多傳感器數(shù)據(jù)融合算法-資料下載頁
2025-05-16 03:22本頁面
【正文】 聲干擾的程度不同，所以各傳感器測量值的方差并不一致 ， ，將較小的權(quán)值賦予可信度小的傳感器 ，就可以使估計值更精確地描述原信號。，歸一化權(quán)值為對Y反歸一化，得到各傳感器重建數(shù)據(jù)：算法步驟：1置估計長度I；2對各傳感器測量值作小波閾值去噪處理；3采用MA模型用遞歸方法估計方差；4計算Wj；5計算Y，計算各傳感器重建數(shù)據(jù)。對于測量噪聲相關(guān)的多傳感器測量模型， 利用 Cholesky 分解和單位下三角陣的求逆方法， 將其轉(zhuǎn)化為測量噪聲互不相關(guān)的等價的多傳感器偽測量模型， 然后基于 M arkov 估計， 提出了一種測量噪聲相關(guān)情況下多傳感器數(shù)據(jù)融合的新方法。 與直接利用原始傳感器測量值的 Markov 估計數(shù)據(jù)融合方法相比， 兩者的計算精度相同， 但新方法的計算復(fù)雜度卻大大降低。 數(shù)值仿真實驗進(jìn)一步驗證了新方法的有效性。所謂多傳感器數(shù)據(jù)融合 ，就是將來自多個同類或異類傳感器的數(shù)據(jù)(信息)進(jìn)行綜合處理，以獲得比單一傳感器更為準(zhǔn)確可靠的結(jié)果。已有的多傳感器數(shù)據(jù)融合方法， 一般利用含有加性噪聲的線性測量方程來估計未知常值參數(shù) ，大多假設(shè)各傳感器的測量噪聲之間互不相關(guān)。但是在實際應(yīng)用中 ， 由于各傳感器通常處于同一測量環(huán)境， 所以傳感器的測量結(jié)果中除由于傳感器自身精度限制而引入的測量誤差外， 共同的環(huán)境噪聲的影響也不容忽略 ， 而這往往會導(dǎo)致各傳感器的測量噪聲之間相關(guān)， 所以對測量噪聲相關(guān)情況下多傳感器測量系統(tǒng)的數(shù)據(jù)融合問題進(jìn)行研究就具有更加廣泛的應(yīng)用價值。為了解決測量噪聲相關(guān)情況下的多傳感器測量數(shù)據(jù)融合問題，文獻(xiàn)在最小二乘準(zhǔn)則下， 利用 Lagrange乘子條件極值方法 ， 給出了一種最佳的線性數(shù)據(jù)融合方法， 但是僅適用于被測參數(shù)為標(biāo)量的情況，無法直接擴展到參數(shù)為矢量的情況， 另外， 由于需要對累積觀測矢量的自相關(guān)陣直接求逆， 所以計算復(fù)雜度非常大。 文獻(xiàn)則利用實對稱矩陣的正交相似變換實現(xiàn)了多傳感器測量噪聲互協(xié)方差陣的對角化 ，從而實現(xiàn)了各傳感器測量噪聲之間的去相關(guān) ，但是一般來說 ，這種對角化不能在有限步中完成，只能通過迭代步驟求近似值， 所以該方法在實際應(yīng)用時比較困難。本文首先利用 Cholesky 分解和單位下三角陣的求逆方法將多傳感器的測量模型轉(zhuǎn)化成各傳感器的測量噪聲互不相關(guān)的等價的偽測量模型， 然后基于Markov估計提出了一種測量噪聲相關(guān)情況下的多傳感器數(shù)據(jù)融合的新方法。與直接利用原始傳感器測量值的Markov估計數(shù)據(jù)融合方法相比， 兩者的結(jié)果相同 ，但新方法的計算復(fù)雜度大大降低。數(shù)值仿真實驗進(jìn)一步驗證了本文方法的有效性。采用N個傳感器對同一常值參數(shù)進(jìn)行線性測量模型一般表示成測量噪聲vi服從均值為0，方差為Rii的高斯分布，假定各傳感器的測量噪聲相關(guān) ，即的非對角塊不全為0，且R正定。噪聲相關(guān)的多傳感器數(shù)據(jù)融合對于上式所描述的多傳感器線性測量系統(tǒng) ，由于 Markov 估計[ 9] 為被測常值參數(shù)的無偏估計 ，且對應(yīng)的均方誤差陣最小， 所以根據(jù) Markov 估計可得這N個傳感器對于常值參數(shù)的最優(yōu)融合估計為，相應(yīng)的融合均方誤差傳感器噪聲去相關(guān)：由于 R =[ rij] 是一正定的實對稱陣， 根據(jù)矩陣的 Cholesky 分解可知 ， R 可以唯一地分解成。其中 ， L =[ lij] 為單位下三角陣 ， D =diag( d 1 ， d 2 ，…， dNm) 且正定，對于單位下三角陣 L ，其逆陣存在，且仍為單位下三角陣，記令j=1，2，...，Nm，則將M分塊陣表示Mii為單位下三角陣；0ij為零矩陣。在原格式兩邊左乘M則，，，則也即新得到的廣義測量方程中各新的傳感器的測量噪聲的均值為零 ，且互不相關(guān)。另外，代入得：，可以看出，新得到的偽廣義測量方程和原廣義測量方程的Markov 估計結(jié)果相同，兩者等價。多傳感器數(shù)據(jù)融合：令，化簡后可得新的 N 個傳感器在測量噪聲互不相關(guān)的情況下對于常值參數(shù)x的最優(yōu)融合估計為化簡后可得相應(yīng)的融合估計的均方誤差陣為由于廣義測量方程( 12)與( 5)等價， 所以融合結(jié)果也即為式的N個傳感器在測量噪聲相關(guān)情況下的的最優(yōu)融合結(jié)果。數(shù)據(jù)融合是聲信號處理中非常引人注意的一個課題。本文討論多傳感器 (或多基陣)系統(tǒng)決策級的數(shù)據(jù)觸合問題， 給出對同一個參數(shù)N個互相相關(guān)的觀測資料的最佳線性數(shù)據(jù)融合算法，證明了最佳線性數(shù)據(jù)融合的誤差不大于任何一個分量的觀側(cè)誤差。本文進(jìn)一步展開數(shù)據(jù)融合算法的討論， 把觀測數(shù)據(jù)的獨立性的條件去掉， 即允許N個觀測資料互相相關(guān)， 這樣可以進(jìn)一步擴大數(shù)據(jù)融合的適用范圍。假定xi、xj是對某一參數(shù)θ值的的觀測結(jié)果，觀測是無偏的。，相關(guān)函數(shù)最佳線性數(shù)據(jù)融合在約束條件a+b=1下，使極小，由Lagrange乘子法解得，即即最佳線性數(shù)據(jù)融合的誤差不大于每一個分量的誤差。我們可以證明若有N個相關(guān)觀測資料：觀測矢量，加權(quán)矢量觀測資料線性組合，即是求中I最小值解。易證，是x自相關(guān)矩陣，第（i，j）元素為令對z求偏導(dǎo)得，， 完美WORD格式編輯
公司管理相關(guān)推薦
鄂ICP備17016276號-1