一种用于多传感器的融合方法及系统技术方案

本发明专利技术涉及一种用于多传感器的融合方法，包括：对单个传感器测量得到的多个数据进行像素级融合，得到该传感器的最优估计值；对得到的各传感器的最优估计值进行特征级融合，以消除各个传感器数据间的交叉干扰。本发明专利技术的有益效果为：通过象素级融合采用多传感器冗余设计，得到单个传感器的最优输出值，改善传感器的测量中存在的可靠性、准确性、重复性不够高的问题，并结合特征级融合，消除生化量之间的交叉干扰，提高系统输出数据的准确性和可靠性。

【技术实现步骤摘要】
一种用于多传感器的融合方法及系统
本专利技术属于传感器领域，具体涉及一种用于多传感器的融合方法及系统。
技术介绍
由于多传感器系统具有较高的精度和可靠性，其在农业、工业、军事等方面都有十分广泛的应用。但多传感器测量系统具有固有的不确定性，这种不确定性一是来自传感器本身精度的影响和测量的不精确和噪声，二是各个传感器的不一致性，当被测量处于一个相对封闭的环境中时，各待测量之间存在着内在的相互联系和交叉干扰。在实际应用中，多传感器系统的测量准确性会受到自身精度、环境噪声、传输误差、计算误差等的影响，从而降低了系统的可靠性和可信度。
技术实现思路
为了解决现有技术存在的可靠性和可信度差的问题，本专利技术提供了一种用于多传感器的融合方法及系统，其具有可靠性和准确性更高等特点。本专利技术的目的是提供一种可靠性和准确度更高的用于多传感器系统的融合方法和系统。根据本专利技术的具体实施方式的一种用于多传感器的融合方法，包括：对单个传感器测量得到的多个数据进行像素级融合，得到该传感器的最优估计值；对得到的各传感器的最优估计值进行特征级融合，以消除各个传感器数据间的交叉干扰。进一步的，所述像素级融合过程包括：利用模糊集理论和容许函数剔除误差较大的数据；将剩余数据分组，进行分批估计得到该传感器的最优估计值。进一步的，所述误差较大数据的剔除过程包括：单个传感器得到的测量数据为x1、x2、…、xn，其中xi＝(xix，xiy),xj＝(xjx,xjy)，定义容许函数为：R(xi,xj)＝2arccotdij/π，其中则阈值函数为：其中，ε为允许的测量的最大距离，A(xi,xj)为1时表示采集的数据在误差容许的范围内予以保留，为0时表示误差较大剔除该数据。进一步的，所述分批估计的过程包括：将剔除较大误差的数据分组，进行分批估计：将单个传感器采集的n个数据平均分为三组，其中第i组为xi1、xi2、i＝1,2,3,则三组平均值为：则三组的方差分别为该传感器的最优估计值为：进一步的，所述特征级融合基于自适应学习速率法改进的误差反向传播算法的多层前馈神经网络进行，其中：连接权值为：Δkjh(m)＝α(m)δh(m)yj；连接阈值为：Δθh(m)＝α(m)δh(m)；其中，α(m)＝γα(m-1)，其中当mse(m)为其他值时γ＝1，m表示第m次修正，α(m)为第m次修正的比例系数，δh(m)为输出层的调整误差，yj为中间层的输出。进一步的，γ通过对相邻两次误差的判断，选择对学习速率的调整，当后一次的误差小于前一次，则说明两次修正使系统输出逐步向期望值靠近，适当地增大学习速率加快算法收敛速度；当后一次修正的误差大于前一次，则说明修正值过大，则相应地减小学习速率。进一步的，所述神经网络的学习过程包括：计算所述神经网络的输出误差；计算输出层修正值；根据所述输出层修正值，重新计算输出误差；计算中间层修正值；根据所述中间层修正值，重新计算输出误差；检验输出误差是否已符合设定的误差要求；若误差已符合要求，保存权值，结束学习；若不符合要求，与前一次的最终输出误差进行比较，调整学习速率，重新计算输出误差。根据本专利技术的具体实施方式的一种用于多传感器的融合系统，包括：像素级融合模块，所述像素级融合模块用于对单个传感器测量得到的多个数据进行像素级融合，得到该传感器的最优估计值；以及特征级融合模块，所述特征级融合模块对得到的各传感器的最优估计值进行特征级融合，以消除各个传感器数据间的交叉干扰。进一步的，所述像素级融合模块基于模糊集理论和容许函数剔除误差较大的数据；并将剩余数据分组，进行分批估计得到该传感器的最优估计值。进一步的，所述特征级融合模块基于自适应学习速率法改进的误差反向传播算法的多层前馈神经网络消除各传感器的最优估计值间的交叉干扰。本专利技术的有益效果为：通过象素级融合采用多传感器冗余设计，得到单个传感器的最优输出值，改善传感器的测量中存在的可靠性、准确性、重复性不够高的问题，并结合特征级融合，消除生化量之间的交叉干扰，提高系统输出数据的准确性和可靠性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据一示例性实施例提供的用于多传感器的融合方法的流程图；图2是根据一示例性实施例提供的多传感器数据融合模型示意图；图3是根据一示例性实施例提供的MFNN-BP神经网络算法的模型示意图；图4是根据一示例性实施例提供的MFNN-BP神经网络学习程序流程图；图5是根据一示例性实施例提供的Matlab程序中构建的神经网络模型示意图；图6是根据一示例性实施例提供的用于多传感器的融合系统的结构示意图。附图标记1-像素级融合模块；2-特征级融合模块。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行详细的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本专利技术所保护的范围。参照图1所示，本专利技术的实施例提供了一种用于多传感器的融合方法，包括以下步骤：101、对单个传感器测量得到的多个数据进行像素级融合，得到该传感器的最优估计值；102、对得到的各传感器的最优估计值进行特征级融合，以消除各个传感器数据间的交叉干扰。在本专利技术的一具体实施例中，多传感器数据融合技术可以提高多传感器系统的准确性和容错性能，来自多个传感器的数据具有冗余性和互补性，在数据处理中可以相互补充、相互印证，提高测量结果的准确性和可靠性，使系统具有良好的容错性能，在部分传感器故障的情况下也能正常运行。并且，由于多传感器数据融合对多个传感器的数据处理是并行的，所以使用数据融合技术可以减少获取信息所需的时间，以更少的时间、更少的成本获得更加准确、完备的系统信息，通过象素级融合可以为特征级融合提供更加准确可靠的待处理数据，而特征级融合可以对象素级融合的缺点与不足进行补偿。参照图2所示，在本专利技术的一具体实施例中，采用光寻址检测对多生化量进行测量，通过对多个传感器对多个待测量测量所得的数据的分析和处理，克服传感器本身精度、噪声干扰以及待测生化量之间的交叉干扰等问题，得到对待测量更加精确和完整的描述。在本专利技术的一具体实施例中，像素级融合过程包括：利用模糊集理论和容许函数剔除误差较大的数据；将剩余数据分组，进行分批估计得到该传感器的最优估计值。其中，误差较大数据的剔除过程包括：单个传感器得到的测量数据为x1、x2、…、xn，令xi＝(xix，xiy),xj＝(xjx,xjy)，定义容许函数为：R(xi,xj)＝2arccotdij/π，其中表示采集点值xi和xj间的距离，则阈值函数为：其中，ε为xi和xj允许的测量的最大距离，A(xi,xj)为1时表示采集的数据在误差容许的范围内予以保留，为0时表示误差较大剔除该数据。分批估计的过程包括：将剔除较大误差的数据分组，进行分批估计：将单个传感器采集的n个数据平均分为三组，其中第i组为xi1、xi2、i＝1,2,3,则三本文档来自技高网...

【技术保护点】
1.一种用于多传感器的融合方法，其特征在于，包括：对单个传感器测量得到的多个数据进行像素级融合，得到该传感器的最优估计值；对得到的各传感器的最优估计值进行特征级融合，以消除各个传感器数据间的交叉干扰。

【技术特征摘要】
1.一种用于多传感器的融合方法，其特征在于，包括：对单个传感器测量得到的多个数据进行像素级融合，得到该传感器的最优估计值；对得到的各传感器的最优估计值进行特征级融合，以消除各个传感器数据间的交叉干扰。2.根据权利要求1所述的方法，其特征在于，所述像素级融合过程包括：利用模糊集理论和容许函数剔除误差较大的数据；将剩余数据分组，进行分批估计得到该传感器的最优估计值。3.根据权利要求2所述的方法，其特征在于，所述误差较大数据的剔除过程包括：单个传感器得到的测量数据为x1、x2、…、xn，其中xi＝(xix，xiy),xj＝(xjx,xjy)，定义容许函数为：R(xi,xj)＝2arccotdij/π，其中则阈值函数为：其中，ε为允许的测量的最大距离，A(xi,xj)为1时表示采集的数据在误差容许的范围内予以保留，为0时表示误差较大剔除该数据。4.根据权利要求3所述的方法，其特征在于，所述分批估计的过程包括：将剔除较大误差的数据分组，进行分批估计：将单个传感器采集的n个数据平均分为三组，其中第i组为xi1、xi2、xini，i＝1,2,3,则三组平均值为：则三组的方差分别为该传感器的最优估计值为：5.根据权利要求4所述的方法，其特征在于，所述特征级融合基于自适应学习速率法改进的误差反向传播算法的多层前馈神经网络进行，其中：连接权值为：Δkjh(m)＝α(m)δh(m)yj；连接阈值为：Δθh(m)＝α(m)δh(m)；其中，α(m)＝γα(m-1)，其中当mse(m)为其他值时γ＝1，m表示第m次修正...

【专利技术属性】
技术研发人员：张跃进，曾庆生，李波，
申请(专利权)人：钟祥博谦信息科技有限公司，
类型：发明
国别省市：湖北,42