專(zhuān)利名稱(chēng)：傳感器信息融合裝置及其方法
技術(shù)領(lǐng)域：
本發(fā)明涉及信息處理領(lǐng)域，特別是涉及基于IIF(Intelligent Information Fusion,智能信息融合)的傳感器信息融合裝置及其方法。
背景技術(shù)：
傳感器是一種檢測(cè)裝置，能感受到被測(cè)量的信息，并能將檢測(cè)感受 到的信息，按一定規(guī)律變換成為電信號(hào)或其他所需形式的信息輸出，以 滿(mǎn)足信息的傳輸、處理、存儲(chǔ)、顯示、記錄和控制等要求。
隨著傳感器技術(shù)的迅速發(fā)展和多傳感器系統(tǒng)的大量涌現(xiàn)，復(fù)雜工程 系統(tǒng)都擁有關(guān)于環(huán)境和被探測(cè)動(dòng)態(tài)過(guò)程的大量傳感信息。IIF即是針對(duì) 處理大量復(fù)雜傳感信息的問(wèn)題而產(chǎn)生。IIF是一門(mén)關(guān)于最佳協(xié)同利用多 傳感器觀測(cè)數(shù)據(jù)并最大程度地提煉出被探測(cè)多目標(biāo)和環(huán)境最大信息量 的綜合學(xué)科。它是一種涉及多信息源探測(cè)、相關(guān)、跟蹤、識(shí)別與分類(lèi)的 自動(dòng)智能決策過(guò)程。
目前，利用IIF技術(shù)已經(jīng)形成具有不同量測(cè)維數(shù)和不同工作特點(diǎn)的 主被動(dòng)傳感器產(chǎn)品，其中典型產(chǎn)品有監(jiān)視與成像雷達(dá)(包括激光雷達(dá)、合 成孔徑雷達(dá)、旁視雷達(dá))、紅外搜索跟蹤與圖像傳感器、光電傳感器、電 子支援測(cè)量傳感器、聲納和全球定位系統(tǒng)等在傳息融合系統(tǒng)結(jié)辨設(shè)計(jì) 方面，已經(jīng)提出基于同一運(yùn)動(dòng)平臺(tái)的集中式、傳感器級(jí)和混合式結(jié)構(gòu)， 以及基于空間分布的集中式和分布式結(jié)構(gòu)；在4企測(cè)信息融合方面，已經(jīng) 提出了分布貝葉斯檢測(cè)法、N. P準(zhǔn)則、分布序貫檢測(cè)方法和神經(jīng)網(wǎng)絡(luò) 法等。在狀態(tài)信息融合方面，已經(jīng)提出軌跡分裂法、高斯和法、整數(shù)規(guī) 劃法、多假設(shè)法、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)法(JPDA)和分散估計(jì)方法等；在目 標(biāo)識(shí)別與分類(lèi)方面，已經(jīng)提出Bayes法，Dempster-Shafer推理法、聚類(lèi) 分析法、K階最近鄰法和線性判別法等；在環(huán)境評(píng)價(jià)方面，已經(jīng)提出期 望樣板法、性能模型法和基于黑板結(jié)構(gòu)的專(zhuān)家系統(tǒng)方法等。上述信息融合理論和方法已具有相當(dāng)高的理論水平，有些已付諸應(yīng)用。
但是，上述采用IIF技術(shù)的現(xiàn)有信息融合系統(tǒng)結(jié)構(gòu)設(shè)計(jì)、檢測(cè)信息 融合、狀態(tài)信息融合、目標(biāo)識(shí)別與分類(lèi)等信息處理技術(shù)中， 一般采用單 一的算法進(jìn)行信息處理，由于各個(gè)單獨(dú)的算法往往存在不足，導(dǎo)致信息 處理結(jié)果準(zhǔn)確度、置信度差、智能水平低的技術(shù)l,題；或即使采用其他 手段輔助進(jìn)行信息處理，也往往由于系統(tǒng)過(guò)于龐大、算法配置不夠完善 而導(dǎo)致難以操作、可靠性低、體積大、能耗過(guò)高、效率低的技術(shù)問(wèn)題。
此外，現(xiàn)有技術(shù)復(fù)雜的傳感器信息融合系統(tǒng)由于系統(tǒng)設(shè)計(jì)過(guò)于龐 雜，難以快速處理信息，也使得這些系統(tǒng)在實(shí)際應(yīng)用中受到限制。

發(fā)明內(nèi)容
為解決現(xiàn)有技術(shù)基于IIF的傳感器信息融合系統(tǒng)過(guò)于龐雜、算法配 置效果不佳而導(dǎo)致可靠性、置信度、效率低的技術(shù)缺陷，本發(fā)明提供一 種可靠性、置信度、效率高的傳感器信息融合裝置及其方法。
本發(fā)明的一個(gè)方面是提供一種傳感器信息融合裝置，包括多個(gè)傳 感器，還包括自適應(yīng)加權(quán)數(shù)據(jù)融合單元，連接所述多個(gè)傳感器，采用 自適應(yīng)加權(quán)數(shù)據(jù)融合算法對(duì)來(lái)自所述多個(gè)傳感器的感應(yīng)信息分配相應(yīng) 的權(quán)數(shù)；卡爾曼濾波單元，連接所述自適應(yīng)加權(quán)數(shù)據(jù)融合單元，采用卡 爾曼濾波算法對(duì)所述相應(yīng)權(quán)數(shù)的感應(yīng)信息進(jìn)行最優(yōu)估計(jì)，得到局部融合 后的感應(yīng)信息；D-S推理單元，連接所述卡爾曼濾波單元，采用D-S理 論估計(jì)算法對(duì)所述局部融合后的感應(yīng)信息中不確定的感應(yīng)信息的進(jìn)行 區(qū)間估計(jì)；多貝葉斯估計(jì)單元，連接所述D-S推理單元，采用多貝葉斯 估計(jì)算法對(duì)所述進(jìn)行區(qū)間估計(jì)后的感應(yīng)信息進(jìn)行單獨(dú)的關(guān)聯(lián)概率分布， 以合成一個(gè)聯(lián)合的后驗(yàn)的概率分布函數(shù)，并利用所述聯(lián)合分布函數(shù)輸出 感應(yīng)信息的最終融合值。
較優(yōu)實(shí)施方式中，所述自適應(yīng)加權(quán)數(shù)據(jù)融合單元和卡爾曼濾波單元 集成為局部融合^f莫塊，所述D-S推理單元和多貝葉斯估計(jì)單元集成為全 局融合模塊。
較優(yōu)實(shí)施方式中，在所述局部融合模塊與全局融合模塊之間還連接基本概率分配模塊，對(duì)局部融合后的感應(yīng)信息中不確定的感應(yīng)信息進(jìn)行 基本概率的分配。
較優(yōu)實(shí)施方式中，所述多貝葉斯估計(jì)單元進(jìn)一步連接所述自適應(yīng)加 權(quán)數(shù)據(jù)融合單元，將本時(shí)刻的最終融合值反饋回所述自適應(yīng)加權(quán)數(shù)據(jù)融 合單元，所述自適應(yīng)加權(quán)數(shù)據(jù)融合單元根據(jù)所述最終融合值調(diào)整各個(gè)傳 感器的權(quán)數(shù)。
本發(fā)明的另一個(gè)方面是提供一種傳感器信息融合方法，包括采用 自適應(yīng)加權(quán)數(shù)據(jù)融合算法對(duì)來(lái)自多個(gè)傳感器的感應(yīng)信息分配相應(yīng)的權(quán) 數(shù)；采用卡爾曼濾波算法對(duì)所述相應(yīng)權(quán)數(shù)的感應(yīng)信息進(jìn)行最優(yōu)估計(jì)，得 到局部融合后的感應(yīng)信息；采用D-S理論估計(jì)算法對(duì)所述局部融合后的 感應(yīng)信息中不確定的感應(yīng)信息的進(jìn)^f亍區(qū)間估計(jì)；采用多貝葉斯估計(jì)算法 對(duì)所述進(jìn)行區(qū)間估計(jì)后的感應(yīng)信息進(jìn)行單獨(dú)的關(guān)聯(lián)概率分布，以合成一 個(gè)聯(lián)合的后驗(yàn)的概率分布函數(shù)；利用所述聯(lián)合分布函數(shù)輸出感應(yīng)信息的 最終融合值。
較優(yōu)實(shí)施方式中，在采用D-S理論估計(jì)算法進(jìn)行估計(jì)之前，還采用 步驟對(duì)采用卡爾曼濾波算法進(jìn)行最優(yōu)估計(jì)后的感應(yīng)信息中不確定的感 應(yīng)信息進(jìn)行基本概率的分配。
本發(fā)明的有益效果是區(qū)別于現(xiàn)有技術(shù)基于IIF的傳感器信息融合 系統(tǒng)過(guò)于龐雜、算法配置效果不佳而導(dǎo)致可靠性、置信度、效率低的技 術(shù)缺陷，本發(fā)明傳感器信息融合裝置在局部融合處理中采用自適應(yīng)加權(quán) 數(shù)據(jù)融合算法和卡爾曼濾波法，自適應(yīng)加權(quán)數(shù)據(jù)融合算法不但可以?xún)?yōu)化 傳感器的數(shù)據(jù)，還能夠有效剔除環(huán)境千擾信號(hào)，而卡爾曼濾波法的遞推 特性使系統(tǒng)處理過(guò)程中不需要進(jìn)行大量的數(shù)據(jù)存儲(chǔ)和計(jì)算，而且還能為 融合數(shù)據(jù)提供唯一統(tǒng)計(jì)意義下的最優(yōu)估計(jì)。二者相互配合，取長(zhǎng)補(bǔ)短， 這樣可以快速將最少的、最準(zhǔn)確的局部感應(yīng)信息傳送到下一步的全局融 合處理；而在全局融合處理中，D-S理論估計(jì)算法可以對(duì)復(fù)雜環(huán)境下取 得的不確定信息的采用"區(qū)間估計(jì)，，而不是"點(diǎn)估計(jì)，，的方法，可以區(qū) 分信息的不知道與不確定性質(zhì)，在精確反映證據(jù)收集方面顯示出很大的 靈活性，最后采用多貝葉斯估計(jì)算法將每一個(gè)傳感器當(dāng)作貝葉斯估計(jì)，因?yàn)橥ㄟ^(guò)使用聯(lián)合分布函數(shù)的似然函數(shù)為最小，因此最后能提供多傳感
器信息的最終的置信度、可靠度高的融合值，與所述D-S理論估計(jì)算法 搭配極為合理。


圖l是本發(fā)明傳感器信息融合裝置實(shí)施方式的原理框圖2是圖l傳感器信息融合裝置的示意圖3是本發(fā)明傳感器信息融合方法實(shí)施方式的流程圖。
具體實(shí)施例方式
下面結(jié)合附圖和實(shí)施方式對(duì)本發(fā)明進(jìn)一步說(shuō)明。
請(qǐng)參考圖1，是本發(fā)明傳感器信息融合裝置實(shí)施方式的原理框圖。 所述本發(fā)明傳感器信息融合裝置包括多個(gè)傳感器，以及以下元件
自適應(yīng)加權(quán)數(shù)據(jù)融合單元，連接所述多個(gè)傳感器，釆用自適應(yīng)加權(quán) 數(shù)據(jù)融合算法對(duì)來(lái)自所述多個(gè)傳感器的感應(yīng)信息分配相應(yīng)的權(quán)數(shù)；
卡爾曼濾波單元，連接所述自適應(yīng)加權(quán)數(shù)據(jù)融合單元，采用卡爾曼 濾波算法對(duì)所述相應(yīng)權(quán)數(shù)的感應(yīng)信息進(jìn)行最優(yōu)估計(jì)，得到局部融合后的 感應(yīng)信息；
D-S推理單元，連接所述卡爾曼濾波單元，采用D-S理論估計(jì)算法 對(duì)所述局部融合后的感應(yīng)信息中不確定的感應(yīng)信息的進(jìn)行區(qū)間估計(jì)；
多貝葉斯估計(jì)單元，連接所述D-S推理單元，采用多貝葉斯估計(jì)算 法對(duì)所述進(jìn)行區(qū)間估計(jì)后的感應(yīng)信息進(jìn)行單獨(dú)的關(guān)聯(lián)概率分布，以合成 一個(gè)聯(lián)合的后驗(yàn)的概率分布函數(shù)，并利用所述聯(lián)合分布函數(shù)輸出感應(yīng)信 息的最終融合值。
工作時(shí)，第一階段，是先對(duì)多個(gè)傳感器采集緣來(lái)的感應(yīng)信息采用局 部融合算法進(jìn)行處理，包括
在局部融算法中采用自適應(yīng)加權(quán)數(shù)據(jù)融合單元和卡爾曼濾波單元， 兩單元分別采用自適應(yīng)加權(quán)數(shù)據(jù)融合算法和卡爾曼濾波法對(duì)感應(yīng)信息 進(jìn)行處理。其中，自適應(yīng)加權(quán)數(shù)據(jù)融合算法不但可以?xún)?yōu)化傳感器的數(shù)據(jù)，還能夠有效剔除環(huán)境干擾信號(hào)，具體上是一艮據(jù)各個(gè)傳感器數(shù)據(jù)誤差的大 小，分配不同的權(quán)數(shù)，精度高的數(shù)據(jù)由于誤差小，分配的權(quán)數(shù)較大，反
之較小；卡爾曼濾波法的遞推特性使系統(tǒng)處理中不需要進(jìn)行大量的數(shù)據(jù) 存儲(chǔ)和計(jì)算，而且還能為融合數(shù)據(jù)提供唯一統(tǒng)計(jì)意義下的最優(yōu)估計(jì)。二
者相互配合，取長(zhǎng)補(bǔ)短，將局部信息以最小，最準(zhǔn)確的形態(tài)的傳送到下 面的全局融合處理中。
第二階段，對(duì)經(jīng)過(guò)局部融合處理的感應(yīng)信息進(jìn)一步采用全局融合算 法進(jìn)行處理，包括
采用D-S推理單元和多貝葉斯估計(jì)單元，因?yàn)槿秩诤纤惴ㄖ苯佑?響到?jīng)Q策的準(zhǔn)確性，在充分考慮各傳感器參量對(duì)決策的影響后，通過(guò) D-S證據(jù)理論和多貝葉斯估計(jì)算法對(duì)各數(shù)據(jù)進(jìn)行融合，可以更好發(fā)揮傳 感器的聯(lián)合作用，提高系統(tǒng)的可靠性。D-S證據(jù)理論是由A.P.Dempster 和G.shafer提出并發(fā)展起來(lái)的一種不確定性推理方法。它最大的特點(diǎn)是 對(duì)不確定信息的描述采用了 "區(qū)間估計(jì)"而不是"點(diǎn)估計(jì)"的方法，在 區(qū)分不知道與不確定方面以及精確反映證據(jù)收集方面顯示出很大的靈 活性。多貝葉斯估計(jì)算法將每一個(gè)傳感器當(dāng)作貝葉斯估計(jì)，將各個(gè)單獨(dú) 的物體的關(guān)聯(lián)概率分布合成一個(gè)聯(lián)合的后驗(yàn)的概率分布函數(shù)，通過(guò)使用 聯(lián)合分布函數(shù)的似然函數(shù)為最小，提供多傳感器信息的最終融合植。
可以理解，區(qū)別于現(xiàn)有技術(shù)基于IIF的傳感器信息融合系統(tǒng)過(guò)于龐 雜、算法配置效果不佳而導(dǎo)致可靠性、置信度、效率低的技術(shù)缺陷，本 發(fā)明先在局部融合處理中采用自適應(yīng)加權(quán)數(shù)據(jù)融合算法和卡爾曼濾波 法，不但可以?xún)?yōu)化傳感器的數(shù)據(jù)和有效剔除環(huán)境干擾信號(hào)，還可以在系 統(tǒng)處理過(guò)程中不需要進(jìn)行大量的數(shù)據(jù)存儲(chǔ)和計(jì)算，而且還能為融合數(shù)據(jù) 提供唯一統(tǒng)計(jì)意義下的最優(yōu)估計(jì)，兩種算法相互配合，取長(zhǎng)補(bǔ)短，可以 快速將最少的、最準(zhǔn)確的局部感應(yīng)信息傳送到下一步的全局融合處理； 而在全局融合處理中，D-S理論估計(jì)算法可以對(duì)復(fù)雜環(huán)境下:f又得的不確 定信息的采用"區(qū)間估計(jì)，，，在精確反映證據(jù)收案方面顯示出很大的靈 活性，最后采用多貝葉斯估計(jì)算法將每一個(gè)傳感器當(dāng)作貝葉斯估計(jì)，因 為通過(guò)使用聯(lián)合分布函數(shù)的似然函數(shù)為最小，因此最后能提供多傳感器信息的最終的置信度、可靠度高的融合值，與所迷D-S理論估計(jì)算法搭
配才及為合理。
總的來(lái)看，是在多傳感器采集過(guò)程中避免大量數(shù)據(jù)計(jì)算的同時(shí)，為 提高決策的準(zhǔn)確度而釆用準(zhǔn)確的融合算法，能又快又好地得到置信度、 可靠度高的最終融合值，效率大大提升。
如圖2所述，為進(jìn)一步提高裝置的處理速度，所述自適應(yīng)加權(quán)數(shù)據(jù) 融合單元和卡爾曼濾波單元集成為局部融合模塊，所述D-S推理單元和 多貝葉斯估計(jì)單元集成為全局融合;f莫塊。
此外，還可以在所述局部融合模塊與全局融合模塊之間還連接基本 概率分配模塊(BPA),對(duì)局部融合后的感應(yīng)信息f'不確定的感應(yīng)信息進(jìn) 行基本概率的分配。
基本概率分配中，采用Bayes估計(jì)法實(shí)現(xiàn)對(duì)基本和無(wú)率的分配，Bayes 估計(jì)法融合靜態(tài)環(huán)境中多傳感器低層數(shù)據(jù)的一種常用方法。其信息描述 為概率分布，適用于具有可加高斯噪聲的不確定性信息。多傳感器從不 同的坐標(biāo)框架對(duì)環(huán)境中同 一物體進(jìn)行描述，這時(shí)傳感器測(cè)量數(shù)據(jù)要以間 接的方式采用Bayes估計(jì)進(jìn)行數(shù)據(jù)融合。
此外，所述多貝葉斯估計(jì)單元可以進(jìn)一步連接所述自適應(yīng)加權(quán)數(shù)據(jù) 融合單元，將本時(shí)刻的最終融合值反饋回所述自適應(yīng)加權(quán)數(shù)據(jù)融合單 元，所述自適應(yīng)加權(quán)數(shù)據(jù)融合單元根據(jù)所述最終融合值調(diào)整各個(gè)傳感器 的權(quán)數(shù)，以進(jìn)一步提高融合值的置信度。
本發(fā)明利用多種傳感器組探測(cè)周?chē)盘?hào)，在數(shù)據(jù)進(jìn)行處理時(shí)，采用 自適應(yīng)加權(quán)算法、卡爾曼濾波法、多貝葉斯估計(jì)算法D-S理論兩種融合 算法融合算法，減少了數(shù)據(jù)的不確定性和冗余性，增加了系統(tǒng)工作的可 靠性，從而大大提高了系統(tǒng)的智能化水平。本文還提出將數(shù)據(jù)進(jìn)行模塊 化(局部融合模塊、BPA模塊、D-S合成模塊)處理，大大提高了處 理數(shù)據(jù)的速度。
參閱圖3，本發(fā)明還提供一種傳感器信息融合方法，包括
A、采用自適應(yīng)加權(quán)數(shù)據(jù)融合算法對(duì)來(lái)自多個(gè)傳感器的感應(yīng)信息分 配相應(yīng)的;f又?jǐn)?shù)；B、 采用卡爾曼濾波算法對(duì)所述相應(yīng)權(quán)數(shù)的感應(yīng)信息進(jìn)行最優(yōu)估 計(jì)，得到局部融合后的感應(yīng)信息；
C、 采用D-S理論估計(jì)算法對(duì)所述局部融合后的感應(yīng)信息中不確定 的感應(yīng)信息的進(jìn)行區(qū)間估計(jì)；
D、 采用多貝葉斯估計(jì)算法對(duì)所述進(jìn)行區(qū)間估計(jì)后的感應(yīng)信息進(jìn)行 單獨(dú)的關(guān)聯(lián)概率分布，以合成一個(gè)聯(lián)合的后驗(yàn)的概率分布函數(shù)；
E、 利用所述聯(lián)合分布函數(shù)輸出感應(yīng)信息的最終融合值。
同理，采用本發(fā)明的傳感器信息融合方法后可增加系統(tǒng)工作的可靠 性，從而大大提高了系統(tǒng)的智能化水平。
此外，在采用D-S理論估計(jì)算法進(jìn)行估計(jì)之前，還可以采用步驟
對(duì)采用卡爾曼濾波算法進(jìn)行最優(yōu)估計(jì)后的感^信息中不確定的感 應(yīng)信息進(jìn)行基本概率的分配。
以上對(duì)本發(fā)明所提供的一種傳感器信息融合裝置及其方法進(jìn)行了
時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式
及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì) 本發(fā)明的限制。
權(quán)利要求
1. 一種傳感器信息融合裝置，包括多個(gè)傳感器，其特征在于，還包括自適應(yīng)加權(quán)數(shù)據(jù)融合單元，連接所述多個(gè)傳感器，采用自適應(yīng)加權(quán)數(shù)據(jù)融合算法對(duì)來(lái)自所述多個(gè)傳感器的感應(yīng)信息分配相應(yīng)的權(quán)數(shù)；卡爾曼濾波單元，連接所述自適應(yīng)加權(quán)數(shù)據(jù)融合單元，采用卡爾曼濾波算法對(duì)所述相應(yīng)權(quán)數(shù)的感應(yīng)信息進(jìn)行最優(yōu)估計(jì)，得到局部融合后的感應(yīng)信息；D-S推理單元，連接所述卡爾曼濾波單元，采用D-S理論估計(jì)算法對(duì)所述局部融合后的感應(yīng)信息中不確定的感應(yīng)信息的進(jìn)行區(qū)間估計(jì)；多貝葉斯估計(jì)單元，連接所述D-S推理單元，采用多貝葉斯估計(jì)算法對(duì)所述進(jìn)行區(qū)間估計(jì)后的感應(yīng)信息進(jìn)行單獨(dú)的關(guān)聯(lián)概率分布，以合成一個(gè)聯(lián)合的后驗(yàn)的概率分布函數(shù)，并利用所述聯(lián)合分布函數(shù)輸出感應(yīng)信息的最終融合值。
2. 根據(jù)權(quán)利要求1所述的傳感器信息融合裝置，其特征在于所述 自適應(yīng)加權(quán)數(shù)據(jù)融合單元和卡爾曼濾波單元集成為局部融合模塊，所述 D-S推理單元和多貝葉斯估計(jì)單元集成為全局融合模塊。
3. 根據(jù)權(quán)利要求2所述的傳感器信息融合裝置，其特征在于在所 述局部融合模塊與全局融合模塊之間還連接基本概率分配模塊，對(duì)局部 融合后的感應(yīng)信息中不確定的感應(yīng)信息進(jìn)行基本^f既率的分配。
4. 根據(jù)權(quán)利要求1或3任一項(xiàng)所述的傳感器信息融合裝置，其特征 在于所述多貝葉斯估計(jì)單元進(jìn)一步連接所述自適應(yīng)加權(quán)數(shù)據(jù)融合單 元，將本時(shí)刻的最終融合值反饋回所述自適應(yīng)加權(quán)數(shù)據(jù)融合單元，所述 自適應(yīng)加權(quán)數(shù)據(jù)融合單元根據(jù)所述最終融合值調(diào)整各個(gè)傳感器的權(quán)數(shù)。
5. —種傳感器信息融合方法，其特征在于，包括采用自適應(yīng)加權(quán)數(shù)據(jù)融合算法對(duì)來(lái)自多個(gè)傳感器的感應(yīng)信息分配 相應(yīng)的權(quán)數(shù)；采用卡爾曼濾波算法對(duì)所述相應(yīng)權(quán)數(shù)的感應(yīng)信息進(jìn)行最優(yōu)估計(jì)，得 到局部融合后的感應(yīng)信息；采用D-S理-論估計(jì)算法對(duì)所述局部融合后的感應(yīng)信息中不確定的感 應(yīng)信息的進(jìn)行區(qū)間估計(jì)；采用多貝葉斯估計(jì)算法對(duì)所述進(jìn)行區(qū)間估計(jì)后的感應(yīng)信息進(jìn)行單 獨(dú)的關(guān)聯(lián)概率分布，以合成一個(gè)聯(lián)合的后驗(yàn)的概率分布函數(shù)；利用所述聯(lián)合分布函數(shù)輸出感應(yīng)信息的最終融合值。
6.根據(jù)權(quán)利要求5所述的傳感器信息融合方法，其特征在于在采 用D-S理論估計(jì)算法進(jìn)行估計(jì)之前，還采用步驟對(duì)采用卡爾曼濾波算法進(jìn)行最優(yōu)估計(jì)后的感應(yīng)信息中不確定的感 應(yīng)信息進(jìn)行基本概率的分配。
全文摘要
本發(fā)明公開(kāi)一種傳感器信息融合裝置及其方法，所述傳感器信息融合方法包括采用自適應(yīng)加權(quán)數(shù)據(jù)融合算法對(duì)來(lái)自多個(gè)傳感器的感應(yīng)信息分配相應(yīng)的權(quán)數(shù)；采用卡爾曼濾波算法對(duì)所述相應(yīng)權(quán)數(shù)的感應(yīng)信息進(jìn)行最優(yōu)估計(jì)，得到局部融合后的感應(yīng)信息；采用D-S理論估計(jì)算法對(duì)所述局部融合后的感應(yīng)信息中不確定的感應(yīng)信息的進(jìn)行區(qū)間估計(jì)；采用多貝葉斯估計(jì)算法對(duì)所述進(jìn)行區(qū)間估計(jì)后的感應(yīng)信息進(jìn)行單獨(dú)的關(guān)聯(lián)概率分布，以合成一個(gè)聯(lián)合的后驗(yàn)的概率分布函數(shù)；利用所述聯(lián)合分布函數(shù)輸出感應(yīng)信息的最終融合值。本發(fā)明可提高傳感器信息融合的可靠性、置信度及效率。
文檔編號(hào)G06K9/62GK101441718SQ200810072418
公開(kāi)日2009年5月27日 申請(qǐng)日期2008年12月19日 優(yōu)先權(quán)日2008年12月19日
發(fā)明者林小泉 申請(qǐng)人:福建三元達(dá)通訊股份有限公司