[工學(xué)]傳感器數(shù)據(jù)融合技術(shù)研究現(xiàn)狀分析(編輯修改稿)
2024-11-12 18:24 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 , 尤其適用于那些對(duì)目標(biāo)狀態(tài)估計(jì)要求不是很精確的情況下 , 例如只是要求知道目標(biāo)運(yùn)動(dòng)狀態(tài)變化的范圍等 . 有效解決了系統(tǒng)參數(shù)不確定情況下目標(biāo)狀態(tài)估計(jì)問(wèn)題 . ? 關(guān)于區(qū)間卡爾曼濾波的理論和應(yīng)用的研究目前尚處于起步階段 , 這方面還有很多的工作有待于完善 , 例如如何進(jìn)一步提高運(yùn)算速度、如何確定系統(tǒng)參數(shù)的變化空間以及如何對(duì)直接的估計(jì)區(qū)間進(jìn)行有效處理等問(wèn)題都需要進(jìn)一步的研究 . 卡爾曼濾波算法相關(guān)研究 ? 基于卡爾曼濾波的汽包水位多傳感器信息融合方法研究 ? 基于卡爾曼的無(wú)線傳感器網(wǎng)絡(luò)時(shí)空融合研究 ? 基于多卡爾曼濾波器的自適應(yīng)傳感器融合 ? 基于無(wú)跡卡爾曼濾波的被動(dòng)多傳感器融合跟蹤 算法 4：最小二乘算法 ? 特點(diǎn)：利用最優(yōu)加權(quán)與遞推最小二乘法相結(jié)合的多傳感器信息融合方法對(duì)參數(shù)進(jìn)行檢測(cè)時(shí) ,能夠定量識(shí)別各種信息的質(zhì)量 ,確定對(duì)各量測(cè)信息的利用程度 ,充分利用量測(cè)數(shù)據(jù) ,將噪聲最大程度的抑制。在估計(jì)的無(wú)偏性和均方誤差最小的前提下 ,該方法表現(xiàn)出較好的穩(wěn)健性和魯棒性 最小二乘算法相關(guān)研究 ? 基于最小二乘原理的多傳感器加權(quán)融合算法 ? 基于相關(guān)性函數(shù)和最小二乘的多傳感器數(shù)據(jù)融合 ? 最優(yōu)加權(quán)與遞推最小二乘相結(jié)合的多傳感器信息融合 算法 5：聚類算法 ? 特點(diǎn)：聚類融合算法采用歐氏距離來(lái)定義距離矩陣 ,通過(guò)最小距離聚類方法確定相互支持的傳感器組 ,可以較好地避免受主觀因素作用的關(guān)系矩陣 ,提高了數(shù)據(jù)融合結(jié)果的客觀性 . 該算法簡(jiǎn)潔 ,能避免有效數(shù)據(jù)的損失 ,數(shù)據(jù)融合精度較高 . 聚類算法的相關(guān)研究 ? 基于模糊聚類的異類多傳感器數(shù)據(jù)關(guān)聯(lián)算法 ? 基于聚類的無(wú)線傳感器網(wǎng)絡(luò)的分簇算法研究 ? 基于證據(jù)聚類的多源傳感器證據(jù)組合研究 ? 多傳感器數(shù)據(jù)的聚類融合方法 算法 6：模糊邏輯算法 ? 特點(diǎn)：進(jìn)行卡爾曼濾波計(jì)算時(shí) ,需要已知初始狀態(tài)矩陣和觀測(cè)矩陣等條件 ,而且對(duì)噪聲也作了很大的限制 ,在實(shí)際應(yīng)用系統(tǒng)中實(shí)現(xiàn)難度很大。而模糊控制融合算法是一
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1