一种基于权重预分配的多源信息融合方法

摘要

本发明公开了一种基于权重预分配的多源信息融合方法，首先针对含有多个传感器的系统，选用Q检验法对各传感器异常监测数据进行剔除，并基于距离准则对剔除异常值后的数据预分配融合权重；然后选用基于马氏距离的自衰减无迹卡尔曼滤波UKF作为局部状态估计器，通过对新息向量的马氏距离平方进行评价，采取相应地措施来提高UKF对多传感器非线性随机系统建模误差的适应性和鲁棒性，获得局部状态估计结果；最后基于最小方差线性加权准则对多传感器监测数据进行融合，得到全局状态估计结果。本发明消除了传感器误差、监测数据缺失、偏移等不利因素对融合结果产生的影响，建立了基于权重预分配的分布式融合框架，提高了传感器融合准确度。

说明书

技术领域

本发明属于多源信息融合技术领域，具体涉及一种基于权重预分配的多源信息融合方法。

背景技术

近些年，随着传感器技术的进步，监测数据也变得多种多样。多传感器信息融合相较于单一传感器监测系统，可以有效地改善系统的监测性能，增强系统的监测可靠性和鲁棒性，在降低系统监测成本的同时，提高数据监测精度，拓展系统的时空覆盖能力，被广泛应用于目标跟踪、工业监控、故障诊断和智能交通。然而，近年来随着系统复杂度的不断提升，传感器监测范围的不断扩大，使得现有融合技术逐渐难以满足系统实际需求，开展更加先进的融合理论研究具有广阔的应用前景和必要性。

发明内容

本发明的目的是提供一种基于权重预分配的多源信息融合方法，消除了传感器误差、监测数据缺失、偏移等不利因素对融合结果产生的影响，建立了基于权重预分配的分布式融合框架，提高了传感器融合准确度。

本发明所采用的技术方案是，一种基于权重预分配的多源信息融合方法，具体按照以下步骤实施：

步骤1、针对含有多个传感器的系统，选用Q检验法对各传感器异常监测数据进行剔除，并基于距离准则对剔除异常值后的数据预分配融合权重；

步骤2、选用基于马氏距离的自衰减无迹卡尔曼滤波UKF作为局部状态估计器，通过对新息向量的马氏距离平方进行评价，采取相应地措施来提高UKF对多传感器非线性随机系统建模误差的适应性和鲁棒性，获得局部状态估计结果；

步骤3、基于最小方差线性加权准则对多传感器监测数据进行融合，得到全局状态估计结果。

本发明的特点还在于，

步骤1具体如下：

步骤1.1、设定各传感器状态空间模型满足以下形式：

式中，x

步骤1.2、以t时刻各传感器监测数据为例，设定

式中，M

步骤1.3、将t时刻系统监测结果Z

式中，

步骤1.4、根据升序序列

式中，

步骤1.5、基于距离准则对剔除异常值后的数据预分配融合权重：

式中，

步骤2具体如下：

步骤2.1、以第j个传感器的状态估计为例，计算状态向量初始均方差矩阵P

式中，E[Δ]表示Δ的均值期望，P

步骤2.2、基于采样策略，计算无迹变换Sigma采样点：

式中，

步骤2.3、计算采样点一阶统计特性权系数

步骤2.4、计算t时刻基于Sigma采样点的一步预测矩阵

ξ

式中，w

步骤2.5、对于步骤2.4中的一步预测矩阵

式中，ξ'

步骤2.6、将步骤2.5得到的新的Sigma点集代入量测方程，得到第i个传感器t时刻的观测预测值z

z

式中，

步骤2.7、状态估计协方差矩阵

步骤2.8、计算卡尔曼增益K

步骤2.9、引入时变自适应衰落因子λ

步骤2.10、用修正的

步骤2.11、对系统中所有的传感器按照步骤2.1-2.10实施状态并行估计，获得局部状态估计结果

步骤3具体如下：

步骤3.1、t时刻系统全局最优状态融合值

式中，

步骤3.2、联合融合权重预分配与线性加权融合准则，得到全局状态估计结果：

式中，

本发明的有益效果是，一种基于权重预分配的多源信息融合方法，选用Q检验法对传感器异常监测数据进行剔除，基于距离准则对剔除异常值后的数据预分配融合权重；选用基于马氏距离的自衰减无迹卡尔曼滤波(UKF)作为局部状态估计器，通过对新息向量的马氏距离平方进行评价，采取相应地措施来提高UKF对多传感器非线性随机系统建模误差的适应性和鲁棒性，获得局部状态估计结果；基于最小方差线性加权准则对多传感器监测数据进行融合，得到全局状态估计结果。算法融合效果好、精度高，对于传感器故障、监测数据缺失等情况，仍能得到准确的融合结果，具有很强的参考性和实用性。

附图说明

图1是本发明一种基于权重预分配的多源信息融合方法的融合滤波结构框图；

图2是本发明一种基于权重预分配的多源信息融合方法的系统传感器监测结果图；

图3是经本发明一种基于权重预分配的多源信息融合方法得到的传感器监测数据融合结果图；

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于权重预分配的多源信息融合方法，结合图1，具体按照以下步骤实施：

步骤1、针对含有多个传感器的系统，选用Q检验法对各传感器异常监测数据进行剔除，并基于距离准则对剔除异常值后的数据预分配融合权重；

步骤1具体如下：

步骤1.1、设定各传感器状态空间模型满足以下形式：

式中，x

步骤1.2、以t时刻各传感器监测数据为例，设定

式中，M

步骤1.3、将t时刻系统监测结果Z

式中，

步骤1.4、根据升序序列

式中，

步骤1.5、基于距离准则对剔除异常值后的数据预分配融合权重：

式中，

步骤2、选用基于马氏距离的自衰减无迹卡尔曼滤波UKF作为局部状态估计器，通过对新息向量的马氏距离平方进行评价，采取相应地措施来提高UKF对多传感器非线性随机系统建模误差的适应性和鲁棒性，获得局部状态估计结果；

步骤2具体如下：

步骤2.1、以第j个传感器的状态估计为例，计算状态向量初始均方差矩阵P

式中，E[Δ]表示Δ的均值期望，P

步骤2.2、基于采样策略，计算无迹变换Sigma采样点：

式中，

步骤2.3、计算采样点一阶统计特性权系数

步骤2.4、计算t时刻基于Sigma采样点的一步预测矩阵

ξ

式中，w

步骤2.5、对于步骤2.4中的一步预测矩阵

式中，ξ'

步骤2.6、将步骤2.5得到的新的Sigma点集代入量测方程，得到第i个传感器t时刻的观测预测值z

z

式中，

步骤2.7、状态估计协方差矩阵

步骤2.8、计算卡尔曼增益K

步骤2.9、引入时变自适应衰落因子λ

步骤2.10、用修正的

步骤2.11、对系统中所有的传感器按照步骤2.1-2.10实施状态并行估计，获得局部状态估计结果

步骤3、基于最小方差线性加权准则对多传感器监测数据进行融合，得到全局状态估计结果。

步骤3具体如下：

步骤3.1、在不考虑预分配权重影响下，t时刻系统全局最优状态融合值

式中，

步骤3.2、联合融合权重预分配与线性加权融合准则，得到全局状态估计结果：

式中，

图2为本发明系统传感器监测结果图，图中黑色实线为某列车真实制动速度，其它四条曲线分别代表列车四路测速结果。图3给出了经本发明得到的列车速度融合结果图，图中黑色实线为列车真实速度，其它曲线分别代表不同情况下的监测数据融合结果。通过对图3的观察可以清楚的看出，本发明提出的方法可以对列车多路测速结果进行有效的融合，受制于传感器测量数据缺失或者异常等行为因素的影响，在满足系统实际精度需求的情况下，由于所测量的数据包含的有效信息更多，四路测速融合精确度略高于其它两种情况。