基于大信息量的异质多传感器数据融合

论文摘要

随着微机电技术的发展,传感器的性能大大提高,各种面向复杂应用背景的多传感器信息系统大量涌现。在这些系统中,信息日渐多元化和密集化,使得传统的信息处理方式不再胜任,从而促使一项新的学科——多传感器数据融合技术应运而生,而状态融合估计作为多传感器数据融合理论的一个非常重要的研究方向,在需要精确估计的领域应用受到广泛的关注。本文的研究内容为多传感器信息融合理论中的状态估计理论,研究如何利用多传感器的信息更准确的估计系统状态,主要针对多传感器管理和状态融合估计的算法作了比较深入的研究。本文首先通过分析目前存在的传感器管理算法,建立了一个综合传感器信息增量和处理时间的目标函数,提出了基于QDPSO（Quantum-behaved Particle Swarm Optimization）算法的新的传感器管理的算法模型。在经过传感器管理择优的传感器组基础上,论文提出了一种基于最大熵算法和Bayes理论的多次测量数据融合算法,推导出了被测参数的概率分布和融合公式。接着,论文针对Bayes理论和最大熵算法需要知道先验分布的局限性,提出了一种基于递推最小二乘的同质传感器数据融合方法,在兼顾传感器自身精度和外部干扰综合作用的前提下,推导出了多个同质传感器对同一参数多次测量的融合公式,该公式既保留了历次估计的经验值,又融合了新的信息。最后,把基于递推最小二乘的同质传感器数据融合算法推广为一种基于加权最小二乘法的异质传感器数据融合方法,得到了多个异质传感器对多个测量参数进行融合估计的加权融合公式。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 数据融合层次描述
• 1.2.1 数据级融合
• 1.2.2 特征级融合
• 1.2.3 决策级融合
• 1.3 数据融合结构
• 1.4 数据融合技术的基本数学方法
• 1.5 论文的结构和主要工作
• 第二章 传感器管理方法研究
• 2.1 传感器管理任务
• 2.1.1 传感器管理的内容
• 2.1.2 传感器管理的体系结构
• 2.1.3 传感器管理的作用
• 2.2 传感器管理方法
• 2.2.1 传统传感器管理算法
• 2.2.2 智能传感器管理算法
• 2.2.3 其他传感器管理算法
• 2.3 基于QDPSO 算法的多传感器管理方法
• 2.3.1 标准PSO 算法
• 2.3.2 QDPSO 算法
• 2.3.3 问题描述
• 2.4 仿真实验
• 2.4.1 基于QDPSO 传感器管理的算法流程
• 2.4.2 仿真实验
• 2.5 小结
• 第三章 基于BAYES 估计和最大熵方法的数据融合
• 3.1 问题描述
• 3.2 BAYES 估计
• 3.3 最大熵方法
• 3.3.1 信息熵
• 3.3.2 条件熵
• 3.3.3 连续型分布熵
• 3.4 基于BAYES 估计和最大熵方法的数据融合
• 3.4.1 利用最大熵法推导先验分布
• 3.4.2 先验分布中参数的确定
• 3.4.3 似然函数的求取
• 3.4.4 最优融合估计的推导
• 3.5 仿真实验
• 3.6 小结
• 第四章 基于最小二乘法的状态融合估计
• 4.1 问题描述
• 4.2 单次测量同质传感器数据融合
• 4.2.1 单次测量状态估计
• 4.2.2 误差分析
• 4.2.3 权值确定
• 4.3 多次测量同质传感器数据融合
• 4.3.1 基于递推最小二乘的多次测量状态估计
• 4.3.2 权值确定
• 4.4 同质传感器数据融合仿真试验
• 4.4.1 算法流程
• 4.4.2 仿真试验
• 4.5 异质传感器数据融合
• 4.5.1 基于最小二乘的异质传感器数据融合
• 4.5.2 仿真实验
• 4.6 小结
• 第五章 总结与展望
• 5.1 工作总结
• 5.2 未来展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文和主要科研经历