两级融合的多传感器数据融合算法研究

针对智慧工厂监测环境中多源数据融合精度问题,提出了一种两级融合的多传感器数据融合方法,旨在提高多源数据融合的准确性和可靠性。该方法分为一级数据融合和二级决策融合,首先采用卡尔曼滤波结合自适应加权平均对同类型传感器进行数据降噪融合处理,其次利用人工兔优化算法(ARO)优化ELM神经网络进行决策融合。实验结果表明,基于ARO优化ELM神经网络的多传感器数据融合算法在融合精度方面优于其他先进算法。经验证,所提出的两级融合多传感器数据融合方法具有更好的融合性能,有效提升感知系统的可靠性和鲁棒性,实现更加准确和可靠的监测和预测。

基于改进多传感器数据融合算法的温室环境检测研究

采用传统方法进行温室环境参数检测,通常存在环境复杂、检测可靠性低、精度差等问题。为提高温室大棚多参数检测数据的准确性,提出一种改进的多传感器数据融合算法。首先利用箱线图算法剔除偏离大的传感器数据,得到最优数据集;其次使用支持度和置信距离理论构建新的支持矩阵,将剔除的异常数据用支持度最高值代替,提高参与融合的数据可靠性;然后利用改进的自适应加权算法对数据进行融合;最后经测试,对传感器数据融合算法和算术加权平均融合算法处理结果进行分析比较。实验结果表明,所提算法能够提高温室环境参数检测的精度,融合值的相对误差更低,稳健性较好。

基于多传感器数据融合算法的轴荷称重

为了提升轴荷动态称重系统在载荷任意位置加载时的称重精度,提出了基于多传感器的卡尔曼数据融合算法。通过分析均载与偏载下纯位移称重算法输出的称重数据,建立位移与车厢姿态角度关系的车厢数学模型;利用该模型建立位移与角度的卡尔曼数据融合算法;通过实车数据采集验证该算法的有效性。多传感器数据融合算法与单一位移称重算法相比,平均称重准确率提高了2.78%。

WSN中的一种多传感器数据融合算法

为了适应无线传感器网络资源受限的特点,提出一种多传感器数据融合算法,算法在传感层和网络层之间增加数据融合层,将采集的数据分为实时数据和非实时数据,对数据进行约简处理,提高传感器节点传输被采集信息的效率.利用TinyOS进行仿真测试,结果表明:数据融合算法可以有效地减少网络中数据通讯流量,节省传感器节点能量,延长网络生存时间.

基于模糊证据理论的多传感器数据融合算法

针对多传感器实时测量值的可靠性难以评价从而影响数据融合精度的问题,提出一种基于模糊证据理论的多传感器数据融合算法。首先将所有测量值构成的集合视为辨识框架,应用模糊数学原理引入隶属度函数,设计了多传感器之间互支持度计算的新方法,并借鉴信任分配思想将测量值转换为相应的证据,最终通过基于冲突分配的证据组合规则得到融合结果。仿真结果表明,该算法简单有效,无需传感器先验信息条件下仍可获得较高的融合精度。

改进的动态加权多传感器数据融合算法

为采用多个传感器对某一目标特性进行多次测量,提出一种改进的动态加权多传感器数据融合算法。利用模糊集合理论中的隶属函数构造各观测值的支持度矩阵,通过增加矩阵维数度量观测数据在整个观测区间的相互支持程度,采用矩阵特征向量的稳定理论分配融合权重,得到数据融合估计的最终表达式。仿真结果表明,与同类方法相比,该方法的融合精度较高,具有较好的稳健性。

基于支持向量机的多传感器数据融合算法

提出一种基于支持向量机(SVM)的多传感器数据融合算法提高融合性能,分别用3种核函数作为特征空间的内积。结合扩展卡尔曼滤波器(EKF)和软计算原理,在雷达/红外多传感器跟踪系统中构建一个有效的信息融合框架。引入环境信息使传感器信任度预测适应环境的变化,降低多传感器系统不确定因素的影响;联合测量方差归一化变量(NVMSE)作为支持向量机的输入,训练得到高确定性和高精确度的传感器信任度预测。仿真结果表明,与传统的多传感器数据融合算法相比,该算法性能更佳。

基于MHT的多传感器数据融合算法

提出了一种基于多假设跟踪算法(MHT)的分布式多传感器数据融合算法,可进行航迹的更新、删除、保持及初始化等一体化操作,既适用于点迹融合,也适应于航迹融合。这里描述了算法的主要处理流程,指出了分布式多传感器数据融合的MHT实现中面临的技术难题。仿真测试和实装测试结果验证了基于MHT多传感器数据融合算法的可行性和实用性。

一种基于多源异类信息统一表示的多传感器数据融合算法

针对异类多传感器所获信息在形式上的多样性和复杂性,分析了由多源异类信息所构成的目标特征空间的结构,运用集合空间理论构造出多源异类信息统一的表示形式,并基于Kalm an滤波给出了一种适用于多种异类信息的数据融合算法.

基于模糊神经系统的多传感器数据融合算法

将自适应模糊神经推理系统(ANFIS)和卡尔曼滤波器应用于目标跟踪系统中,构成多传感器数据融合算法。该算法假设在目标运动过程中,过程噪声和测量噪声是相互独立的高斯白噪声序列。使用ANFIS分别对目标的加速度和测量噪声的方差进行估计,通过卡尔曼滤波器获得目标后验状态,最终由神经网络对多传感数据进行融合得到系统输出。仿真结果表明,该算法可以通过自适应调整跟踪参数有效地防止目标丢失。

基于智能车辆的多传感器数据融合算法研究与分析综述

多传感器数据融合是20世纪80年代发展起来的一门新技术,将智能车辆中多个传感器采集的数据进行合成,并充分利用多感器数据间的冗余和互补特性,从而得出准确的环境信息用于地面车辆定位、车辆跟踪、车辆导航等。文章通过对现有的数据融合方法进行分类和归纳总结,对多传感器数据融合算法的研究和数据融合技术的应用情况进行阐述,为智能车辆多传感数据融合方面的研究提供参考。

无线传感器网络簇内多传感器数据融合算法

在无线传感器网络(WSNs)中,一般采用电池供电,节能是WSNs设计的研究重点。为了提高测量结果的准确度和降低网络的能耗,提出了一种两层模式数据融合方案。在传感器节点上用格林贝斯准则和顺序加权算法进行低层次数据融合,在簇头节点上用神经网络算法进行高层次数据融合。仿真实验结果表明:两层模式数据融合方案有效减少了网络中的数据传输量,提高了融合数据的精度,降低传感器节点的能耗。

一种基于奇异值分解的动态多传感器数据融合算法

在工业应用中常用一组传感器对同一个被测量目标在一个过程的不同位置进行测量。由于每个传感器位于过程的不同位置 ,它们将不同程度的受到噪声的干扰。为了从被噪声干扰的测量值中获得更准确的测量结果 ,本文提出了一种基于奇异值分解 (SVD)的动态多传感器数据融合算法。由该算法得到的传感器测量结果值最优估计的方差不仅低于传感器组中每一个传感器测量结果的方差 ,而且低于由基于最小均方误差 (MMSE)多传感器数据融合算法得到的估计结果的方差。仿真的结果表明 。

基于水产品保活运输的多传感器数据融合算法

为了解决水产品保活运输中的多传感器监测数据误差大的问题,提高数据融合的精度,提出了一种多传感器数据融合算法。先剔除某时刻温度传感器采集差异较大的数据,在分批估计的基础上,加入修正因子,构造修正样本方差,实现某时刻各个批次温度融合值权重自适应调节,得到车厢内精确的温度融合值。以乌鳢运输为例进行验证,结果表明:相比于分批估计算法,该算法可更精确地获得水产品的环境温度,以便于更好地对保活温度进行控制,其融合精度更高,稳定性更好。

两种异步多传感器数据融合算法的比较

多传感器数据融合目前已经广泛应用于多个领域,其能够使测量更加准确,提高系统的可信度和可靠性。Kalman滤波和最小二乘滤波是数据融合的两种算法,本文通过对同一目标采用同样测量系统先进行最小二乘构造伪量测,再进行Kalman滤波计算出状态估计值,然后进行融合仿真实验,比较数据融合前后的状态估计值,结果显示融合后的状态估计值与融合前相比更加接近真实值。因此,多传感器数据融合能增加测量系统的准确性与可信度。

多传感器数据融合算法综述

数据融合就是利用多传感器的协合效应来提高系统效率，它是现代Ｃ３Ｉ作战系统的关键技术之一．阐述了多传感器数据融合的特点、分布检测、空间、属性融合、态势评估和威胁估计算法，并同时介绍一些关键课题．

面向多目标跟踪的PHD滤波多传感器数据融合算法

针对密集杂波环境下单传感器应用高斯混合PHD算法进行多目标跟踪时性能下降的问题,提出一种面向多目标跟踪的PHD滤波多传感器数据融合算法。首先构建了基于高斯混合PHD滤波的多传感器数据融合系统框架,各传感器利用高斯混合PHD滤波算法进行局部状态估计,然后对各传感器的状态估计结果进行关联度计算,最后通过构建自适应混合参数,引入协方差交叉算法对关联状态进行融合。仿真实验表明,与单传感器高斯混合PHD多目标跟踪算法相比,所提算法有效提高了目标数量和状态的估计精度。

基于主成分分析法的多传感器数据融合算法研究

根据数理统计中的多元统计理论,用多个传感器对某一特性指标进行检测,将检测数据作为统计对象,提出了一种基于主成分分析的数据融合方法。该方法把各传感器的检测数据作为一个整体,定义总体的各主成分。通过计算测量值与主成分的复相关系数,给出了各传感器的综合支持程度和数据融合公式。实验表明,此方法比均值融合法更准确、有效。

一种多传感器数据融合算法的研究

一个传感器往往难以实现对目标的辨识,使用多个传感器收集来自多种物理现象产生的信号,就可以比较容易地实现对目标的辨识。传感器信息融合方法是当今研究的关键技术,它产生于军事领域并在多学科、多领域得到极大发展。本文介绍了一种基于统计方法的数据融合分类算法——Dempster-Shafer算法,并举例介绍了应用该算法如何融合多传感器数据。

一种D-S证据理论的多传感器数据融合算法

针对多传感器网络中采集的数据存在的不确定性,提出了一种基于D-S证据理论的多传感器数据融合算法.该算法分同类数据融合和异类数据融合两步,首先对多传感器得到的数据取特征值,通过计算同种数据间的距离,得到信任函数并设置阈值剔除异常值,将得到的正常同类数据进行初步融合.其次,计算异类数据与各等级特征值间的距离,对得到的距离求支持度函数,进行基本概率分配,按照证据理论得到融合结果.经仿真分析得,该方法能够有效处理D-S理论中的冲突问题,从而得到较为准确的融合结果.