本發(fā)明涉及目標跟蹤技術(shù)領(lǐng)域中的多傳感器系統(tǒng)數(shù)據(jù)融合技術(shù)，是通過在經(jīng)典數(shù)據(jù)融合方法中加入?yún)?shù)模糊整定的自適應(yīng)加權(quán)因子，以實現(xiàn)提高跟蹤精度的設(shè)計方法。

背景技術(shù)：

目標定位與跟蹤是依據(jù)最佳估計原理，采用數(shù)字濾波的計算方法，對傳感器接收到的量測進行處理，估計目標運動要素的數(shù)據(jù)處理過程。量測是指被噪聲污染的有關(guān)目標狀態(tài)的傳感器觀測信息，包括如斜距離、方位角、俯仰角、以及時差等其他信息。目標運動要素一般指目標狀態(tài)、航向等參數(shù)。目標狀態(tài)主要是指目標的運動分量(如位置、速度、加速度等)。通常，把目標定位與跟蹤簡稱為目標跟蹤。

數(shù)據(jù)融合是針對使用多個或多類傳感器的系統(tǒng)而開展的一種信息處理新方法。在多傳感器系統(tǒng)中，各種傳感器提供的信息具有不同的特征，數(shù)據(jù)融合通過對各種傳感器及其觀測信息的合理支配與使用，把在空間和時間上互補與冗余的信息依據(jù)某種優(yōu)化準則組合起來，以獲得更多有效的信息?？臻g目標測量手段逐漸多樣化，融合處理技術(shù)是降低測量信息不確定性影響，獲得穩(wěn)健、高精度目標跟蹤結(jié)果的重要方法。

卡爾曼濾波是由R.E.Kalman最早提出的，它是一種線性最小方差估計，采用狀態(tài)空間方法，在時域內(nèi)設(shè)計濾波器，算法采用遞推形式，是實現(xiàn)多傳感器位置融合的主要技術(shù)手段之一。卡爾曼濾波應(yīng)用于目標跟蹤技術(shù)時，用系統(tǒng)狀態(tài)方程來描述目標的運動特性，其中的狀態(tài)向量通常由目標的位置、速度和加速度參量構(gòu)成。用n表示觀測系統(tǒng)第n個采樣周期，把過程噪聲v₁(n-1)及觀測噪聲v₂(n)假定為零均值白噪聲，則卡爾曼濾波算法可利用觀測量集合{z(1)，z(2)，…，z(n)}對系統(tǒng)狀態(tài)變量x(n)進行最優(yōu)估計得出狀態(tài)估計變量。

定義估計誤差自相關(guān)矩陣P(n)為：

在每一步卡爾曼遞推濾波計算中，遵照最小均方誤差準則，通過新息過程及卡爾曼增益的修正解算，得出和估計誤差自相關(guān)矩陣P(n)，并參與下一步遞推計算。

參閱圖7。在工程運用中將常見的分布式融合結(jié)構(gòu)中，局部濾波為分布傳感器的卡爾曼濾波過程，融合單元輸出的全局估計是局部估計的線性組合，這里融合單元的作用是實現(xiàn)局部估計的優(yōu)化組合。假設(shè)有L個局部狀態(tài)估計和相應(yīng)的局部估計誤差自相關(guān)矩陣P⁽¹⁾(n)，P⁽²⁾(n)，…，P^(L)(n)，且各局部估計互不相關(guān)，則全局最優(yōu)估計及全局估計誤差自相關(guān)矩陣為：

式中：i為1-L號傳感器分系統(tǒng)中的第i個傳感器。

由上式可知，若第i個傳感器估計精度差，則它對全局估計的貢獻就比較小。在分布式數(shù)據(jù)融合結(jié)構(gòu)中，每個傳感器都可獨立地處理其自身信息，再進行融合，可以一定程度上克服數(shù)據(jù)融合數(shù)據(jù)互聯(lián)復雜、計算和通信資源要求高等不足，但同時又很難避免一些有效信息的損失。

基于分布式融合系統(tǒng)的思想，融合單元輸出的最終狀態(tài)估計量為各傳感器局部狀態(tài)估計量的線性優(yōu)化組合。在全局最優(yōu)估計解算時，引入各局部估計誤差自相關(guān)矩陣P⁽ⁱ⁾(n)調(diào)節(jié)相應(yīng)局部估計量的權(quán)重，若n時刻某傳感器的估計精度差，則它對全局估計的貢獻就比較小。但實驗證明，單憑P⁽ⁱ⁾(n)的調(diào)節(jié)力度是比較有限的，若遇到某傳感器的誤差特別大時，其估計結(jié)果仍參與加權(quán)求和計算，導致其它較優(yōu)局部估計信息損失，全局估計精度將不可避免地被大幅拉低。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有技術(shù)存在的不足之處，提供一種帶較高調(diào)節(jié)靈敏度加權(quán)因子，能有效控制局部不良信息對全局估計影響，優(yōu)化數(shù)據(jù)融合全局估計結(jié)果，多傳感器系統(tǒng)數(shù)據(jù)融合精度的提高方法。

本發(fā)明的上述目的可以通過以下措施來達到，一種多傳感器系統(tǒng)數(shù)據(jù)融合精度的提高方法，其特征在于包括如下步驟：基于多傳感器系統(tǒng)分布式數(shù)據(jù)融合原理框架，在估計精度相對較差或時有較大干擾的傳感器系統(tǒng)局部估計分量中，設(shè)置一個加權(quán)因子λ，并根據(jù)λ解算參數(shù)α、β設(shè)置相匹配的參數(shù)模糊整定器；各傳感器獨立采集量測點跡經(jīng)局部卡爾曼濾波后，將得出的局部狀態(tài)估計1-L輸入數(shù)據(jù)融合預(yù)處理模塊，數(shù)據(jù)融合預(yù)處理模塊根據(jù)卡爾曼濾波估計誤差自相關(guān)矩陣的定義，提取各局部估計誤差自相關(guān)矩陣的第1行第1列分量，在線解算用于量化描述各局部估計誤差大小關(guān)系的誤差比系數(shù)r和誤差比系數(shù)變化率rc；誤差比例系數(shù)r和誤差比系數(shù)變化率rc經(jīng)模糊化接口轉(zhuǎn)換為誤差比變量R、誤差比變化率變量RC，并輸入?yún)?shù)模糊整定器；參數(shù)模糊整定器根據(jù)λ解算參數(shù)α、β工作原理設(shè)計的模糊規(guī) 則庫模糊推理，在線整定α、β取值，針對各種可能出現(xiàn)的R、RC取值給出的對應(yīng)倍數(shù)變量A、指數(shù)變量B模糊查詢表，供在線查詢的A、B取值，將α、β的具體值經(jīng)過清晰化接口輸出至加權(quán)因子解算模塊；加權(quán)因子解算模塊調(diào)用上述r、α和β的實時運算結(jié)果在線解算λ，自適應(yīng)調(diào)節(jié)λ的取值；最后，數(shù)據(jù)融合解算模塊引入加權(quán)因子λ，通過改進后的數(shù)據(jù)融合方法實時解算，得出最終全局狀態(tài)估計。

本發(fā)明相比于現(xiàn)有技術(shù)具有如下有益效果。

能有效控制多傳感器系統(tǒng)局部不良信息對全局估計影響。本發(fā)明在估計精度相對較差或時有較大干擾的傳感器局部估計分量中設(shè)置一個加權(quán)因子λ，改進后的引入了λ的數(shù)據(jù)融合全局狀態(tài)估計解算方法中，當帶λ的傳感器分系統(tǒng)誤差持續(xù)較高或遇到干擾陡增時，其局部估計誤差自相關(guān)矩陣將被實時自適應(yīng)縮放，以控制其對全局狀態(tài)估計的不良影響。

能實現(xiàn)加權(quán)因子λ的高靈敏度調(diào)節(jié)效果，優(yōu)化數(shù)據(jù)融合全局估計結(jié)果。本發(fā)明根據(jù)λ的原理特性進一步設(shè)計了相匹配的參數(shù)模糊整定器，通過在線模糊整定λ的解算參數(shù)α、β，結(jié)合誤差比系數(shù)r從倍數(shù)和指數(shù)關(guān)系上在線自適應(yīng)修訂λ的取值大小，從而實現(xiàn)λ根據(jù)所在分系統(tǒng)誤差具體情況高靈敏度調(diào)節(jié)縮放相應(yīng)局部估計誤差自相關(guān)矩陣，優(yōu)化數(shù)據(jù)融合全局估計結(jié)果。

改進的數(shù)據(jù)融合方法易于工程實現(xiàn)。本發(fā)明參數(shù)模糊整定器在線整定λ解算參數(shù)α、β的流程中，模糊推理過程可離線運算。發(fā)明人已針對各種可能出現(xiàn)的誤差比變量R、誤差比變化率變量RC取值，給出對應(yīng)的倍數(shù)變量A、指數(shù)變量B模糊查詢表，可供直接在線查詢A、B取值，再經(jīng)清晰化接口輸出α、β的具體值。計算量小，易于工程實現(xiàn)。

本發(fā)明引入加權(quán)因子λ改進了數(shù)據(jù)融合全局估計解算公式；當帶加權(quán)因子的傳感器m分系統(tǒng)誤差持續(xù)較高或遇到干擾陡增時，本發(fā)明解算方法能通過λ的實時值λ^(m)(n)自適應(yīng)縮放該分系統(tǒng)第n個采樣周期的局部估計誤差自相關(guān)矩陣。

附圖說明

以下結(jié)合附圖和實施例進一步說明本發(fā)明，但并不因此將本發(fā)明限制在所述的實施例范圍之中。

圖1是本發(fā)明改進的數(shù)據(jù)融合系統(tǒng)原理圖。

圖2是圖1中參數(shù)模糊整定器的結(jié)構(gòu)圖。

圖3是圖2參數(shù)模糊整定器的原理框圖。

圖4是圖3中四個語言變量R、RC、A、B的隸屬函數(shù)分布。

圖5是傳統(tǒng)數(shù)據(jù)融合方法狀態(tài)估計均方根誤差統(tǒng)計示意圖。

圖6是本發(fā)明數(shù)據(jù)融合方法狀態(tài)估計均方根誤差統(tǒng)計示意圖。

圖7是本發(fā)明基于多傳感器系統(tǒng)分布式數(shù)據(jù)融合系統(tǒng)原理圖。

具體實施方式

參閱圖1。在以下描述的實施例中，多傳感器系統(tǒng)由L個傳感器分系統(tǒng)獨立測量濾波的L組局部狀態(tài)估計，然后通過數(shù)據(jù)融合解算得出全局狀態(tài)估計。根據(jù)本發(fā)明，基于多傳感器系統(tǒng)分布式數(shù)據(jù)融合原理框架，在估計精度相對較差或時有較大干擾的傳感器局部估計分量中，設(shè)置一個加權(quán)因子λ，并根據(jù)λ的原理特性設(shè)計相匹配的參數(shù)模糊整定器對其取值在線自適應(yīng)修訂；各傳感器獨立采集量測點跡并進行局部卡爾曼濾波，將得出的局部狀態(tài)估計1-L輸入數(shù)據(jù)融合預(yù)處理模塊，在線解算分系統(tǒng)加權(quán)因子λ，然后進行帶自適應(yīng)加權(quán)因子的數(shù)據(jù)融合解算，得出最終全局狀態(tài)估計；數(shù)據(jù)融合預(yù)處理模塊，根據(jù)卡爾曼濾波估計誤差自相關(guān)矩陣的定義，提取各局部估計誤差自相關(guān)矩陣的第1行第1列分量，在線解算用于量化描述各局部估計誤差大小關(guān)系的誤差比系數(shù)r和誤差比系數(shù)變化率rc；參數(shù)模糊整定器在線整定α、β取值，誤差比例系數(shù)r和誤差比系數(shù)變化率rc經(jīng)過模糊化接口轉(zhuǎn)換為語言變量R、RC，輸入模糊整定器，通過專門針對λ解算參數(shù)α、β工作原理設(shè)計的模糊規(guī)則庫模糊推理，輸出語言變量A、B，再經(jīng)過清晰化接口出參數(shù)α、β的具體值，為利于工程實現(xiàn)，本發(fā)明模糊推理過程可離線運算，已針對各種可能出現(xiàn)的R、RC取值給出了模糊查詢表，實現(xiàn)α、β對應(yīng)參數(shù)模糊整定器輸出量語言變量A、B的在線查詢；加權(quán)因子解算模塊調(diào)用r、α和β的實時運算結(jié)果在線解算λ，以實現(xiàn)λ取值的自適應(yīng)調(diào)節(jié)；數(shù)據(jù)融合解算模塊通過改進后的引入了加權(quán)因子λ的數(shù)據(jù)融合解算方法實時解算全局狀態(tài)估計。當帶λ的傳感器系統(tǒng)誤差持續(xù)較高或遇到干擾陡增時，進行帶自適應(yīng)加權(quán)因子的數(shù)據(jù)融合解算，自適應(yīng)縮放該傳感器系統(tǒng)局部估計誤差自相關(guān)矩陣，優(yōu)化全局狀態(tài)估計精度。其中，加權(quán)因子λ的取值應(yīng)遵循如下規(guī)律：

(1)當r＝1，λ＝1即不起加權(quán)作用；

(2)當r<1，表明帶加權(quán)因子的分系統(tǒng)觀測精度相對較好，此時保持或減小λ的數(shù)值以保持或擴大此局部估計量在全局數(shù)據(jù)融合中的權(quán)重優(yōu)勢。

(3)當r>1，表明帶加權(quán)因子的分系統(tǒng)觀測精度相對較差，r越大，相對精度越差；rc越大，相對精度變差得越快。此時可根據(jù)r、rc的大小，整定α、β的取值，從倍數(shù)和指數(shù)關(guān)系上自適應(yīng)調(diào)節(jié)λ的數(shù)值大小，從而及時控制誤差較大局部估計量對全局狀態(tài)估計量的不良影響。

假設(shè)傳感器m分系統(tǒng)設(shè)置有加權(quán)因子，則本多傳感器系統(tǒng)數(shù)據(jù)融合精度的提高方法第n個采樣周期具體實施步驟如下：

步驟1：傳感器1-L獨立采集量測點跡并進行局部卡爾曼濾波，得出傳感器第n個采樣周期的L組局部狀態(tài)估計和局部估計誤差自相關(guān)矩陣P⁽¹⁾(n)，P⁽²⁾(n)，…，P^(L)(n)，輸入數(shù)據(jù)融合預(yù)處理模塊。Z_n表示傳感器截至第n個采樣周期觀測量集合{z(1)，z(2)，…，z(n)},表示第n個采樣周卡爾曼濾波算法利用觀測量集合Z_n對系統(tǒng)狀態(tài)變量x(n)進行最優(yōu)估計得出的狀態(tài)估計,1-L表示L個傳感器分系統(tǒng)的序號。步驟1直接引用卡爾曼濾波經(jīng)典算法，這里不再對計算步驟展開贅述。

步驟2：數(shù)據(jù)融合預(yù)處理模塊在線解算傳感器m第n個采樣周期誤差比系數(shù)r和誤差比系數(shù)變化率rc的實時值r^(m)(n)、rc^(m)(n)，輸入?yún)?shù)模糊整定器模塊。根據(jù)卡爾曼濾波估計誤差自相關(guān)矩陣的定義，第n個采樣周期各局部估計誤差自相關(guān)矩陣P⁽ⁱ⁾(n)的第1行第1列分量[P⁽ⁱ⁾(n)]_1,1體現(xiàn)了該時刻估計量的位置誤差特性且該分量恒為正，其值越大則分系統(tǒng)位置誤差越大?；诖嗽?，本發(fā)明設(shè)計構(gòu)建了用于量化描述各局部估計誤差大小關(guān)系的誤差比系數(shù)r和誤差比系數(shù)變化率rc的實時解算公式。則數(shù)據(jù)融合預(yù)處理模塊的工作步驟如下：

步驟2.1：數(shù)據(jù)融合預(yù)處理模塊提取各局部估計誤差自相關(guān)矩陣P⁽ⁱ⁾(n)的第1行第1列分量[P⁽ⁱ⁾(n)]_1,1，在線實時計算傳感器m分系統(tǒng)誤差比系數(shù)r^(m)(n)。

式中，n表示第n個傳感器采樣周期，i表示1-L號傳感器分系統(tǒng)中的第i個傳感器，m表示1-L號傳感器分系統(tǒng)中帶加權(quán)因子的第m號傳感器。

步驟2.2：數(shù)據(jù)融合預(yù)處理模塊在線實時計算傳感器m分系統(tǒng)誤差比系數(shù)變化率rc^(m)(n)。

rc^(m)(n)＝r^(m)(n)-r^(m)(n-1)m∈[1,L]

式中，n表示第n個傳感器采樣周期，m表示1-L號傳感器分系統(tǒng)中帶加權(quán)因子的第m號傳感器。

步驟2.3：數(shù)據(jù)融合預(yù)處理模塊做r^(m)(n)∈[r_l,r_h],rc^(m)(n)∈[rc_l,rc_h]限幅處理，其中限幅范圍由設(shè)計者根據(jù)系統(tǒng)特性事先設(shè)定。

當r^(m)(n)＞r_h時，r^(m)(n)＝r_h；當r^(m)(n)＜r_l時，r^(m)(n)＝r_l；當rc^(m)(n)＞rc_h時，rc^(m)(n)＝rc_h；當rc^(m)(n)＜rc_l時，rc^(m)(n)＝rc_l。

步驟3：參數(shù)模糊整定器在線整定參數(shù)α、β，解算其實時整定值α^(m)(n)、β^(m)(n)，輸入加權(quán)因子解算模塊。

參閱圖2、圖3。本發(fā)明針對模糊整定器的每個輸入、輸出空間，分別定義對應(yīng)r、rc、 α、β定義誤差比變量R、誤差比變化率變量RC、倍數(shù)變量A和指數(shù)變量B的四個語言變量。

誤差比例系數(shù)r和誤差比系數(shù)變化率rc經(jīng)過模糊化接口轉(zhuǎn)換為誤差比變量R、誤差比變化率變量RC，輸入模糊整定器，通過模糊規(guī)則庫模糊推理，輸出倍數(shù)變量A、指數(shù)變量B，再經(jīng)過清晰化接口出參數(shù)α、β的具體值?？紤]帶有加權(quán)因子的傳感器分系統(tǒng)對目標狀態(tài)估計的實時要求，應(yīng)選用分辨率較高、靈敏度較好的形狀較尖的隸屬函數(shù)，隸屬函數(shù)相鄰兩曲線交點對應(yīng)的隸屬度值較小時，控制靈敏度較高，但魯棒性不好；反之則魯棒性較好，靈敏度欠佳。且隸屬函數(shù)的分布必須覆蓋語言變量的整個論域，若出現(xiàn)“空檔”將導致參數(shù)整定失敗。

綜上所述，發(fā)明人對參數(shù)模糊整定器中四個語言變量R、RC、A、B，設(shè)計圖4所示覆蓋整個語言變量論域的分布隸屬函數(shù)。在隸屬函數(shù)分布設(shè)計中，將R劃分為四檔，RC劃分為七檔，A劃分為四檔，B劃分為七檔。隸屬函數(shù)分布設(shè)計如下：將R在論域上劃分為{Z,S,M,B}四檔，設(shè)定其語言值隸屬函數(shù)[0,1]段為Z形函數(shù)，[2,3]段為S形函數(shù)，中間為三角型函數(shù)，取各語言值對應(yīng)三角隸屬函數(shù)的中心值分別為{1,2}，寬度均為1；將RC在論域上劃分為{NB,NM,NS,Z,PS,PM,PB}七檔，設(shè)定其語言值隸屬函數(shù)[-3,-2]段為Z形函數(shù)，[2,3]段為S形函數(shù)，中間為三角型函數(shù)，取各語言值對應(yīng)三角隸屬函數(shù)的中心值分別為{-2,-1,0,1,2}，寬度均為1；將A在論域上劃分為{S,MS,MB,B}四檔，設(shè)定其語言值隸屬函數(shù)[1,3]段為Z形函數(shù)，[5,7]段為S形函數(shù)，中間為三角型函數(shù)，取各語言值對應(yīng)三角隸屬函數(shù)的中心值分別為{3,5}，寬度均為2；將B在論域上劃分為{S,MS,MB,B}四檔，設(shè)定其語言值隸屬函數(shù)[1,2]段為Z形函數(shù)，[3,4]段為S形函數(shù)，中間為三角型函數(shù)，取各語言值對應(yīng)三角隸屬函數(shù)的中心值分別為{2,3}，寬度均為1。

基于上述分布隸屬函數(shù)設(shè)定，本發(fā)明對模糊整定器的兩個輸出量參數(shù)α對應(yīng)的倍數(shù)變量A和參數(shù)β對應(yīng)的指數(shù)變量B各自的模糊規(guī)則做出了28條規(guī)則設(shè)定。A的模糊推理規(guī)則具體如下：

ARE₁：IF R is Z AND RC is NB THEN A is S；

ARE₂：IF R is Z AND RC is NM THEN A is S；

ARE₃：IF R is Z AND RC is NS THEN A is S；

ARE₄：IF R is Z AND RC is Z THEN A is S；

ARE₅：IF R is Z AND RC is PS THEN A is S；

ARE₆：IF R is Z AND RC is PM THEN A is S；

ARE₇：IF Ris Z AND RC is PB THEN A is S；

ARE₈：IF Ris S AND RC is NB THEN A is S；

ARE₉：IF Ris S AND RC is NM THEN A is S；

ARE₁₀：IF R is S AND RC is NS THEN A is S；

ARE₁₁：IF R is S AND RC is Z THEN A is S；

ARE₁₂：IF R is S AND RC is PS THEN A is S；

ARE₁₃：IF R is S AND RC is PM THEN A is MS；

ARE₁₄：IF R is S AND RC is PB THEN A is MS；

…

ARE₂₈：IF R is B AND RC is PB THEN A is B；

其中，R為誤差比變量，Z、S、M、B為其語言值；RC為誤差比變化率變量，NB、NM、NS、Z、PS、PM、PB為其語言值；A為倍數(shù)變量，S、MS、MB、B為其語言值。

這些規(guī)則用矩陣表形式可描述如下：

表1A調(diào)整規(guī)則表

同理，指數(shù)變量B的模糊推理規(guī)則用矩陣表形式可描述如下：

表2B調(diào)整規(guī)則表

以參數(shù)α對應(yīng)的倍數(shù)變量A的推算過程為例，A調(diào)整規(guī)則庫28條規(guī)則中第i條規(guī)則的推理結(jié)果可表述為：

ARE_i：IF R is R_i AND RC is RC_i THEN A is A_i。

其中，R_i、RC_i、A_i是第i條規(guī)則中與R、RC、A對應(yīng)的語言值，這個推理結(jié)果蘊含的模糊關(guān)系為：

ARE_i＝(R_i×RC_i)×A_i

整定規(guī)則庫中的28條規(guī)則之間可看作是“或”，也就是“求并”的關(guān)系，則整個規(guī)則庫蘊涵的模糊關(guān)系矩陣R_A為：

將R，RC與R_A“合成運算”以實現(xiàn)模糊推理，得出模糊輸出量A^*：

A^*＝(R×RC)οR_A

本發(fā)明選用重心法則為去模糊化的推算方法，即對模糊輸出量中各元素A_i及其對應(yīng)的隸屬度求加權(quán)平均值，并四舍五入取整，得出倍數(shù)變量A的輸出量。

式中，<>代表四舍五入取整運算。指數(shù)變量B的模糊推理方法同倍數(shù)變量A。

為利于工程實現(xiàn)，模糊推理過程可離線運算，針對各種可能出現(xiàn)的R、RC取值給出了模糊查詢表，實現(xiàn)α、β對應(yīng)參數(shù)模糊整定器輸出量倍數(shù)變量A、指數(shù)變量B的在線查詢。本發(fā)明設(shè)定R的論域為{0,1,2,3}，RC的論域為{-3,-2,-1,0,1,2,3}，A的論域為{1,3,5,7}，B的論域為{1,2,3,4}，則按照上述規(guī)則庫及模糊推理算法計算得出的模糊查詢表如下所示：

表3A模糊查詢表

表4B模糊查詢表

該表可被存儲在計算機內(nèi)存中直接在線查詢，則參數(shù)模糊整定器的工作步驟如下：

步驟3.1：參數(shù)模糊整定器將數(shù)據(jù)融合預(yù)處理模塊解算求得的傳感器m第n個采樣周期誤差比系數(shù)r^(m)(n)和誤差比系數(shù)變化率rc^(m)(n)，量化為模糊整定器的輸入語言變量。取適當?shù)牧炕蜃觡_r、k_rc，則傳感器m第n個采樣周期誤差比變量R的實時值R^(m)(n)、誤差比變 化率變量RC的實時值RC^(m)(n)為：

R^(m)(n)＝<k_r·r^(m)(n)>

RC^(m)(n)＝<k_rc·rc^(m)(n)>

式中，n表示第n個傳感器采樣周期，m表示1-L號傳感器分系統(tǒng)中帶加權(quán)因子的第m號傳感器。

步驟3.2：參數(shù)模糊整定器根據(jù)誤差比變量R和誤差比變化率變量RC的實時值R^(m)(n)、RC^(m)(n)，在線查模糊查詢表表3、表4，得出傳感器m第n個采樣周期倍數(shù)變量A和指數(shù)變量B的實時值A(chǔ)^(m)(n)、B^(m)(n)。

以R＝2，RC＝1的情況為例，A的取值參考表3可知：

ARE₁₉：IF R is 2 AND RC is 1 THEN A is 5。

B的取值參考表4可知：

BRE₁₉：IF R is 2 ANDRC is 1 THEN Bis 2。

于是得出A＝5，B＝2。

步驟3.3：參數(shù)模糊整定器通過比例因子k_α、k_β將語言變量A^(m)(n)、B^(m)(n)清晰化為傳感器m第n個采樣周期參數(shù)α、β的實時整定值α^(m)(n)、β^(m)(n)。

α^(m)(n)＝k_α·A^(m)(n)

β^(m)(n)＝k_β·B^(m)(n)

式中，n表示第n個傳感器采樣周期，m表示1-L號傳感器分系統(tǒng)中帶加權(quán)因子的第m號傳感器。

步驟4：加權(quán)因子解算模塊調(diào)用數(shù)據(jù)融合預(yù)處理模塊解算的誤差比系數(shù)r^(m)(n)和參數(shù)模糊整定器整定結(jié)果α^(m)(n)、β^(m)(n)，在線實時解算傳感器m第n個采樣周期加權(quán)因子λ的實時值λ^(m)(n)，實現(xiàn)λ取值的自適應(yīng)調(diào)節(jié)。

式中，n表示第n個傳感器采樣周期，m表示1-L號傳感器分系統(tǒng)中帶加權(quán)因子的第m號傳感器。

步驟5：數(shù)據(jù)融合解算模塊調(diào)用加權(quán)因子解算模塊解算結(jié)果λ^(m)(n)在線數(shù)據(jù)融合，得出多傳感器系統(tǒng)第n個采樣周期基于組傳感器測量集合的全局狀態(tài)估計

i＝1,2…L,i≠m,m∈[1,L]

式中，n表示第n個傳感器采樣周期，i表示1-L號傳感器分系統(tǒng)中的第i個傳感器，m 表示1-L號傳感器分系統(tǒng)中帶加權(quán)因子的第m號傳感器。

單個采樣周期數(shù)據(jù)融合解算全局狀態(tài)估計量完成，等待下個采樣周期重復步驟1-5。

參閱圖5、圖6。仿真試驗中模擬產(chǎn)生傳感器1和傳感器2兩組觀測噪聲特性不同的觀測量，連續(xù)400次采樣。其中傳感器2分系統(tǒng)觀測噪聲較不穩(wěn)定時有陡增情況，其局部估計分量上引入自適應(yīng)加權(quán)因子。在相同邊界條件下，經(jīng)典數(shù)據(jù)融合方法和本發(fā)明改進的數(shù)據(jù)融合方法分別做200次蒙特卡洛實驗。全局位置估計仿真結(jié)果統(tǒng)計數(shù)據(jù)可知，當帶加權(quán)因子的傳感器分系統(tǒng)誤差持續(xù)較高或遇到干擾陡增時，本發(fā)明數(shù)據(jù)融合方法通過實時靈敏調(diào)節(jié)加權(quán)因子的取值，自適應(yīng)縮放該分系統(tǒng)局部估計誤差自相關(guān)矩陣，有效控制了局部不良信息對全局估計的負面影響，實現(xiàn)了全局狀態(tài)估計精度的優(yōu)化。