同源多传感器加权数据融合算法的研究

摘要

本文主要研究了以加权的方式进行多传感器数据融合的方法，即研究如何对每个传感器进行加权，从而得到对被测参数最优估计的方法。　　本文研究了基于奇异值分解的数据融合算法，通过对传感器测量值构成的矩阵进行奇异值分解，利用每个传感器测量值所对应的奇异值，可以估计出对每个传感器权值的最优估计，从而在不要任何先验知识的条件下，可仅由多传感器的测量值，利用提出的算法得到在最小均方误差意义下的被测参数的最优估计。 本文进一步研究了基于小波降噪和数据融合的传感器数据重建算法，仿真和实验结果都说明提出算法是有效的。最后，研究了非线性动态系统的状态融合问题，研究了加权无气味卡尔曼滤波(UKF)方法，研究表明无气味卡尔曼滤波能克服了扩展卡尔曼滤波(EKF)在状态融合估计中的不足，可以得到了更准确的状态融合估计结果。

目录

文摘

英文文摘

第1章绪论

1.1课题背景

1.2数据融合的基本原理及定义

1.2.1基本原理

1.2.2定义

1.2.3多传感器数据融合系统的优点

1.3数据融合算法

1.4论文的主要工作及内容安排

第2章基于奇异值分解的多传感器数据融合算法

2.1引言

2.2背景及问题的提出

2.2.1理论基础

2.2.2平均流速估计

2.2.3基本原理

2.3基于SVD的多传感器数据融合算法

2.3.1数据融合算法

2.3.2基于奇异值分解的权值估计

2.3.3算法实现

2.4仿真结果及讨论

2.5本章小结

第3章多传感器数据重建

3.1引言

3.2基于小波去噪及多传感器数据融合的传感器数据重建算法

3.2.1小波去噪

3.2.2数据融合及数据重建算法

3.3算法及步骤

3.4仿真结果及讨论

3.5实验平台结果

3.6本章小结

第4章非线性系统中多传感器状态融合估计

4.1引言

4.2状态估计融合算法

4.3非线性系统的状态估计

4.3.1非线性离散系统模型

4.3.2 EKF方法及其缺陷

4.4“无气味”卡尔曼滤波

4.4.1 UT变换

4.4.2 UKF算法

4.5基于UKF的多传感器数据融合算法

4.5.1基于UKF的融合算法

4.5.2仿真及结果

4.6本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢

论文独创性声明及论文使用授权声明