多传感器系统数据融合精度的提高方法技术方案

本发明专利技术提出的一种多传感器系统数据融合精度的提高方法，旨在提供一种能有效控制局部不良信息对全局估计影响的方法。本发明专利技术通过下述技术方案予以实现：在估计精度相对较差或时有较大干扰的传感器系统局部估计分量中，设置一个加权因子λ，并根据λ解算参数α、β设置相匹配的参数模糊整定器；各传感器独立采集量测点迹经局部卡尔曼滤波后，将得出的局部状态估计1-L输入数据融合预处理模块，数据融合预处理模块根据卡尔曼滤波估计误差自相关矩阵的定义，提取各局部估计误差自相关矩阵的第1行第1列分量，在线解算用于量化描述各局部估计误差大小关系的误差比系数r、误差比系数变化率rc和加权因子λ，调节λ的取值；数据融合时调用λ参与解算，得出最终全局状态估计。

【技术实现步骤摘要】
多传感器系统数据融合精度的提高方法
本专利技术涉及目标跟踪
中的多传感器系统数据融合技术，是通过在经典数据融合方法中加入参数模糊整定的自适应加权因子，以实现提高跟踪精度的设计方法。
技术介绍
目标定位与跟踪是依据最佳估计原理，采用数字滤波的计算方法，对传感器接收到的量测进行处理，估计目标运动要素的数据处理过程。量测是指被噪声污染的有关目标状态的传感器观测信息，包括如斜距离、方位角、俯仰角、以及时差等其他信息。目标运动要素一般指目标状态、航向等参数。目标状态主要是指目标的运动分量(如位置、速度、加速度等)。通常，把目标定位与跟踪简称为目标跟踪。数据融合是针对使用多个或多类传感器的系统而开展的一种信息处理新方法。在多传感器系统中，各种传感器提供的信息具有不同的特征，数据融合通过对各种传感器及其观测信息的合理支配与使用，把在空间和时间上互补与冗余的信息依据某种优化准则组合起来，以获得更多有效的信息。空间目标测量手段逐渐多样化，融合处理技术是降低测量信息不确定性影响，获得稳健、高精度目标跟踪结果的重要方法。卡尔曼滤波是由R.E.Kalman最早提出的，它是一种线性最小方差估计，采用状态空间方法，在时域内设计滤波器，算法采用递推形式，是实现多传感器位置融合的主要技术手段之一。卡尔曼滤波应用于目标跟踪技术时，用系统状态方程来描述目标的运动特性，其中的状态向量通常由目标的位置、速度和加速度参量构成。用n表示观测系统第n个采样周期，把过程噪声v1(n-1)及观测噪声v2(n)假定为零均值白噪声，则卡尔曼滤波算法可利用观测量集合{z(1)，z(2)，…，z(n)}对系统状态变量x(n)进行最优估计得出状态估计变量。定义估计误差自相关矩阵P(n)为：在每一步卡尔曼递推滤波计算中，遵照最小均方误差准则，通过新息过程及卡尔曼增益的修正解算，得出和估计误差自相关矩阵P(n)，并参与下一步递推计算。参阅图7。在工程运用中将常见的分布式融合结构中，局部滤波为分布传感器的卡尔曼滤波过程，融合单元输出的全局估计是局部估计的线性组合，这里融合单元的作用是实现局部估计的优化组合。假设有L个局部状态估计和相应的局部估计误差自相关矩阵P(1)(n)，P(2)(n)，…，P(L)(n)，且各局部估计互不相关，则全局最优估计及全局估计误差自相关矩阵为：式中：i为1-L号传感器分系统中的第i个传感器。由上式可知，若第i个传感器估计精度差，则它对全局估计的贡献就比较小。在分布式数据融合结构中，每个传感器都可独立地处理其自身信息，再进行融合，可以一定程度上克服数据融合数据互联复杂、计算和通信资源要求高等不足，但同时又很难避免一些有效信息的损失。基于分布式融合系统的思想，融合单元输出的最终状态估计量为各传感器局部状态估计量的线性优化组合。在全局最优估计解算时，引入各局部估计误差自相关矩阵P(i)(n)调节相应局部估计量的权重，若n时刻某传感器的估计精度差，则它对全局估计的贡献就比较小。但实验证明，单凭P(i)(n)的调节力度是比较有限的，若遇到某传感器的误差特别大时，其估计结果仍参与加权求和计算，导致其它较优局部估计信息损失，全局估计精度将不可避免地被大幅拉低。
技术实现思路
本专利技术的目的是针对现有技术存在的不足之处，提供一种带较高调节灵敏度加权因子，能有效控制局部不良信息对全局估计影响，优化数据融合全局估计结果，多传感器系统数据融合精度的提高方法。本专利技术的上述目的可以通过以下措施来达到，一种多传感器系统数据融合精度的提高方法，其特征在于包括如下步骤：基于多传感器系统分布式数据融合原理框架，在估计精度相对较差或时有较大干扰的传感器系统局部估计分量中，设置一个加权因子λ，并根据λ解算参数α、β设置相匹配的参数模糊整定器；各传感器独立采集量测点迹经局部卡尔曼滤波后，将得出的局部状态估计1-L输入数据融合预处理模块，数据融合预处理模块根据卡尔曼滤波估计误差自相关矩阵的定义，提取各局部估计误差自相关矩阵的第1行第1列分量，在线解算用于量化描述各局部估计误差大小关系的误差比系数r和误差比系数变化率rc；误差比例系数r和误差比系数变化率rc经模糊化接口转换为误差比变量R、误差比变化率变量RC，并输入参数模糊整定器；参数模糊整定器根据λ解算参数α、β工作原理设计的模糊规则库模糊推理，在线整定α、β取值，针对各种可能出现的R、RC取值给出的对应倍数变量A、指数变量B模糊查询表，供在线查询的A、B取值，将α、β的具体值经过清晰化接口输出至加权因子解算模块；加权因子解算模块调用上述r、α和β的实时运算结果在线解算λ，自适应调节λ的取值；最后，数据融合解算模块引入加权因子λ，通过改进后的数据融合方法实时解算，得出最终全局状态估计。本专利技术相比于现有技术具有如下有益效果。能有效控制多传感器系统局部不良信息对全局估计影响。本专利技术在估计精度相对较差或时有较大干扰的传感器局部估计分量中设置一个加权因子λ，改进后的引入了λ的数据融合全局状态估计解算方法中，当带λ的传感器分系统误差持续较高或遇到干扰陡增时，其局部估计误差自相关矩阵将被实时自适应缩放，以控制其对全局状态估计的不良影响。能实现加权因子λ的高灵敏度调节效果，优化数据融合全局估计结果。本专利技术根据λ的原理特性进一步设计了相匹配的参数模糊整定器，通过在线模糊整定λ的解算参数α、β，结合误差比系数r从倍数和指数关系上在线自适应修订λ的取值大小，从而实现λ根据所在分系统误差具体情况高灵敏度调节缩放相应局部估计误差自相关矩阵，优化数据融合全局估计结果。改进的数据融合方法易于工程实现。本专利技术参数模糊整定器在线整定λ解算参数α、β的流程中，模糊推理过程可离线运算。专利技术人已针对各种可能出现的误差比变量R、误差比变化率变量RC取值，给出对应的倍数变量A、指数变量B模糊查询表，可供直接在线查询A、B取值，再经清晰化接口输出α、β的具体值。计算量小，易于工程实现。本专利技术引入加权因子λ改进了数据融合全局估计解算公式；当带加权因子的传感器m分系统误差持续较高或遇到干扰陡增时，本专利技术解算方法能通过λ的实时值λ(m)(n)自适应缩放该分系统第n个采样周期的局部估计误差自相关矩阵。附图说明以下结合附图和实施例进一步说明本专利技术，但并不因此将本专利技术限制在所述的实施例范围之中。图1是本专利技术改进的数据融合系统原理图。图2是图1中参数模糊整定器的结构图。图3是图2参数模糊整定器的原理框图。图4是图3中四个语言变量R、RC、A、B的隶属函数分布。图5是传统数据融合方法状态估计均方根误差统计示意图。图6是本专利技术数据融合方法状态估计均方根误差统计示意图。图7是本专利技术基于多传感器系统分布式数据融合系统原理图。具体实施方式参阅图1。在以下描述的实施例中，多传感器系统由L个传感器分系统独立测量滤波的L组局部状态估计，然后通过数据融合解算得出全局状态估计。根据本专利技术，基于多传感器系统分布式数据融合原理框架，在估计精度相对较差或时有较大干扰的传感器局部估计分量中，设置一个加权因子λ，并根据λ的原理特性设计相匹配的参数模糊整定器对其取值在线自适应修订；各传感器独立采集量测点迹并进行局部卡尔曼滤波，将得出的局部状态估计1-L输入数据融合预处理模块，在线解算分系统加权因子λ本文档来自技高网...

【技术保护点】
一种多传感器系统数据融合精度的提高方法，其特征在于包括如下步骤：基于多传感器系统分布式数据融合原理框架，在估计精度相对较差或时有较大干扰的传感器系统局部估计分量中，设置一个加权因子λ，并根据λ解算参数α、β设置相匹配的参数模糊整定器；各传感器独立采集量测点迹经局部卡尔曼滤波后，将得出的局部状态估计1‑L输入数据融合预处理模块，数据融合预处理模块根据卡尔曼滤波估计误差自相关矩阵的定义，提取各局部估计误差自相关矩阵的第1行第1列分量，在线解算用于量化描述各局部估计误差大小关系的误差比系数r和误差比系数变化率rc；误差比例系数r和误差比系数变化率rc经模糊化接口转换为误差比变量R、误差比变化率变量RC，并输入参数模糊整定器；参数模糊整定器根据λ解算参数α、β工作原理设计的模糊规则库模糊推理，在线整定α、β取值，针对各种可能出现的R、RC取值给出的对应倍数变量A、指数变量B模糊查询表，供在线查询的A、B取值，将α、β的具体值经过清晰化接口输出至加权因子解算模块；加权因子解算模块调用上述r、α和β的实时运算结果在线解算λ，自适应调节λ的取值；最后，数据融合解算模块引入加权因子λ，通过改进后的数据融合方法实时解算，得出最终全局状态估计。...

【技术特征摘要】
1.一种多传感器系统数据融合精度的提高方法，其特征在于包括如下步骤：基于多传感器系统分布式数据融合原理框架，在估计精度相对较差或时有较大干扰的传感器系统局部估计分量中，设置一个加权因子λ，并根据λ解算参数α、β设置相匹配的参数模糊整定器；各传感器独立采集量测点迹经局部卡尔曼滤波后，将得出的局部状态估计1-L输入数据融合预处理模块，数据融合预处理模块根据卡尔曼滤波估计误差自相关矩阵的定义，提取各局部估计误差自相关矩阵的第1行第1列分量，在线解算用于量化描述各局部估计误差大小关系的误差比系数r和误差比系数变化率rc；误差比例系数r和误差比系数变化率rc经模糊化接口转换为误差比变量R、误差比变化率变量RC，并输入参数模糊整定器；参数模糊整定器根据λ解算参数α、β工作原理设计的模糊规则库模糊推理，在线整定α、β取值，针对各种可能出现的R、RC取值给出的对应倍数变量A、指数变量B模糊查询表，供在线查询的A、B取值，将α、β的具体值经过清晰化接口输出至加权因子解算模块；加权因子解算模块调用上述r、α和β的实时运算结果在线解算λ，自适应调节λ的取值；最后，数据融合解算模块引入加权因子λ，通过改进后的数据融合方法实时解算，得出最终全局状态估计。2.如权利要求1所述的多传感器系统数据融合精度的提高方法，其特征在于：多传感器系统由L个传感器分系统独立测量滤波的L组局部状态估计，然后通过数据融合解算得出全局状态估计。3.如权利要求2所述的多传感器系统数据融合精度的提高方法，其特征在于：传感器1-L独立采集量测点迹并进行局部卡尔曼滤波，得出传感器第n个采样周期的L组局部状态估计，和对应的L组个局部估计误差自相关矩阵，P(1)(n)，P(2)(n)…P(L)(n)输入数据融合预处理模块，式中，n为传感器第n个采样周期数，Zn为传感器截至第n个采样周期观测量集合{z(1)，z(2)，…，z(n)},为第n个采样周卡尔曼滤波算法利用观测量集合Zn对系统状态变量x(n)进行最优估计得出的状态估计值,1-L为L个传感器分系统的序号。4.如权利要求3所述的多传感器系统数据融合精度的提高方法，其特征在于：数据融合预处理模块在线解算带加权因子的传感器m第n个采样周期误差比系数r和误差比系数变化率rc的实时值r(m)(n)、rc(m)(n)；根据卡尔曼滤波估计误差自相关矩阵的定义，第n个采样周期各局部估计误差自相关矩阵的第1行第1列分量体现了该时刻估计量的位置误差特性且该分量恒为正，基于此原理，设计构建了r和rc实时解算公式，量化描述各局部估计误差大小关系，其中，i表示1-L号传感器分系...

【专利技术属性】
技术研发人员：袁佳，尹小杰，吴晔，曹晓荷，
申请(专利权)人：西南技术物理研究所，
类型：发明
国别省市：四川,51