基于時延傳感器網絡的預測融合算法研究

摘要:

現有的基于網絡時延的融合算法大都直接套用傳統的同步數據融合方法，因此會產生信息等待#65380;資源閑置以及差的實時性能等問題#65377;針對上述問題，在現有工作基礎上，結合預測估計以及順序加權融合技術，設計出了一種新的能適應網絡時延的多傳感器預測加權融合算法#65377;該算法不僅能很好地解決現有基于時延的數據融合算法存在的諸多弊端，同時獲得了良好的實時預測功能，并給出了新的基于網絡時延的預測加權融合算法的推導過程，通過計算機仿真算例和理論分析來顯示新算法的實用性和優越性#65377;

關鍵詞:網絡時延; 多傳感器系統; 線性無偏估計; 最優; 預測加權融合

中圖分類號:TP391; TP393文獻標志碼:A

文章編號:1001-3695(2007)10-0302-03



0引言

隨著信息技術的快速發展以及實時決策的需求，多傳感器數據融合技術在國防和民用領域得到了成功應用，諸如機器人#65380;飛行器#65380;航天飛機#65380;過程工業以及故障檢測等，并取得了巨大的經濟和社會效益#65377;由于在信息處理和決策支持上的巨大潛力，數據融合技術得到了越來越多研究者的關注，并且許多軍事大國開始投入大量的人力和物力在眾多領域中開展多傳感器數據融合理論和應用技術的研究[1，2]#65377;

在多傳感器數據融合研究中，大多研究者致力于包括同步和異步在內的融合算法研究#65377;近年來，大量關于理論討論和實際應用的數據融合算法被報道[1~10]#65377;何友等人在文獻[1]中詳細推導了集中式融合和兩種分布式融合算法，并證明了上述三種融合方法的等價性#65377;G.Qiang等人討論了現有的集中式融合算法和測量值融合算法的等價性問題，并給出了兩種算法等價性的充分條件[4]#65377;對于一個多聲納系統，傳統的優化分布式檢測系統性能的方法和算法或者是優化傳感器的判決規則或者是優化融合中心的融合規則，而不是兩者同時優化#65377;針對上述問題，文獻[5]設計出了一種同時優化傳感器判決規則和融合中心融合規則的全局優化算法#65377;基于先驗的測量值最優分布信息以及最小化計算量準則，N.D. Assimakis提出了一種新的在短時間內可以獲得估計的最優分布式Kalman濾波器[6]#65377;LI提出一種新的并行數據融合模型，該模型是由并行決策的幾個層組成，并且通過最優化全局最優性能去獲得融合規則[7]#65377;文獻[8]的作者設計出一種完全分布式多傳感器融合算法，該算法中每個傳感器均可以作為融合中心，然后通過網絡接受系統中其他傳感器的局部估計，從而得到一個基于全局信息的融合估計#65377;與其他分布式融合方法相比該算法具有更強的生存能力#65377;不幸的是，上述融合算法均是基于網絡不存在延遲的假設下建立的，因此，上述算法的實際應用能力受到了極大地限制#65377;

盡管數據融合技術存在巨大的潛力和優勢，但是通信網絡的隨機和不確定因素使得多傳感器數據融合方法的分析和設計變得非常復雜#65377;在實際多傳感器系統中的一個主要問題是傳感器和融合中心通過網絡交換數據時產生的隨機時延，所以在進行融合算法設計時不能忽視網絡時延問題#65377;實際上，在網絡時延小于一個采樣周期的系統中，現有的融合方法均是直接套用傳統的同步融合算法，所以必須滿足特定條件，即必須等到所有的傳感器信息到達中心處理器后融合算法才能被執行#65377;因此將產生許多問題，如信息的等待#65380;資源浪費以及差的實時性能等#65377;這些因素的存在嚴重降低了該類算法在實際系統中的可實施性#65377;更重要的是，使用這些時延的信息去估計過去時刻的目標狀態將導致算法很差的實時性能#65377;對于實際應用來說，更希望能夠使用這些時延的測量去預測未來融合時刻的狀態，以便融合算法具備較好的實時預測性能#65377;

為了解決上述問題，在網絡傳輸時延小于一個采樣周期的情況下，本文提出一種新的順序預測加權融合算法#65377;該算法的思想是:首先是各局部傳感器并行預處理各自的測量值;然后使用狀態方程分別將下一個最近融合時刻進行預測，并同時將局部預測估計傳輸到中心處理器;最后根據每個傳感器的局部估計信息到達中心處理器的先后順序逐個加權融合#65377;雖然相對于現有的基于網絡延遲的融合方法來說估計精度略有降低，但實時性能得到了很大的改善#65377;本文通過算法的證明來推導出該預測融合算法的具體形式#65377;該算法在最小融合估計誤差協方差陣跡意義下是最優的#65377;新算法不僅具有良好的實時性能，而且擁有較強的預測能力#65377;最終，通過計算機仿真和理論分析來顯示本文所提出基于網絡時延的預測加權融合算法的優越性#65377;

從圖2和3中可以看出，基于預測加權融合的算法與現有的滯后集中融合算法的估計精確度相差不大，新算法略低#65377;且兩種算法的均方根誤差分別為0.068 3和0.067 7，非常接近#65377;但是，本文提出的預測融合算法能夠逐步向前一時刻的狀態進行預測，因此要比現有的滯后融合算法具有更好的實時性和預測性能#65377;現有的滯后融合算法均需要將所有的傳感器信息集中到最后一個時刻進行，其余時刻的中心處理器處于閑置狀態#65377;因此導致算法總體計算量分布不均勻，并且最后融合時刻融合中心將超負荷運行，最終使得該類算法的可實施性非常差#65377;而本文提出的算法采用順序逐個加權的方法，避免了現有滯后算法的所存在的各種問題，并將算法的總計算量均勻地分配到各個融合時刻上，同時獲得了較好的實施性#65377;

綜上所述，本文提出的基于網絡延遲的預測融合算法的總體性能大大超過現有的滯后融合算法#65377;

4結束語

本文研究了多傳感器網絡中存在網絡延遲情況下的數據融合算法設計問題，提出了一種新的基于預測加權融合的新算法#65377;與現有的滯后融合算法相比，本文提出的算法具有較高的實時性#65380;很強的預測性以及較少的計算量#65377;本文不僅給出了算法的推導過程，而且利用計算機仿真及其分析來驗證新算法的有效性#65377;但是，實際多傳感器系統中，網絡延遲一般均是隨機的或大于一個周期，因此對這些情況下的融合算法設計進行進一步研究具有很高的理論意義和實際應用價值#65377;

參考文獻:

[1]何友，王國宏，陸大琻，等.多傳感器信息融合及應用[M].北京:電子工業出版社，2000.

[2]高翔，王勇.數據融合技術綜述[J].計算機測量與控制，2002，10(11):706-708.

[3]HALL D L， LLINAS J. An introduction to multisensor data fusion[J]. Proc of the IEEE， 1997，85(1):6-23.

[4]QIANG G， HARRIES C J. Comparison of two measurement fusion methods for Kalmanfilterbased multisensor data fusion[J]. IEEE Transactions on Aerospace and Electronic Systems， 2001，37(1):273-280.

[5]李宏，王昭，相明，等.一種全局最優的多基陣聲納數據融合方法[J].西北工業大學學報，2005，18(2):233-236.

[6]ASSIMAKIS N D. Optimal distributed Kalman filter[J]. Nonlinear Analysis， 2001，47(8):5367-5378.

[7]LI Tao. Optimal multiple level decision fusion with distributed sensors[J].IEEE Transactions on Aerospace and Electronic System， 1993，29(4):12521259.

[8]RAO B S， DRUUANTWHYTEH F. Fully decentralized algorithm for multisensor Kalman filtering[J]. IEEE ProceedingsD， 1991，138(5):413-420.

[9]鄧自立.最優濾波理論及其應用[M].哈爾濱:哈爾濱工業大學出版社， 2001.

[10]王耀南，李樹濤.多傳感器信息融合及其應用綜述[J].控制與決策，2001，16(9):518-521.

第10期楊明華，等:

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”