本發(fā)明涉及傳感器數(shù)據(jù)處理技術領域，特別是一種應用于傳感器網(wǎng)絡的分布式協(xié)作算法和數(shù)據(jù)融合機制。

背景技術：

數(shù)據(jù)融合將單一傳感器的多波段信息或不同類別傳感器所提供的信息加以綜合，消除多傳感器信息之間可能存在的冗余和矛盾，加以互補，改善遙感信息提取的及時性和可靠性，提高數(shù)據(jù)的使用效率。數(shù)據(jù)融合最早應用在軍事目標識別領域，現(xiàn)在已經(jīng)被廣泛應用在多源影像復合、機器人和智能儀器系統(tǒng)、戰(zhàn)場和無人駕駛飛機、圖像分析與理解、目標檢測與跟蹤、自動目標識別中。

現(xiàn)有的數(shù)據(jù)融合技術一般是傳感器級數(shù)據(jù)融合結果用于中央級數(shù)據(jù)融合過程，而中央級數(shù)據(jù)融合的結果直接作為最終的融合結果，這種技術屬于開環(huán)的數(shù)據(jù)融合技術，具有融合結果精度低、可靠性差的缺點。

技術實現(xiàn)要素：

本發(fā)明的目的是解決數(shù)據(jù)融合過程中中央級數(shù)據(jù)融合不能用于修正傳感器級數(shù)據(jù)融合的結果引起的融合精度低、可靠性差的問題，提出了一種應用于傳感器網(wǎng)絡的分布式協(xié)作算法和數(shù)據(jù)融合機制，主要包括(1)傳感器級數(shù)據(jù)融合；(2)中央級數(shù)據(jù)融合。

所述傳感器級數(shù)據(jù)融合具體包括以下步驟：

(21).通過傳感器獲得充分的測量原始數(shù)據(jù)，并剔除測量中的異常數(shù)據(jù)，對于非線性的傳感器測量模型，可以使模型在某個標稱值附近進行線性化，然后再按線性測量模型進行求解；

(22).假設傳感器線性測量模型為s＝Hθ，H是傳感器的輸入量，H是一個滿秩的N×P的觀測矩陣(N＞P)，H由觀測樣本組成，設s＝[s[0]，s[1]，...，s[N-1]]^T是傳感器的模型輸出，s是N×1的矩陣，x＝[x[0]，x[1]，...，x[N-1]]^T是傳感器輸出的測量量，θ是待求的傳感器的參數(shù)模型，θ是P×1的矩陣；

(23).通過線性加權方式獲得傳感器輸出的測量量x和由傳感器線性測量模型傳感器線性測量模型求解出的s之差J(θ)，設W是N×N的對角矩陣，W＝C^-1，C表示零均值噪聲的協(xié)方差矩陣；

$J\left(\mathrm{\θ}\right)=\underset{n=0}{\overset{N-1}{\Σ}}w\left(n\right){\left(x\right(n)-s(n\left)\right)}^2={(x-H\mathrm{\θ})}^{T}W(x-H\mathrm{\θ})={(x-H\mathrm{\θ})}^T{C}^{-1}(x-H\mathrm{\θ})$

(24).求解J(θ)函數(shù)對θ變量的梯度；

$\frac{\∂J\left(\mathrm{\θ}\right)}{\∂\mathrm{\θ}}=-2H^{T}Wx+2H^{T}WH\mathrm{\θ}=-2H^T{C}^{-1}x+2H^T{C}^{-1}H\mathrm{\θ}$

(25).令J(θ)函數(shù)的梯度等于0，可以求得傳感器線性測量模型的估計值

$\widehat{\mathrm{\θ}}={\left(H^{T}WH\right)}^{-1}{H}^{T}Wx={\left(H^T{C}^{-1}H\right)}^{-1}{H}^T{C}^{-1}x$

(26).如果測量過程中噪聲是不相關的，則C估計量是對角矩陣，令C[n]＝diag(σ₀，σ₁，...，σ_n)，其中H[n]是n×p的矩陣，h^T[n]是1×p的矩陣，X[n]＝[x[0]，x[1]，...，x[n]]^T，則有估計量C[n]是噪聲的協(xié)方差矩陣，最小二乘估計量的協(xié)方差矩陣是

(27).計算估計量和最小二乘估計量的協(xié)方差∑[n]的更新；

估計量的更新計算如下：

其中

最小二乘估計量的協(xié)方差的更新如下：

∑[n]＝(I-K[n]h^T[n])∑[n-1]。

(28).將不同性質或相同性質傳感器求出的狀態(tài)估計值進行Dempster-Shafer數(shù)據(jù)融合為中央級數(shù)據(jù)融合提供初始條件。

所述中央級數(shù)據(jù)融合包括以下步驟：

(31).建立被觀測系統(tǒng)的狀態(tài)方程和量測方程。

設系統(tǒng)狀態(tài)方程是x_k＝Ax_k-1+Bu_k-1+w_k-1，量測方程為y_k＝Cx_k-1+v_k，其中x_k是由(x_1，k，x_2，k，...，x_N，k)組成N×1的狀態(tài)變量，u_k是(u_1，k，u_2，k，...u_L，k)組成的L×1的輸入向量，y_k由(y_1，k，y_2，k，...y_M，k)組成的M×1的觀測向量，w_k是由(w_1，k，w_2，k，...w_N，k)組成N×1的過程噪聲向量，v_k是由(v_1，k，v_2，k，...v_M，k)組成的M×1的測量噪聲向量，A是N×N的狀態(tài)轉移矩陣，B是N×L的輸入關系矩陣，C是M×N測量關系矩陣；

(32).在第k-1個狀態(tài)變量最優(yōu)估計值的基礎上，利用系統(tǒng)的狀態(tài)方程來預測第k時刻的先驗狀態(tài)值。

P_k^-＝AP_k-1A^T+Q，其中代表第k時刻狀態(tài)變量的先驗估計值，代表第k-1時刻狀態(tài)變量的最優(yōu)估計值，代表第k時刻先驗估計誤差的協(xié)方差矩陣，代表第k時刻后驗估計誤差的協(xié)方差矩陣，Q＝E[w_kw_k^T]代表過程噪聲向量的協(xié)方差。

(33).利用實際測量值校正上一步預測得到的狀態(tài)先驗估計值得到系統(tǒng)狀態(tài)的最優(yōu)估計值

K_k＝P_k^-C^T(CP_k^-C^T+R)^-1，P_k＝(I-K_kC)P_k^-，其中R＝E[v_kv_k^T]代表測量噪聲向量的協(xié)方差。

(34).為了避免矩陣求逆運算，采用標量依次處理法進行處理，假設各個測量噪聲之間相關，對測量噪聲協(xié)方差R進行正交分解，R＝MDM^T，其中M為正交矩陣，D＝diag(σ₁，σ₂，...，σ_M)為對角陣，對量測方程進行矩陣變換M^Ty_k＝M^TCx_k-1+M^Tv_k，定義新的觀測向量y_k′＝M^Ty_k，測量矩陣C′＝M^TC，測量噪聲向量v_k′＝M^Tv_k，新的測量噪聲向量的協(xié)方差為R＝E[v_k′v_k′^T]＝E[M^Tv_kv_k^TM]＝M^TRM＝D，記測量矩陣y_k′＝(y_1，k′，y_2，k′，...，y_M，k′)，P_0，k＝P_k^-，則可以用下述標量算法進行狀態(tài)與均方誤差陣進行校正：P_m，k＝(I-k_m，kc_m′)P_m-1，k，其中m＝1，2，...，M，P_k＝P_M，k。

(35).使用中央級數(shù)據(jù)融合結果去修正傳感器級數(shù)據(jù)融合的結果。

本發(fā)明帶來的有益結果：本發(fā)明使用中央級數(shù)據(jù)融合的結果修正傳感器級數(shù)據(jù)融合的結果，可以解決單傳感器系統(tǒng)精度低、信息單一以及數(shù)據(jù)融合計算量大的問題，可廣泛應用于多源影像復合、機器人和智能儀器系統(tǒng)、戰(zhàn)場和無人駕駛飛機、圖像分析與理解、目標檢測與跟蹤、自動目標識別中。

附圖說明

下面結合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

圖1為本發(fā)明數(shù)據(jù)融合總體框圖。

圖2為傳感器級數(shù)據(jù)融合的流程圖。

圖3為傳感器測量模型建立的流程圖。

圖4為剔除傳感器異常測量數(shù)據(jù)的流程圖。

圖5為中央級數(shù)據(jù)融合的流程圖。

具體實施方式

圖1是本發(fā)明數(shù)據(jù)融合總體圖，其中傳感器級數(shù)據(jù)融合通過融合分布在不同被測對象不同類別傳感器得到被觀測系統(tǒng)的部分狀態(tài)信息和傳感器的測量噪聲方差，為中央級數(shù)據(jù)融合提供初始條件，中央級數(shù)據(jù)融合通過模糊卡爾曼濾波對傳感器級數(shù)據(jù)融合的結果進行濾波處理得到最優(yōu)的被測系統(tǒng)的狀態(tài)信息，使用中央級數(shù)據(jù)融合的結果修正傳感器級數(shù)據(jù)融合的結果。

圖2是傳感器級數(shù)據(jù)融合的流程圖，其中同質傳感器對同一被測狀態(tài)進行測量，提高被測狀態(tài)的可信度，異質傳感器對不同的被測狀態(tài)進行測量，提供更全面的系統(tǒng)狀態(tài)信息，同質傳感器和異質傳感器測量的系統(tǒng)狀態(tài)數(shù)據(jù)通過Dempster-Shafer數(shù)據(jù)融合為中央級數(shù)據(jù)融合提供初始條件。傳感器級數(shù)據(jù)融合具體包括以下步驟：

(21).首先建立傳感器的測量模型，具體流程圖見圖3，對于非線性的傳感器測量模型，可以使模型在某個標稱值附近進行線性化，然后再按線性測量模型進行求解，通過傳感器獲得充分的測量原始數(shù)據(jù)，并剔除測量中的異常數(shù)據(jù)。對于時不變系統(tǒng)，傳感器異常測量數(shù)據(jù)剔除的具體流程見圖4，可以先求出被測狀態(tài)的均值α和方差σ，然后將傳感器測量數(shù)據(jù)在區(qū)間(α-3σ，α+3σ)之外的數(shù)據(jù)剔除后再求均值和方差；

(22).假設傳感器線性測量模型為s＝Hθ，H是傳感器的輸入量，H是一個滿秩的N×P的觀測矩陣(N＞P)，H由觀測樣本組成，設s＝[s[0]，s[1]，...，s[N-1]]^T是傳感器的模型輸出，s是N×1的矩陣，x＝[x[0]，x[1]，...，x[N-1]]^T是傳感器輸出的測量量，θ是待求的傳感器的參數(shù)模型，θ是P×1的矩陣；

(23).通過線性加權方式獲得傳感器輸出的測量量x和由傳感器線性測量模型傳感器線性測量模型求解出的s之差J(θ)，設W是N×N的對角矩陣，W＝C^-1，C表示零均值噪聲的協(xié)方差矩陣；

$J\left(\mathrm{\θ}\right)=\underset{n=0}{\overset{N-1}{\Σ}}w\left(n\right){\left(x\right(n)-s(n\left)\right)}^2={(x-H\mathrm{\θ})}^{T}W(x-H\mathrm{\θ})={(x-H\mathrm{\θ})}^T{C}^{-1}(x-H\mathrm{\θ})$

(24).求解J(θ)函數(shù)對θ變量的梯度；

$\frac{\∂J\left(\mathrm{\θ}\right)}{\∂\mathrm{\θ}}=-2H^{T}Wx+2H^{T}WH\mathrm{\θ}=-2H^T{C}^{-1}x+2H^T{C}^{-1}H\mathrm{\θ}$

(25).令J(θ)函數(shù)的梯度等于0，可以求得傳感器線性測量模型的估計值

$\widehat{\mathrm{\θ}}={\left(H^{T}WH\right)}^{-1}{H}^{T}Wx={\left(H^T{C}^{-1}H\right)}^{-1}{H}^T{C}^{-1}x$

(26).如果測量過程中噪聲是不相關的，則C估計量是對角矩陣，令C[n]＝diag(σ₀，σ₁，...，σ_n)，其中H[n]是n×p的矩陣，h^T[n]是1×p的矩陣，X[n]＝[x[0]，x[1]，...，x[n]]^T，則有估計量C[n]是噪聲的協(xié)方差矩陣，最小二乘估計量的協(xié)方差矩陣是

(27).計算估計量和最小二乘估計量的協(xié)方差∑[n]的更新；

估計量的更新計算如下：

其中

最小二乘估計量的協(xié)方差的更新如下：

∑[n]＝(I-K[n]h^T[n])∑[n-1]。

圖5是中央級數(shù)據(jù)融合的流程圖，具體包括以下步驟：

(31).建立被觀測系統(tǒng)的狀態(tài)方程和量測方程，對于非線性的被觀測系統(tǒng)的狀態(tài)方程和量測方程，可使用局部線性化的方法轉換為線性系統(tǒng)進行求解。

設系統(tǒng)狀態(tài)方程是x_k＝Ax_k-1+Bu_k-1+w_k-1，量測方程為y_k＝Cx_k-1+v_k，其中x_k是由(x_1，k，x_2，k，...，x_N，k)組成N×1的狀態(tài)變量，u_k是(u_1，k，u_2，k，...u_L，k)組成的L×1的輸入向量，y_k由(y_1，k，y_2，k，...y_M，k)組成的M×1的觀測向量，w_k是由(w_1，k，w_2，k，...w_N，k)組成N×1的過程噪聲向量，v_k是由(v_1，k，v_2，k，...v_M，k)組成的M×1的測量噪聲向量，A是N×N的狀態(tài)轉移矩陣，B是N×L的輸入關系矩陣，C是M×N測量關系矩陣；

(32).在第k-1個狀態(tài)變量最優(yōu)估計值的基礎上，利用系統(tǒng)的狀態(tài)方程來預測第k時刻的先驗狀態(tài)值。

P_k^-＝AP_k-1A^T+Q，其中代表第k時刻狀態(tài)變量的先驗估計值，代表第k-1時刻狀態(tài)變量的最優(yōu)估計值，代表第k時刻先驗估計誤差的協(xié)方差矩陣，代表第k時刻后驗估計誤差的協(xié)方差矩陣，Q＝E[w_kw_k^T]代表過程噪聲向量的協(xié)方差。

(33).利用實際測量值校正上一步預測得到的狀態(tài)先驗估計值得到系統(tǒng)狀態(tài)的最優(yōu)估計值

K_k＝P_k^-C^T(CP_k^-C^T+R)^-1，P_k＝(I-K_kC)P_k^-，其中R＝E[v_kv_k^T]代表測量噪聲向量的協(xié)方差。

(34).為了避免矩陣求逆運算，采用標量依次處理法進行處理，假設各個測量噪聲之間相關，對測量噪聲協(xié)方差R進行正交分解，R＝MDM^T，其中M為正交矩陣，D＝diag(σ₁，σ₂，...，σ_M)為對角陣，對量測方程進行矩陣變換M^Ty_k＝M^TCx_k-1+M^Tv_k，定義新的觀測向量y_k′＝M^Ty_k，測量矩陣C′＝M^TC，測量噪聲向量v_k′＝M^Tv_k，新的測量噪聲向量的協(xié)方差為R＝E[v_k′v_k′^T]＝E[M^Tv_kv_k^TM]＝M^TRM＝D，記測量矩陣y_k′＝(y_1，k′，y_2，k′，...，y_M，k′)，P_0，k＝P_k^-，則可以用下述標量算法進行狀態(tài)與均方誤差陣進行校正：P_m，k＝(I-k_m，kc_m′)P_m-1，k，其中m＝1，2，...，M，P_k＝P_M，k。

(35).使用中央級數(shù)據(jù)融合結果去修正傳感器級數(shù)據(jù)融合的結果。

本領域的普通技術人員將會意識到，這里所述的實施例是為了幫助讀者理解本發(fā)明的實施方法，應被理解為本發(fā)明的保護范圍并不局限于這樣的特別陳述和實施例。本領域的普通技術人員可以根據(jù)本發(fā)明公開的這些技術啟示做出各種不脫離本發(fā)明實質的其它各種具體變形和組合，這些變形和組合仍然在本發(fā)明的保護范圍內。