多传感器数据融合

多传感器数据融合技术,概述,本节内容,多传感器问题的引入,非关联测试项目测量不同目标或对同一目标的不同参数进行独立测量。,多传感器测试系统,关联的测试项目利用多个传感器对同一目标的相同或不同项目进行测量，综合测量结果用于分析目标特性。,当检测对象为多目标或快速机动目标时，单一传感器测量困难。,复杂的电磁环境使检测的目标信号淹没在大量噪声及不相关信号与杂波中。,当单一传感器失效或传感器的可靠性有待提高时采用多传感器系统。,多传感器问题的引入,环境复杂,目标复杂,可靠性,为什么要采用多个传感器测量同一目标参数？,数据融合的定义,功能定义：将来自多个传感器和信息源的数据和信息加以联合、相关、组合，以获得对目标精确的位置估计、身份估计、以及对战场情况和威胁及其重要程度进行适时的完整评价。该定义的重点：该定义是军事应用方面的功能性定义；多个传感器对同一目标进行测量；重点是融合：联合、相关、组合；目的：状态估计、身份估计、态势估计、威胁估计。,数据融合的定义,技术定义：充分利用不同时间与空间的多传感器数据资源，采用计算机技术按时间序列获得多传感器的观测数据，在一定准则下进行分析、综合、支配和使用。获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它各组成部分更为充分的信息。该定义的重点：方法：分析、综合、支配、使用；目的：一致性解释与描述、更为充分的信息。,数据融合技术的应用,数据融合技术发展,位置估计和身份识别,目前,海湾战争,20世纪70年代,1973年美国声纳信息融合研究,现代化战争的警钟,我国首次数据融合技术专题会议,ThankYou!,多传感器数据融合技术,数据融合的基本原理,本节内容,数据融合处理的一般过程,多传感器数据融合体系结构,多传感器数据融合体系结构,目标状态估计,集中式数据融合结构,多传感器数据融合体系结构,目标状态估计,分布式数据融合结构,多传感器数据融合体系结构,目标身份估计,数据级数据融合结构,多传感器数据融合体系结构,目标身份估计,特征级数据融合结构,多传感器数据融合体系结构,目标身份估计,决策级数据融合结构,数据融合的常用算法,人工智能,假设检验法,Bayes估计法,聚类分析,模式识别,数据融合算法,按技术原理分类,滤波跟踪,数据融合的常用算法,传感器信息的不确定性,传感器输出不可能包含被测量全部、完整的信息,数据融合的常用算法,经典统计理论：将被测参数看做一个固定值，没有充分利用其先验信息；精度和信度是预定的，不依赖于样本。Bayes估计理论：Bayes方法具有严格的理论基础，应用广泛；采用归推理的方法对多源信息进行有效地融合；充分利用了测量对象的先验信息。,数据融合的常用算法,滤波跟踪型数据融合算法：利用数字滤波方法根据测量值估计被测量真值；利用当前和历史测量数据估计目标未来状态。神经网络方法：是一种规则透明的非线性映射方法；信息存储于网络结构和连接权值；增强了信息处理的容错性；具有自组织和自学习能力。,ThankYou!,多传感器数据融合技术,基于Bayes估计的数据融合方法及应用,本节内容,Bayes统计理论,1,基于Bayes估计的身份识别方法,2,基于Bayes估计的传感器检测数据融合,3,Bayes统计理论,基于经典统计方法的多传感器数据处理。经典统计理论的两个特征：不采用先验概率；概率是一种类似频数的解释。经典统计理论的基本原理：小概率原理。经典统计理论的不足：将被测参数看做一个固定值，没有充分利用其先验信息；精度和信度是预定的，不依赖于样本。,Bayes统计理论,在考虑可靠度情况下传感器测量需要解决的一个关键问题：真值和测量值。考察一个随机试验，在该试验中n个互不相容的事件A1，A2，An必然会发生一个，且只能发生一个，用P（Ai）表示Ai发生的概率，则有：,设利用一传感器对A事件的发生进行检测，检测结果为B，则Ai为真值，B为测量值。,Bayes统计理论,先验知识：P(A1)、P(A2)、P(An)表示事件A1，A2，An发生的概率，这是试验前的知识称为“先验知识”。,Bayes统计理论认为，人们在检验前后对某事件的发生情况的估计是不同，而且一次检验结果不同对人们的最终估计的影响是不同的。,Bayes统计理论,后验知识：由于一次检验结果B的出现，改变了人们对事件A1，A2，An发生情况的认识，这是试验后的知识称为“后验知识”。检验后事件A1，A2，An发生的概率表现为条件概率：,显然有：,Bayes统计理论,Bayes估计是检验过程中对先验知识向后验知识的不断修正。条件概率公式：,或,全概率概率公式：,其中Ai为对样本空间的一个划分，即Ai为互斥事件且,Bayes统计理论,Bayes公式：对一组互斥事件Ai，i=1，2，n，在一次测量结果为B时，Ai发生的概率为：,利用Bayes统计理论进行测量数据融合：充分利用了测量对象的先验信息。是根据一次测量结果对先验概率到后验概率的修正。,基于Bayes估计的身份识别方法,假设由n个传感器对一未知目标参数进行测量，每一传感器根据测量结果利用一定算法给出一个关于目标的身份说明。设A1，A2，An为n个互斥的穷举目标，Bi为第j个传感器给出的目标身份说明，且Ai满足：,则：,基于Bayes估计的身份识别方法,基于Bayes统计的目标识别融合模型,基于Bayes估计的身份识别方法,基于Bayes统计的目标识别融合的一般步骤：获得每个传感器单元输出的目标身份说明B1，B2，Bn；计算每个传感器单元对不同目标的身份说明的不确定性即；i=1,2,n,基于Bayes估计的身份识别方法,基于Bayes统计的目标识别融合的一般步骤：计算目标身份的融合概率：,如果B1，B2，Bn相互独立，则：,基于Bayes估计的身份识别方法,基于Bayes统计的目标识别融合的一般步骤：目标识别决策（判据）：,基于Bayes估计的身份识别方法,举例计算某医院采用以下两种设备检验某种疾病，设备1对该疾病的漏诊率为0.1，误诊率为0.25；设备2对该疾病的漏诊率为0.2，误诊率为0.1。已知人群中该疾病的发病率为0.05。分析分别利用两台设备和同时使用两台设备时检验结果的概率。,基于Bayes估计的传感器检测数据融合,方法思路,基于Bayes估计的传感器检测数据融合,基本理论和方法置信距离和置信距离矩阵,利用多个传感器测量某参数的过程中有两个随机变量，一是被测参数，二是每个传感器的输出Xi，i=1，2，m。一般认为它们服从正态分布，用xi表示第i个测量值的一次测量输出，它是随机变量Xi的一次取样。设：,基于Bayes估计的传感器检测数据融合,基本理论和方法置信距离和置信距离矩阵,为对传感器输出数据进行选择，必须对其可靠性进行估计，为此定义各数据间的置信距离。用Xi、Xj表示第i个和第j个传感器的输出，则其一次读数xi和xj之间的置信距离定义为：,基于Bayes估计的传感器检测数据融合,基本理论和方法置信距离和置信距离矩阵,若Xi、Xj服从正态分布，则上式中：,故可知：当时，当时，,基于Bayes估计的传感器检测数据融合,基本理论和方法置信距离和置信距离矩阵,置信距离矩阵：对m个传感器的一次测量数据，利用上述方法可以分别计算任意两个传感器数据之间的置信距离得到一个mXm矩阵。,基于Bayes估计的传感器检测数据融合,基本理论和方法关系矩阵和数据选择,根据具体问题选择合适的临界值由对数据的可靠性进行判定。,由此得到一个二值矩阵，称为关系矩阵。,基于Bayes估计的传感器检测数据融合,基本理论和方法基于Bayes估计的数据融合算法,设被测参数，第k个传感器的测量数据，经过删选，选择l个数据作为最佳融合数。融合结果为：,基于Bayes估计的传感器检测数据融合,基于Bayes估计的数据融合一般步骤,计算m个传感器数据的置信距离矩阵，为简化计算，当测试数据服从正态分布时可利用误差函数计算置信距离。,基于Bayes估计的传感器检测数据融合,基于Bayes估计的数据融合一般步骤,选择合适的距离临界值，由置信距离矩阵产生关系矩阵。,由关系矩阵对多传感器数据进行选择，产生最佳融合数。,基于Bayes估计的传感器检测数据融合,基于Bayes估计的数据融合一般步骤,将、和最佳融合数对应的、代入Bayes融合估计公式求的参数估计值。,利用8个传感器对一个恒温槽的温度进行测量，已知恒温槽温度满足正态分布，其中=850.50，=4.50258个传感器的测量结果如下：,举例计算,基于Bayes估计的传感器检测数据融合,ThankYou!,多传感器数据融合技术,基于神经网络的数据融合方法及应用,本节内容,人工神经网络技术基础,1,典型的神经网络类型介绍,2,基于神经网络的传感器检测数据融合,3,人工神经网络技术基础,什么是神经网络技术？神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。人工神经网络就是尝试模拟这种生物学上的体系结构及其操作用于信息处理技术。人工神经网络是利用多个简单计算模型有机构成一个计算网络用以实现一个复杂的规则。,人工神经网络技术基础,神经网络技术的主要用途？利用一定数据在一定误差下逼近一个解析式未知的函数。利用人工神经网络实现空间的线性或非线性划分，以此实现目标分类。神经网络的实现是基于数据的，最终的规则对用户是透明的。,人工神经网络技术基础,人工神经网络技术基础,由上图可得：,人工神经网络技术基础,阶跃函数,对称型阶跃函数,人工神经网络技术基础,阶跃函数,对称型阶跃函数,人工神经网络技术基础,人工神经网络技术基础,人工神经网络技术基础,人工神经网络技术基础,决定神经网络性能的几个因素：神经网络的网络结构：包括神经网络的层数、每层神经元数量；每层神经元的作用函数；神经网络训练的目标函数和学习算法；神经网络权值和阈值的初始值；神经网络的训练数据。,人工神经网络技术基础,神经网络的应用步骤：神经网络的设计，包括确定网络结构、作用函数和学习算法；神经网络初始化；利用实验方法获得神经网络的训练数据和测试数据；利用实验数据对网络进行训练和测试；利用训练后的网络处理相关的输入信息。,典型的神经网络类型介绍,感知器神经网络特点：网络结构上可以为单层或多层的前向网络结构；作用函数为阶跃函数，因此输出为二值变量；利用输入和误差简单计算权值和阈值调整量，学习算法很简单；一般用于解决较为简单的线性分类问题。,典型的神经网络类型介绍,典型的神经网络类型介绍,典型的神经网络类型介绍,感知器神经网络的学习算法：权值调整：权值增量：阈值调整：阈值增量：在Matlab中训练网络：net,y,e=adapt(net,p,t)在Matlab中仿真网络：A=sim(net,p),典型的神经网络类型介绍,感知器神经网络的局限性：网络结构很简单，用于解决线性问题；作用函数为阶跃函数，主要用于解决分类问题；,典型的神经网络类型介绍,线性神经网络特点：网络结构上可以为单层或多层的前向网络结构；作用函数为线性函数，因此输出为连续变化的任意值；利用基于最速梯度和最小二乘原理的学习算法，具有较好的学习性能；一般用于解决较为简单的线性逼近问题。,典型的神经网络类型介绍,典型的神经网络类型介绍,典型的神经网络类型介绍,线性神经网络的学习算法：权值调整：权值增量：阈值调整：阈值增量：在Matlab中训练网络：net,tr=train(net,p,t)在Matlab中仿真网络：A=sim(net,p),典型的神经网络类型介绍,线性神经网络的局限性：采用线性作用函数，只能反映线性映射关系；训练不一定能达到零误差；网络的训练和性能受学习速率的影响。,典型的神经网络类型介绍,误差反向传播（BP）神经网络的网络结构：,典型的神经网络类型介绍,BP神经网络的作用函数：常采用可微的单调递增函数输出层可采用线性函数,典型的神经网络类型介绍,BP神经网络的学习算法：网络学习中的正向传播和反向传播正向计算用于网络输出计算。,典型的神经网络类型介绍,BP神经网络的反向误差传播算法：确定网络学习的目标函数：目标函数是网络学习和调整的准则，一般为反映误差大小等网络性能的函数。如取误差的L2范数作为目标函数，以Ep表示第p组样本训练第n步时的目标函数。,其中：ympk(n)为在第p组样本输入时网络经n次权值调整后第k层第m个神经元的输出。,典型的神经网络类型介绍,BP神经网络的反向误差传播算法：网络学习的目标即通过对个神经元权值和阈值的调整使网络目标函数达到最优。对表示误差大小的目标函数可以应用梯度下降法对网络进行调整使目标函数达到最小。,梯度下降法：设J(ak)是J(a)在ak点的梯度，则J(ak)的负方向为函数J(a)减小最快的方向，沿该方向调整ak寻找J(a)最小值的方法称为梯度下降法。,典型的神经网络类型介绍,其中为调整步长。,用sk表示在ak点目标函数的负梯度方向，即：,Sk的单位向量为：,按梯度下降法应沿该方向调整ak，用表示调整后的变量，即：,典型的神经网络类型介绍,也可写为：,将梯度定义代入得:,按照上述方法，可得神经网络中权值和阈值的调整公式：,典型的神经网络类型介绍,典型的神经网络类型介绍,典型的神经网络类型介绍,典型的神经网络类型介绍,在Matlab中仿真神经网络。对象命令方式：生成网络：net=newff(PR，S1S2Sn，TF1TF2TFn，BTF)；如：net=newff(0,10;-1,2，51，tansig,purelin，trainlm)；网络训练：net,tr=train(net,P,T)网络仿真：Output=sim(net,p),典型的神经网络类型介绍,在Matlab中仿真神经网络。基于GUI（GraphicalUserInterfaces）方式：利用nntool命令进入。,典型的神经网络类型介绍,典型的神经网络类型介绍,创建新网络,典型的神经网络类型介绍,创建新网络,典型的神经网络类型介绍,网络初始化,典型的神经网络类型介绍,建立数据,典型的神经网络类型介绍,建立数据,典型的神经网络类型介绍,训练网络,典型的神经网络类型介绍,训练网络,典型的神经网络类型介绍,训练网络,典型的神经网络类型介绍,网络仿真,典型的神经网络类型介绍,在Matlab中仿真神经网络。基于Simulink方式：neural命令,基于神经网络的传感器检测数据融合,举例：由于红外光在介质中的传播速度受到温度等环境因素影响，为获得较准确的测量结果需要对红外测距系统的测量数据进行处理。为确定某一红外测距传感器系统的数据处理算法，利用该测距系统进行如下实验：在不同温度下将目标放置不同的距离分别进行测距，每一温度下对同一目标连续测量5次，测量的实验数据见附表所示。请利用BP神经网络完成该系统的数据处理。,基于神经网络的传感器检测数据融合,注：为说明问题上述数据扩大了温度对结果的影响。,基于神经网络的传感器检测数据融合,网络结构设计：由于输入向量有2个元素、输出向量有1个元素，所以网络输入层的神经元有2个，输出层神经元数目为1。神经网络是误差后身传播神经网络，其隐含层结构的层数与各层的节点数直接影响网络性能的优劣。若隐层数较多，网络所表达的映射就越复杂，不仅增大计算量，而且易导致数据失真；若各隐含层的节点数较多，会使其学习时间过长，误差也不一定最小，若节点数较少，会导致网络容错性较差，局部极小就多。因此，隐含层是网络结构设计的重要问题。,基于神经网络的传感器检测数据融合,网络结构设计：隐含层数设计：隐含层的层数应大于1层，可由下式试算：其中，N为隐层层数；J为输出层神经元个数；I为输入层神经元个数；K为标准样本个数。本例取1层隐层。隐含层神经元个数设计：隐含层节点个数设计相对于隐含层数的设计比较复杂，一般有基于最小二乘设计法、基于黄金分割设计法等。本例取：M=2n+1，其中n为输入层神经元的个数。,基于神经网络的传感器检测数据融合,网络结构设计：作用函数设计：隐层作用函数取正切S型传递函数tansig函数，即：输出层作用函数取对数S型传递函数logsig函数，即：,基于神经网络的传感器检测数据融合,网络结构设计：学习算法设计：traingdm是带动量的梯度下降法、trainlm是指L-M优化算法、trainscg是指量化共轭梯度法等，本例选择trainlm学习算法。输入/输出向量设计：根据已知条件，可将目标距离的理论值作为对测量温度和测量值的一个映射（二元函数）。由此，可以确定网络的输入为2维向量，且该网络为单输出神经网络。,基于神经网络的传感器检测数据融合,网络结构设计：训练样本和测试样本设计：题给数据共30组，可在同类（共六类）数据组中各挑选一个样本，从而得到六个测试样本，构成测试样本集。剩余24组数据可作为训练样本集。,基于神经网络的传感器检测数据融合,基于神经网络的传感器检测数据融合,输入层到隐含层的连接权值：,隐含层的神经元阈值：,隐含层到输出层的连接权值：,输出层的神经元阈值：,基于神经网络的传感器检测数据融合,ThankYou!,多传感器数据融合技术,Kalman滤波中的数据融合方法及应用,本节内容,Kalman滤波基础,1,Kalman滤波中的数据融合方法,2,应用举例,3,Kalman滤波基础,确定性信号：确定性信号的变化规律是既定的，可表示为一定的时间或空间函数；傅利叶频谱分析技术的信号分析方法；经典信号处理方法。,两种不同的信号类型,随机信号：没有既定的变化规律，不能表示为时间或空间的函数；功率谱特性的信号分析方法；现代信号处理方法。,将状态空间法引入随机信号滤波估值中在时域实现；需要求解状态方程；计算量较小，易于实时实现；,通过对信号做功率谱分解在变换域实现；需要求解维纳-霍普方程；计算量较大。,Kalman滤波基础,Wiener滤波器,Kalman滤波器,随机信号处理滤波器,Kalman滤波基础,测量中的估计问题：设以X表示待测的n维状态向量，以Z表示利用测量系统可测得m维观测向量，则可表示为：,其中V表示m维观测噪声向量。,Kalman滤波基础,测量中的估计问题：因此，测量系统中需要根据观测向量Z和噪声向量V全部或部分统计特征，在一定的约束条件和准则下，寻找合适的估计函数H，对被测系统的状态向量X进行估计。即：,其中表示对X的一个估计。,Kalman滤波基础,随机信号估计问题,设计准则,Kalman滤波基础,离散系统模型：,其中表示k时刻的状态向量；表示k时刻的观测向量；表示k-1时刻到k时刻的状态转移矩阵；表示k-1时刻的系统噪声；表示k时刻的测量噪声；,Kalman滤波基础,该系统模型的三种应用情况：当由历史和当前观测值估计当前的系统状态参数时，即为估值滤波；当由历史和当前观测值估计未来的系统状态参数时，即为预测滤波；当由历史和当前观测值估计系统历史的状态参数时，即为平滑或插值滤波。,Kalman滤波基础,对离散系统模型的状态方程求解得：,上式可表示为：,即为Kalman滤波器的基本形式。,Kalman滤波中的数据融合方法,实际系统中经常利用多个传感器对系统状态进行测量；在多传感器系统中如利用集中式Kalman滤波方法，存在以下缺点：Kalman滤波器的维数较高，计算量较大；出现故障的危害较大，可靠性较低；可采用分散式Kalman滤波技术。,Kalman滤波中的数据融合方法,联邦滤波算法是一种常用的Kalman滤波数据融合算法；设对两个局部滤波器的状态估计进行融合处理，以、表示两个滤波器的输出状态估计，相应的估计误差分别用、表示，表示融合后的状态估计，则：,W1和W2为待定系数。,Kalman滤波中的数据融合方法,应在以下两个目标下确定这两个系数：若两个局部滤波器的状态估计、为无偏估计，则要求也是无偏估计。即：,的估计误差方差阵最小，即：,Kalman滤波中的数据融合方法,由此可得：,N个局部滤波器的状态估计，相应的协方差阵为：，设N个局部估计互不相关，则融合估计为：,应用举例,车辆定位导航中常可采用两种技术：GPS卫星定位导航系统；低成本高精度的绝对坐标定位；数