航天科学与技术Shafer，G.，一九七六年证据的数学理论。 普林斯顿大学出版社.怀特，FE，1991. 数据融合Lexicon，实验室联合主任，C3技术平台，数据融合子平台。海洋系统中心，圣地亚哥。张，L.，吴锡麟，字修，潘，Q. Zhang，H.C.，2004. 多传感器数据的多分辨率建模与估计。IEEETrans. 信号处理。52（11），3170-3182。