分布式多传感器数据融合

介绍经典统计推理理论的分布式多传感器数据融合的概念、形式和方法，以及目前在这一领域研究中已取得的进展及今后的发展趋势．

多尺度随机建模与分布式多传感器数据融合估计

针对不同尺度上拥有不同特征的传感器对同一目标状态进行检测的多传感器单模型动态系统 ,利用小波将最细尺度上的状态方程进行有效分解 ,基于小波变换的分析、综合形式建立起以尺度为变量的动态多尺度随机模型。利用该模型将各个尺度上状态的局部估计结果进行有效综合 ,从而在最细尺度上获得目标基于全局信息的最优估计值。

含状态约束的分布式多传感器数据融合

从理论上研究了含状态约束的分布式多传感器数据融合中的状态估计问题.在单传感器 Kalman滤波方程和无约束的分布式融合算法的基础上,考虑状态等式约束条件,提出了一种新的含状态约束的分布式融合估计算法,指出并证明了该融合估计所具有的数学性质.

面向分布式多传感器的FOA大数据融合算法研究

分布式多传感器融合能够获得更好的数据监控效果,构建一种分布式多传感器数据融合模型以解决数据融合中出现的时序偏差问题。该模型通过对多个传感器测量的数据值进行综合分析,基于相对梯度值剔除冗余干扰以改善数据融合的精度,并基于FOA优化算法模拟果蝇找寻食物的过程,在全局范围内寻找最优解,解决了传感器系统参数优化和选择时遇到的局部早熟问题。实验结果表明,采用FOA算法的多传感器融合效率更高、时间更短,随着数据源数量的增加,算法的融合精度衰减较慢。

不依赖水声传感器信噪比的分布式量化检测融合方法

针对水下跨平台协同系统信号检测融合的应用需求,本文提出了一种不依赖于水声传感器信噪比先验信息的水下目标分布式量化检测融合方法,不仅提升了检测融合系统的性能,而且避免了以往检测融合需要知道各传感器信噪比的难题。在奈曼-皮尔逊准则下,推导了量化检测融合的全局最优算法,在量化检测融合系统满足虚警概率要求的条件下,通过联合设计检测融合规则和各传感器判决规则,实现了对多位量化判决结果的最优判决。给出了量化检测融合的次优算法,通过独立设计融合规则与各传感器判决规则,使融合中心判决门限和各传感器判决门限仅仅依赖于与噪声方差密切联系的虚警概率,而不再依赖于信噪比。进行了计算机仿真,结果表明:所提算法性能优于参加融合的各传感器检测性能以及全局最优硬判决融合的性能,量化检测融合次优算法性能接近全局最优量化检测融合的性能。

物联网平台下的分布式数据融合管理系统设计与实现

随着物联网技术的快速发展,感知终端之间的数据融合、交互与共享成为智能物联网高层应用的基础。目前,我国各行业的管理系统还存在较大的“信息孤岛”现象,本文为了解决上述问题而提出的总体方案和总体方案。在此基础上,设计了数据融合平台、分布式实时库管理等各子系统的功能结构,针对个问题提出来系统的总模块设计与总架构设计。并对系统五大子系统:数据融合平台、分布式实时库管理、客户端代理、集群、元数据服务器的功能架构进行了设计。为高效处理、分布式存储等提供借鉴。

基于多源数据融合的分布式光伏聚合超短期预测方法

分布式光伏聚合发电的超短期预测是支撑其功率快速调节的前提保障,由于规模化接入的分布式光伏容量小、分布广,其发电时序特性差异性大、非平稳性强,导致其超短期预测精度难以保证。为此,文章提出基于多源数据融合的分布式光伏聚合超短期预测方法。该方法基于变分模态分解法,充分挖掘分布式光伏聚合发电非平稳性特性,并采用核主成分分析法对引发光伏发电非平稳性的影响因素即温度、湿度、光照、云量等多源数据进行量化解析,同时结合改进的长短期记忆神经网络,创建了多源数据融合方法,实现了分布式光伏聚合发电超短期预测。仿真结果表明,该方法有效提升了模型的预测精度。与传统方法相比,提出的预测方法对随机性波动严重的光伏超短期预测具有显著优势。

跨院区分布式医疗数据采集融合平台设计与实现

目的 解决区域性数据中心或多院区医疗机构进行跨院区数据采集、融合所面临的突出困难。方法综合运用全增量无缝衔接、数据变更捕获、一致性比对、容错机制及带宽优化等关键技术,设计了数据汇聚部署、同步组织、管理控制等平台功能模块。结果 构建了分布式数据采集融合平台,解决多源异构数据归一性、完整性和保鲜性问题,实现跨院区、跨系统、跨领域的医疗数据实时汇聚融合。结论 分布式数据采集融合平台支持区域性数据中心或多院区医疗机构对医疗、管理、科研等方面数据价值进行挖掘,对满足全量实时贴源数据的迫切需求进行有效的技术性探索。

基于LSM-Tree的分布式数据库异步融合机制研究与实现

信息技术的不断发展,使得分布式数据库成为研究热点。由于NoSQL架构的分布式数据库对SQL支持有限且在事务处理及一致性方面存在缺陷,基于LSM-Tree的NewSQL数据库逐渐成为应用的主流,例如TiDB、OceanBase等。分布式LSM-Tree的存储架构将数据分为基线数据与增量数据,通过合并操作将不同分区的增量数据与基线数据不断融合,并存储在磁盘,从而减少内存压力。但合并会占用大量系统资源,严重影响系统可用性。因此提出了一种基于LSM-Tree架构的异步融合机制,通过细分合并流程,将数据融合异步化,有效地缩短了单次数据合并的时间。实验表明,提出的异步融合机制可显著缩短数据合并时间,提高系统在高频写入场景下的鲁棒性和可用性。

带时间相关乘性噪声多传感器系统的分布式融合估计

研究带时间相关乘性噪声多传感器系统的分布式融合估计问题,其中时间相关的乘性噪声满足一阶高斯-马尔科夫过程.通过引入虚拟状态和虚拟过程噪声,构建了虚拟状态的递推方程.首先,基于新息分析方法,分别对系统状态和虚拟状态设计局部一步预报器.然后,基于一步预报器设计状态的局部线性滤波器、多步预报器和平滑器.推导了任意两个局部状态估计误差之间的互协方差矩阵.接着,基于线性最小方差意义下的矩阵加权、对角矩阵加权和标量加权融合算法,给出相应的分布式融合状态估值器.最后,分析算法的稳定性.仿真研究验证了该算法的有效性.

基于数据驱动的分布式光伏发电功率预测方法研究进展

从综述的角度,以分布式光伏系统为对象,分析了功率预测技术的发展情况、存在的难点以及主要影响因素,梳理了应用数据驱动方法实现功率准确预测的技术路线。再以空间相关性、历史出力功率以及气象等影响因素为切入点,梳理了光伏系统数据驱动的功率预测研究现状,分析其相应的数据增强、时空图信息以及特征融合的手段,讨论了技术的优缺点。最后给出了功率预测数据驱动方法研究方向和发展建议。

基于证据理论的多传感器数据融合水质检测研究

针对多传感器水质监测数据融合中测量数据存在误差的现象,论文提出一种基于DS证据融合理论的多源监测数据融合算法.该算法将影响水质的氨氮含量(NH3-N)、溶解氧(DO)、pH值、电导率(CD)等多环境因子变量作为证据,并赋予可靠性折扣,计算出水质等级的质量函数,然后通过DS方法将其与其他证据结合起来,最后使用融合质量函数值的决策规则确定水质类别.实验证明这种方法适用于具有多源监测数据的水质类别预测,可以从不确定性传感器数据中评估水质,并提高评估性能.

基于多传感器信息融合的机床测量数据自动补偿系统

机床测量数据自动补偿能够减少加工误差,为提高机床加工精度,设计基于多传感器信息融合的机床测量数据自动补偿系统。首先设计温度传感器、单片机主控与补偿脉冲发生装置,获取机床运动数据,然后采用多传感器融合算法融合采集信息,对信息中误差处理,采用粗糙集理论寻找最佳补偿值,实现机床测量数据自动补偿。实验结果表明,该系统能够有效减少加工误差,可以满足实际应用要求。

基于高斯滤波与均值聚类的异质多源传感器数据加权融合

异质多源传感器之间工作频率存在差异,导致数据之间的一致性较差,加权融合后的观测误差较大,因此提出基于高斯滤波与均值聚类的异质多源传感器数据加权融合方法。采用高斯滤波对异质多源传感器数据空间单元格进行划分,建立基于单元格的最佳连通域,保留传感器内部数据,完成传感器数据的高斯滤波平滑处理。引入均值聚类对异质多源传感器数据进行一致性处理。通过免疫粒子群搜索最优权重和参数,利用最优权重和参数完成异质多源传感器数据加权融合。仿真结果表明,所提方法能够降低融合后传感器数据的观测误差与均方误差,观测误差与均方误差最小值均为0.002。因此,说明所提方法提高了融合后异质多源传感器数据的可利用性。

基于多传感器数据融合技术的小麦病虫阈值决策算法设计

小麦病虫害种类繁多,且不同病虫害的症状可能相似,导致在小麦病虫阈值决策过程中可能出现数据信息的丢失、误判或冗余,进而影响阈值设定的准确性。传感器数据融合技术具有准确区分不同病虫害类型的潜力,其小麦病虫阈值的准确性较高。鉴于此,设计了一种基于多传感器数据融合技术的小麦病虫阈值决策算法。通过选择和布设多种探测传感器,利用多传感器数据融合技术,将来自不同传感器的数据进行整合,实现了对小麦病虫害的危害程度与产量损失率的精确测定。基于这些测定结果,制定了计算小麦病虫阈值的规则,并通过混合方法优化了小麦病虫害阈值决策过程,最终确定了更加准确合理的小麦病虫害的阈值。案例分析表明,所设计的算法响应时间较短,能够更快地处理数据并作出决策;所得结果与实际结果的误差平均值仅为3.4%,显示出小麦病虫害检测结果的高度准确性和可靠性,通过所提出的方法能够有效提升决策的效率和精确度。

基于多传感器数据自动融合的配电房能耗远程监控系统

为了全面、准确地监测配电房能耗,设计了基于多传感器数据自动融合的配电房能耗远程监控系统。硬件上,采用A1101R04C霍尔传感器、DC 0~20 V电压传感器、SINAEX P530功率传感器及DHT11温湿度传感器设计传感器模块,并选择STM32F407ZGT芯片作为微处理器。软件上,采集配电房传感器监测数据,基于多传感器数据自动融合算法进行不同传感器监测数据的融合,获取配电房能耗监控结果。结果表明,配电房能耗远程监控数据的误差在±1%范围内,具有较高的监测精度和稳定性。

ADAS系统视觉与毫米波雷达分布式抗差卡尔曼滤波融合算法

自动驾驶车辆常常利用多传感器对周围目标进行检测和跟踪,但受限于传感器多源异构特性和复杂多变的驾驶环境,准确的多目标检测和跟踪仍是实现自动驾驶的一大困难和挑战。本文面向高级驾驶辅助系统(ADAS)的多目标检测与跟踪任务,采用了基于1个视觉传感器和5个毫米波雷达(1V5R)的传感器配置方案,且设计了基于分布式抗差卡尔曼滤波器的多传感器信息融合算法以实现对周围目标的准确感知。首先,针对不同传感器数据特征,采用不同的线性卡尔曼滤波器和扩展卡尔曼滤波器进行数据融合,并基于分布式卡尔曼滤波建立了1V5R多传感器信息融合框架。其次,为降低传感器动态误差对于融合精度的影响,在卡尔曼加权观测融合的基础上,引入抗差估计方法,实现了对传感器动态误差的实时估计和修正。最后,通过离线仿真和实车道路试验对所提出的基于分布式抗差卡尔曼滤波的多传感器融合算法进行了验证。试验结果表明,与单一传感器的测量值相比,所提出的算法能有效融合多个传感器的信息以提升目标的检测与跟踪精度,且鲁棒性较好。

分布式多传感器结构中的数据融合方法

在分布式结构中,为了提高单个传感器的测量精度,为数据处理打下基础,首先对每一个传感器进行时间上的分批估计,降低误差的影响,得到各个传感器的局部决策值;接着对方差超过一定数值的数据进行基于相对距离的再处理;最后在最优融合原则下,运行加权自适应算法对各个局部决策值进行融合.数据分析结果表明,处理后的数据更接近测量真实值.

移动机器人多传感器数据融合方法研究

多传感器数据融合技术能够更好地解决智能设备产生的数据不兼容问题,提高设备运行效率和生产力。现有方法缺乏高性能表现以及未考虑数据隐私保护问题,将联邦学习引入多传感器数据融合中,联邦学习局部模型采用门控循环单元(Gated Recurrent Unit,GRU)算法解决多传感器数据拟合问题,首次设计了一种在时间域和空间域上并行的立体式多传感器数据融合方法,该方法既具备优异的融合性能,又保证了各客户端数据的隐私性。实验结果表明了该方法的正确性与合理性,并在鲁棒性方面呈现出优势。

多传感器检测系统的分布式数据融合

研究分布检测系统中融合中心的多种数据融合方法，如“ａｎｄ”、“ｏｒ”逻辑规则、表决融合方法和基于最小错误准则的最优融合方法，以及带有置信度信息的最优融合方法，分析和比较了采用各种融合方法时检测系统的检测性能，最后通过仿真实例验证了理论推导的正确性，并与集中检测融合方法进行了比较．仿真结果同时表明对各种融合方法传感器增多，信噪比增加。