基于多源传感器宽窄带数据的融合方法、系统及存储介质技术方案

本发明专利技术属于传感器数据分析技术领域，尤其是涉及基于多源传感器宽窄带数据的融合方法、系统及存储介质，包括以下步骤：在融合周期T内，采集传感器的测量值并对其初始化，确定算法的各项参数，在搜索范围内随机初始化粒子当前的位置向量和速度向量，依次对该时刻的目标状态进行估计和融合，得到每个传感器的局域估计；将每个传感器的局域估计传送到融合中心，融合中心处理传感器节点的数据；当融合周期T时刻到达时得到目标状态基于全局估计信息的估计值。本发明专利技术使信息融合更准确地执行，使融合在信息源的可靠性、信息的冗余度和互补性以及进行融合的分级结构不确定的情况下，以近似最优的方式对传感器数据进行融合。最优的方式对传感器数据进行融合。最优的方式对传感器数据进行融合。

【技术实现步骤摘要】
基于多源传感器宽窄带数据的融合方法、系统及存储介质


[0001]本专利技术涉及传感器数据分析
，尤其涉及基于多源传感器宽窄带数据的融合方法、系统及存储介质。

技术介绍

[0002]随着现代技术的日益发展，利用多传感器数据融合技术获得更加全面、准确、可靠的环境态势信息越来越受到人们的关注。其中，分布式估计数据融合方法因其具有资源消耗低、可扩展性强、鲁棒性好等众多优点得到了长足的发展，并广泛地应用到了区域监视、目标定位等众多领域。然而，现有的分布式估计数据融合方法大多是针对同步传感器网络设计的，即要求多个传感器采样周期相同，初始偏差相同，且不存在通信延迟。事实上，这些要求在实际中很难得到满足。
[0003]目前有很多配电站房安装了设备运行状态监控设备，但站房中的监控系统往往是仅具有数据展示功能，而缺少数据分析算法，无法直观展示站房实际情况，另外目前站房中视频、图像等宽带数据及窄带传感器数据难以融合，同时网关通讯带宽不足、本地计算能力差，大量数据无法本地分析，大大降低了网关北向信道资源利用率。
[0004]公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

技术实现思路

[0005]本专利技术的目的是提出基于多源传感器宽窄带数据的融合方法、系统及存储介质，解决
技术介绍
中存在的问题。
[0006]将本专利技术所提出的基于多源传感器宽窄带数据的融合方法、系统及存储介质应用于配电站房内设备运行状态监控系统，该算法解决的问题是面对站房中的监控系统仅具有数据展示功能，而缺少数据分析算法时，如何对传感器宽带数据和窄带数据进行融合来直观展示站房实际情况。
[0007]为了实现上述目的，本专利技术采用了如下技术方案：
[0008]基于多源传感器宽窄带数据的融合方法，包括以下步骤：
[0009]S1：在融合周期T内，采集传感器的测量值并对其初始化，确定算法的各项参数，在搜索范围内随机初始化粒子当前的位置向量和速度向量，其中粒子的维数d即为待选择传感器的数目N，依次对该时刻的目标状态进行估计和融合，得到每个传感器的局域估计；
[0010]S2：将每个传感器的局域估计传送到融合中心，所述融合中心处理传感器节点的数据，将来自传感器节点的数据融合为一个当前时刻点，并计算出各个传感器被使用的概率，按目标函数式计算每个粒子的适应值；
[0011]S3：融合中心返回当前时刻的位置到各传感器节点，传感器节点将其作为下一时刻初始值；
[0012]S4：当融合周期T时刻到达时得到目标状态基于全局估计信息的估计值。
[0013]进一步的，步骤S2中的处理步骤为：
[0014]1)将每个粒子的适应值与其经历过的最好值进行比较，如果更好，则将其作为当前粒子的个体最优值；
[0015]2)将每个粒子的个体最优值与群体最优值进行比较，如果更好则将其作为群体最优值；
[0016]3)更新每个粒子的速度和位置，若未达到终止条件则再次转到计算各个传感器被使用的概率，按目标函数式计算每个粒子的适应值。
[0017]进一步的，粒子群算法其数学公式可表示为：
[0018]θ
jd
＝ωθ
jd
+c1rand1()(p
jd
‑
x
jd
)+c2rand2()(p
kd
‑
x
jd
)
ꢀꢀ
(1)，
[0019]其中x
jd
表示粒子当前的位置向量，θ
jd
表示粒子的运动向量，p
jd
表示粒子个体位置最优值，p
kd
表示群体最优值，j＝1,2,
…
,m表示群落由m个粒子组成，k表示群体中个体位置最优值的个数，d＝1,2,
…
,D表示d维空间，ω表示惯性权重，c1、c2表示非负学习常数，rand1()、rand2()表示介于[0,1]之间的随机数。
[0020]进一步的，对(1)式进行收敛，具体数据过程包括：进行粒子状态更新：
[0021]L＝Z|x
jd
(t)
‑
p
t
|，
[0022]x
jd
(t+1)＝p
d
‑
Lln(1/u)，
[0023]其中p
t
表示势中心点，p
d
表示均值最优点，t表示小于的非负常数。
[0024]进一步的，步骤S1中采用多传感器对目标进行跟踪，各传感器有着不同的通信延迟，各传感器的测量方程可表示为：
[0025][0026]表示第i传感器在各时刻的测量向量，表示测量矩阵，表示测量噪声，x
k
表示k时刻的状态向量。
[0027]进一步的，所述融合中心在进行处理时，首先获得K
‑
1时刻状态x
k
‑1基于全局估计值及相应的误差协方差P
k
‑
1,k
‑1，具体公式为：
[0028][0029][0030]表示从k
‑
1时刻到k时刻的系统转移矩阵；Q
k
‑1为协方差矩阵。
[0031]进一步的，随着时间的向前推移，依次递推分别对进行解算，得到t
i
时刻状态估计和相应的误差协方差通过迭代得到k时刻，再利用融合算法得到全局估计和估计误差协方差，具体公式为：
[0032][0033][0034]进一步的，所述融合中心将得到各传感器节点的测量信息代入到求解中，得到相应时刻的状态估计和相应的误差协方差得到
[0035]本专利技术的目的之二是提供一种基于多源传感器宽窄带数据的融合系统，用于实现基于多源传感器宽窄带数据的融合方法。
[0036]一种基于多源传感器宽窄带数据的融合系统，包括：
[0037]存储器，用于存储计算机程序；
[0038]处理器，用于执行所述计算机程序时实现上述基于多源传感器宽窄带数据的融合方法的步骤。
[0039]本专利技术的目的之三是提供一种存储介质，用于承载基于多源传感器宽窄带数据的融合方法的计算机程序，具有同样的技术效果。
[0040]一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序可被计算机读出，所述计算机程序被执行时实现上述基于多源传感器宽窄带数据的融合方法的步骤。
[0041]与现有技术相比，本专利技术具有以下有益效果：
[0042]本专利技术在融合周期T内，通过融合各传感器观测到的测量值，得到每个传感器的局域估计；然后在融合中心将来自传感器节点的数据融合为一个当前时刻点，通过计算融合周期T时刻到达时目标状态基于全局估计信息的估计值，对目前站房中视频、图像等宽带数据及窄带传感器数据进行融合，使得站房内的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多源传感器宽窄带数据的融合方法，其特征在于，包括以下步骤：S1：在融合周期T内，采集传感器的测量值并对其初始化，确定算法的各项参数，在搜索范围内随机初始化粒子当前的位置向量和速度向量，其中粒子的维数d即为待选择传感器的数目N，依次对该时刻的目标状态进行估计和融合，得到每个传感器的局域估计；S2：将每个传感器的局域估计传送到融合中心，所述融合中心处理传感器节点的数据，将来自传感器节点的数据融合为一个当前时刻点，并计算出各个传感器被使用的概率，按目标函数式计算每个粒子的适应值；S3：融合中心返回当前时刻的位置到各传感器节点，传感器节点将其作为下一时刻初始值；S4：当融合周期T时刻到达时得到目标状态基于全局估计信息的估计值。2.根据权利要求1所述的基于多源传感器宽窄带数据的融合方法，其特征在于，所述步骤S2中的处理步骤为：1)将每个粒子的适应值与其经历过的最好值进行比较，如果更好，则将其作为当前粒子的个体最优值；2)将每个粒子的个体最优值与群体最优值进行比较，如果更好则将其作为群体最优值；3)更新每个粒子的速度和位置，若未达到终止条件则再次转到计算各个传感器被使用的概率，按目标函数式计算每个粒子的适应值。3.根据权利要求2所述的基于多源传感器宽窄带数据的融合方法，其特征在于，所述粒子群算法其数学公式可表示为：θ
jd
＝ωθ
jd
+c1rand1()(p
jd
‑
x
jd
)+c2rand2()(p
kd
‑
x
jd
)
ꢀꢀꢀꢀꢀ
(1)，其中x
jd
表示粒子当前的位置向量，θ
jd
表示粒子的运动向量，p
jd
表示粒子个体位置最优值，p
kd
表示群体最优值，j＝1,2,
…
,m表示群落由m个粒子组成，k表示群体中个体位置最优值的个数，d＝1,2,
…
,D表示d维空间，ω表示惯性权重，c1、c2表示非负学习常数，rand1()、rand2()表示介于[0,1]之间的随机数。4.根据权利要求3所述的基于多源传感器宽窄带数据的融...

【专利技术属性】
技术研发人员：肖小龙，郭佳豪，方鑫，史明明，孙天奎，孙健，吴凡，杨雄，苏伟，
申请(专利权)人：江苏省电力试验研究院有限公司，
类型：发明
国别省市：