一种基于传感器使用的数据稳定性增强方法技术

本发明专利技术提供一种基于传感器使用的数据稳定性增强方法，包括：获取传感器的测试数据，计算所述测试数据的中心线和极差；计算每个测量值与所述中心线的差值，估算所述每个测量值在所述极差范围内的位置；计算位置概率因子并替代卡尔曼滤波系数，获得改进后滤波算法；数据稳定时，根据所述位置概率因子的不同区间范围，采用静态滤波算法计算输出距离；数据产生突变时，对所述测试数据采用突变算法处理；当测试目标参量连续缓变时，采用动态连续缓变算法。提高了测量数据的重复精度和稳定性，实现静态滤波算法的动态智能调节，增加突变和连续缓变的动态响应算法，实现了传感器测量环境突变和连续变化情况下的快速响应。

A data stability enhancement method based on sensor usage

The present invention provides a method of data stability enhancement based on the use of sensors, including obtaining the test data of the sensor, calculating the center line and the extreme difference of the measured data, calculating the difference between the measured values and the central line, estimating the position of each measured value within the range of the extreme difference, and calculating the position probability. The factor is replaced by the Calman filter coefficient, and the improved filtering algorithm is obtained. When the data is stable, the output distance is calculated by the static filtering algorithm according to the different range of the probability factor of the location. When the data is abrupt, the test data is treated with a mutation algorithm. When the test target parameter is continuously changed, The dynamic continuous slow change algorithm is used. The accuracy and stability of the measured data are improved, the dynamic intelligent adjustment of the static filtering algorithm is realized, the dynamic response algorithm of sudden change and continuous slow change is added, and the rapid response of the sensor's measurement environment and continuous change is realized.

【技术实现步骤摘要】
一种基于传感器使用的数据稳定性增强方法
本专利技术涉及传感器数据处理领域，具体涉及一种基于传感器使用的数据稳定性增强方法。
技术介绍
近年来，传感器的发展突飞猛进，对于传感器的稳定性和重复精度的要求也越来越高。而单纯靠传感器自身敏感元件的性能，还不能满足人们的需求。因此各种滤波算法纷纷涌现，滤波算法能够大幅提高传感器的重复精度和稳定性，但滤波效果越好的算法，其动态响应就越差，而传感器的应用场合各不相同，很多传感器会面临检测环境的复杂变化，数据的动态特性较强，因此，在追求传感器数据稳定的同时，也对动态响应特性提出了严格要求。通常传感器采用的提高稳定性的方法为滤波方法，包括中值滤波，均值滤波，滑动取平均滤波，卡尔曼滤波等。中值滤波和均值滤波对于静态数据滤波效果较好，但传感器测量出现错误点后，对结果影响较大，因此，滤波后数据会出现蠕变现象。滑动取平均滤波法对静态数据滤波较好，滑动取的滤波数据越多，滤波效果越显著，动态响应延迟也就越大。卡尔曼滤波对于静态数据滤波效果较好，且滤波后数据仍服从正态分布。但卡尔曼系数收敛后不易改变，不能对实时的测量情况进行及时调节，动态性能较差，有严重的动态滞后。
技术实现思路
为解决上述技术问题，本专利技术的目的在于提供一种基于传感器使用的数据稳定性增强方法。本专利技术是通过以下技术方案实现的：一种基于传感器使用的数据稳定性增强方法，包括以下步骤：S1、获取传感器的测试数据，计算所述测试数据的中心线和极差，所述测试数据近似服从高斯分布规律；S2、计算所述测试数据中每个测量值与所述中心线的差值，估算所述每个测量值在所述极差范围内的位置；S3、根据所述差值和所述极差计算得到位置概率因子；S4、结合卡尔曼滤波算法对滤波系数进行改进，用所述位置概率因子替代卡尔曼滤波系数，获得改进后滤波算法的输出距离计算公式；S5、当所述差值的绝对值在阈值范围内时，判断为数据稳定，根据所述位置概率因子的不同区间范围，采用静态滤波算法计算所述输出距离；S6、当所述差值的绝对值超出所述阈值范围时，判断为数据产生突变，对所述测试数据采用突变算法处理；S7、当测试目标参量连续缓变时，采用动态连续缓变算法。进一步的，所述中心线代表若干个测试数据的均值；所述极差为所述测试数据中的最大值减去最小值的差。传感器的测量数据有相应的可靠程度，这个可靠程度与在此位置测量的数据的极差十分接近，认为近似相等。进一步的，步骤S2中，所述均值为Dis_avg，所述测量值为Dis_measure，所述差值为D_value，计算公式为：D_value＝Dis_measure﹣Dis_avg，所述极差为precision，所述位置的高斯分布因子为position，所述差值D_value的绝对值为abs(D_value)，计算公式如下：所述position的值越大，表示所述测量值处于越远离所述中心线的位置；当所述positon＝0，表示所述测量值处于中心线上；当所述position＝1，表示所述测量值处于所述极差的边界。进一步的，步骤S3中，所述位置概率因子为chance，计算公式如下：chance＝1-abs(D_value)×2/precision(2)。进一步的，步骤S4中，所述卡尔曼滤波算法中，计算公式如下：Distance＝Dis_avg+Kg×D_value(3)Distance为输出距离，Kg为卡尔曼滤波系数，用chance替代Kg，改进后滤波算法的输出距离计算公式如下：Distance＝Dis_avg+chance×D_value(4)。静态滤波的动态智能调节，由公式(2)可知，chance是一个与极差precision有关的参量，而极差与传感器数据的可靠程度息息相关，当环境改变时，如测量距离变远，测量目标物改变等，传感器测得的数据可靠程度也会改变，位置概率因子chance也就随之改变。传感器会根据其环境变化，对滤波系数进行智能调节。进一步的，步骤S5中，所述阈值为Threshold，m为调整系数，计算公式如下：Threshold＝m×precision(5)。进一步的，步骤S5中，当abs(D_value)≤Threshold且chance＜0.6时，令chance＝0，表示距中心线较远，舍去此数据，将所述均值Dis_avg作为所述输出距离；当abs(D_value)≤Threshold且chance＞0.8时，令chance＝1，还原接近中心线的真实数据,所述测量值Dis_measure作为所述输出距离；当abs(D_value)≤Threshold且0.6≤chance≤0.8时，chance取实际计算值,采用所述公式(4)计算出所述输出距离。进一步的，步骤S6中，当abs(D_value)＞Threshold时，令chance＝1，代入所述公式(4)得Distance＝Dis_avg+D_value则计算得出所述输出距离为当前实时的测量值，根据所述输出距离对突变进行快速响应。进一步的，步骤S7中，被测目标物以一定速度靠近传感器，距离有一定趋势，且运动速度大于一定阈值后，判断为目标参量连续缓变，令chance＝1，代入所述公式(4)，所述输出距离为当前实时的所述测量值，快速响应。进一步的，取所述传感器在某时间段内连续等时间间隔⊿T采集的7个原始距离数据a0～a6，分别以a0、a1和a2为起点，依次计算4⊿T时间内的三个平均速度speed1、speed2和speed3，speed1＝(a4-a0)/4⊿T；speed2＝(a5-a1)/4⊿T；speed3＝(a6-a2)/4⊿T；当speed1,speed2,speed3异号时，表示此时所述距离没有一定的变化趋势；当speed1,speed2,speed3同号时，表示此时所述距离有上升或下降趋势。相比现有技术,本专利技术具有如下有益效果：1、根据高斯分布特性，改进卡尔曼滤波系数根据高斯分布规律和传感器数据的极差，计算出数据位置概率因子chance，替换了卡尔曼滤波算法中的卡尔曼系数，获得了适合传感器测量数据分布的滤波效果；对传感器的测量数据进行滤波处理，提高测量数据的重复精度和稳定性。2、对不同位置的数据采用不同的处理，一定程度上还原原始数据分布。根据数据的位置概率，判断数据所处的位置，将远离中心的数据舍去，靠近中心的数据进行滤波，中心线附近的数据不进行处理。3、利用测量数据的可靠程度与极差的关系，实现静态滤波算法的动态智能调节；将传感器测得数据的可靠程度与数据在此处波动的极差关联起来，传感器在不同的感应位置，其数据可靠程度不同，极差也会不同。引入了极差因子，根据极差的变化可对滤波参数进行连续的动态智能调节。4、增加突变和连续缓变的动态响应算法增加了突变算法、运动速度判断、运动趋势判断算法，通过调节静态滤波算法中的位置概率因子chance，克服了传统滤波方法数据滞后的问题，实现了传感器测量环境突变和连续变化情况下的快速响应。附图说明图1为传感器的测试数据高斯分布图；图2为位置概率因子的不同区间范围内不同方法计算的输出距离图；图3为采用改进后滤波算法的滤波效果图；图4为传感器连续采集的等时间间隔的7个原始距离数据图；图5为采用动态连续缓变算法滤波后的动态响应效果图。具体实施方式下本文档来自技高网...

【技术保护点】
1.一种基于传感器使用的数据稳定性增强方法，其特征在于：包括以下步骤：S1、获取传感器的测试数据，计算所述测试数据的中心线和极差，所述测试数据近似服从高斯分布规律；S2、计算所述测试数据中每个测量值与所述中心线的差值，估算所述每个测量值在所述极差范围内的位置；S3、根据所述差值和所述极差计算得到位置概率因子；S4、结合卡尔曼滤波算法对滤波系数进行改进，用所述位置概率因子替代卡尔曼滤波系数，获得改进后滤波算法的输出距离计算公式；S5、当所述差值的绝对值在阈值范围内时，判断为数据稳定，根据所述位置概率因子的不同区间范围，采用静态滤波算法计算所述输出距离；S6、当所述差值的绝对值超出所述阈值范围时，判断为数据产生突变，对所述测试数据采用突变算法处理；S7、当测试目标参量连续缓变时，采用动态连续缓变算法。

【技术特征摘要】
1.一种基于传感器使用的数据稳定性增强方法，其特征在于：包括以下步骤：S1、获取传感器的测试数据，计算所述测试数据的中心线和极差，所述测试数据近似服从高斯分布规律；S2、计算所述测试数据中每个测量值与所述中心线的差值，估算所述每个测量值在所述极差范围内的位置；S3、根据所述差值和所述极差计算得到位置概率因子；S4、结合卡尔曼滤波算法对滤波系数进行改进，用所述位置概率因子替代卡尔曼滤波系数，获得改进后滤波算法的输出距离计算公式；S5、当所述差值的绝对值在阈值范围内时，判断为数据稳定，根据所述位置概率因子的不同区间范围，采用静态滤波算法计算所述输出距离；S6、当所述差值的绝对值超出所述阈值范围时，判断为数据产生突变，对所述测试数据采用突变算法处理；S7、当测试目标参量连续缓变时，采用动态连续缓变算法。2.根据权利要求1所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S1中，所述中心线代表若干个测试数据的均值；所述极差为所述测试数据中的最大值减去最小值的差。3.根据权利要求2所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S2中，所述均值为Dis_avg，所述测量值为Dis_measure，所述差值为D_value，计算公式为：D_value＝Dis_measure﹣Dis_avg，所述极差为precision，所述位置的高斯分布因子为position，所述差值D_value的绝对值为abs(D_value)，计算公式如下：所述position的值越大，表示所述测量值处于越远离所述中心线的位置；当所述positon＝0，表示所述测量值处于中心线上；当所述position＝1，表示所述测量值处于所述极差的边界。4.根据权利要求3所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S3中，所述位置概率因子为chance，计算公式如下：chance＝1-abs(D-value)×2/precision(2)。5.根据权利要求4所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S4中，所述卡尔曼滤波算法中，计算公式如下：Distance＝Dis_avg+Kg×D_value(3)Distance为输出距离，Kg为卡尔曼滤波系数，用chance替代Kg，改进后滤波算法的输出距离计算公式如...

【专利技术属性】
技术研发人员：许永童，
申请(专利权)人：上海兰宝传感科技股份有限公司，
类型：发明
国别省市：上海,31