一種動態多傳感器一致性融合算法

劉 楊, 姜禮平

?

一種動態多傳感器一致性融合算法

劉 楊, 姜禮平

(海軍工程大學兵器工程系, 湖北武漢, 430033)

針對現有一致性融合算法在處理時變系統的狀態估計時, 不能準確度量傳感器的一致性和可靠性, 且傳感器一致性均值和可靠性度量存在“數據飽和”和“歷史信息浪費”等問題, 將一致性均值和方差的計算轉化為時變參數估計問題, 引入一致性衰減因子和方差衰減因子, 更為客觀地度量傳感器的一致性和可靠性, 實現傳感器融合權重的動態調整, 從而將一致性融合算法推廣應用到時變系統。仿真結果表明, 該方法可更為合理地分配各傳感器的融合權重, 改善一致性融合算法的性能。

數據融合; 一致性; 可靠性; 衰減因子

0 引言

多傳感器數據融合可將多個同質或不同質傳感器的數據進行綜合處理, 得到了比單個傳感器更為準確可靠的結論。但在復雜環境(如戰場環境)中的傳感器數據往往不精確、不完整、不可靠, 這種信息的不確定性給信息融合帶來了嚴重考驗。經典的最優融合估計依賴于精確的系統模型、噪聲統計特性甚至相應的概率分布, 這在工程實踐中往往難以滿足。因此, 在缺乏先驗知識的情況下, 基于一致性理論的多傳感器數據融合引起人們廣泛的研究興趣。通過構建統計距離、置信距離、支持度矩陣等方法挖掘量測數據中蘊含的傳感器一致性和可靠性信息, 從而確定各傳感器的融合權重, 可擺脫對先驗信息的依賴, 獲得次優估計。但現有的一致性融合方法多針對定常系統的狀態估計, 不適用于傳感器性能隨時間波動較大(傳感器一致性為時變參數)的場合。文獻[7]即提出“數據飽和”問題——新數據提供的信息容易被淹沒在歷史數據信息中, 使得算法失去對錯誤數據的修正能力, 并針對該問題提出采用2個時刻的傳感器數據構造融合算法, 提高了算法的靈敏性, 但也浪費了大量的歷史信息。

本文針對“數據飽和”和“歷史信息浪費”問題, 從時變參數的最優估計出發, 引入傳感器一致性衰減因子和一致性方差衰減因子, 更為客觀的度量傳感器的一致性和可靠性, 動態調整傳感器數據融合權重, 使得一致性融合算法也可應用到時變狀態的融合估計中。

1 一致性融合算法

一致性理論最早應用在統計學和管理學中, 是專門在某一組專家中尋找一致意見的研究領域, 目的在于合并貝葉斯決策理論基礎上所得決策, 并給這些決策一個總結性處理。一致性理論的原理與數據融合非常相似, 其中的匯集函數相當于融合函數。Benediktsson早在1992年提出了基于一致性理論的數據融合方法, 并運用在目標分類識別上。

設有個傳感器對目標進行跟蹤,時刻傳感器的狀態估計為。一致性融合方法首先定義一種支持度來衡量傳感器輸出間的支持程度,個傳感器間的支持程度可由支持度矩陣描述

在支持度矩陣的基礎上計算傳感器的一致性測度

文獻[9]考慮傳感器的“綜合一致性”和“可靠性”, 設計映射函數

(5)

(6)

文獻[7]針對“數據飽和”問題, 采用當前時刻和前一時刻的一致性度量來確定傳感器當前時刻的一致性均值

采用當前時刻和前一時刻的一致性度量的協方差絕對值度量傳感器的“可靠性”。仿真結果表明,該方法可有效提高算法的靈敏度, 在傳感器出現故障和故障消除時能及時調整傳感器的融合權重。但僅采用當前時刻和前一時刻的一致性測度信息, 浪費了大量的歷史數據信息, 不能準確估計傳感器的一致性和可靠性, 使得傳感器融合權重波動過于劇烈, 或影響算法的融合性能。

文獻[3,12]利用“支持度矩陣”存在正的最大特征值的性質, 求得對應的正特征值向量, 進行標準化后得到傳感器融合權重, 本質上也僅采用了當前時刻的一致性信息, 浪費了歷史信息。

2 動態一致性融合算法設計

在針對時變系統的數據融合問題中, 傳感器的一致性是時變參數, 對應的一致性均值和方差也應是時變的。由上一小節的分析可以看出, 現有一致性融合算法在處理時變系統的狀態估計時, 不能準確度量傳感器的一致性和可靠性, 實現傳感器權重的動態調整。對于時變參數的估計, 一般有2種基本思路: 一是固定歷史數據的窗口長度, 采用有限個歷史數據進行參數估計; 二是引入歷史數據權重衰減因子, 歷史數據的權重隨著新舊程度而變化。

本文借鑒文獻[7,9]的思路, 考慮傳感器的“綜合一致性”和“可靠性”設計融合加權算法, 并分別用一致性測度序列當前時刻的均值和方差來度量。引入一致性均值衰減因子和方差衰減因子, 分別對一致性序列當前時刻的一致性均值和方差進行估計。

其遞推形式為

(9)

可通過控制的大小來確定歷史量測信息對當前傳感器一致性均值的影響。越大, 歷史量測信息對當前傳感器一致性均值的影響衰減越快,越小, 歷史量測信息對當前傳感器一致性均值的影響衰減越慢, 當=1時, 式(9)即為式(5), 歷史量測對當前傳感器融合權重的影響權重相同。

類似可確定一致性度量序列的方差計算

一致性均值和方差到傳感器“一致可靠測度”的映射采用雙線性函數

個傳感器的融合加權公式

3 仿真分析

現有4部雷達對1個空中目標飛行速度進行觀測, 目標飛行速度為100 m/s, 觀測時間200 s, 測量噪聲服從均值為0,方差為的高斯分布。且。已知雷達4在51~100 s及151~ 200 s受到干擾, 在51~100 s測量方差變為, 在151~200 s時則產生20 m/s的固定偏差。

選取文獻[7]、文獻[9]和本章方法比較。為比較各方法融合性能, 定義融合絕對誤差均值

在融合估計均為無偏估計時, 融合估計誤差方差是衡量融合估計對于系統狀態真值離散程度的一個很好的指標。定義融合估計誤差方差

(14)

各方法的融合結果如表1所示。

表1 各方法的融合結果

從表1可看出, 本文方法的融合估計絕對誤差均值和估計誤差方差均小于文獻[7,9]提出的方法。由于本文的融合算法采用了和文獻[9]相同的一致性均值和方差到傳感器“一致可靠測度”的映射, 因此本文融合算法的優化體現在對一致性均值和方差更為準確的度量上, 驗證了本文提出的改進措施是有效的。雷達4在各方法下的權重分配如圖1所示。可看到文獻[9]方法出現了“數據飽和”問題: 分配給雷達4的權重趨于常值, 即使在出現較大干擾的51~100 s, 151~200 s, 雷達4的權重也沒有得到及時調整。而文獻[7]方法則對數據的變化過于敏感, 權重值波動劇烈, 且浪費了一定的歷史信息, 融合性能并不好。本文方法在雷達4工作正常時, 保持相對穩定的權重分配, 在雷達受到干擾時, 及時的辨識出一致可靠性較差的數據, 及時調整雷達融合權重, 但不致權重波動過于劇烈, 保證了算法的穩定性和靈敏性。

4 結束語

在實際數據融合問題中, 掌握準確的噪聲統計特性進行最優融合估計往往難以實現, 挖掘傳感器數據本身蘊含的一致性信息和可靠性信息進行一致性融合估計則有良好的應用前景。本文針對現有一致性融合算法僅適用于定常系統的問題, 引入衰減因子, 更為合理地度量了傳感器時變的一致性和可靠性, 避免“數據飽和”, 實時調整傳感器的融合權重, 實現了動態多傳感器一致性融合, 推廣了一致性融合算法的應用范圍。

[1] 王婷杰, 施惠昌．一種基于模糊理論的一致性數據融合方法[J]．傳感器技術, 1999, 18(6): 50-53．Wang Ting-Jie, Shi Hui-Chang. Consensus Data Fusion Me- thod Based on Fuzzy Theory[J]. Sensor Technology, 1999, 18(6): 50-53．

[2] 段戰勝, 韓崇昭, 陶唐飛. 基于最近統計距離的多傳感器一致性數據融合[J]. 儀器儀表學報, 2005, 26(5): 478-481．

Duan Zhan-sheng, Han Chong-zhao, Tao Tang-fei. Consistent Multi-sensor Data Fusion Based on Nearest Statistical Distance[J]. Chinese Journal of Scientific Instrument, 2005, 26(5): 478-481．

[3] 危遂薏, 劉桂雄．一種同質的多傳感器融合新算法[J]．傳感器技術, 2004, 23(8): 61-62．Wei Sui-Yi, Liu Gui-xiong. Novel Arithmetic of Similar Multi-sensor Data Fusion[J]. Journal of Transducer Technology, 2004, 23(8): 61-62．

[4] Luo R C. Multi-sensor Fusion and Integration: Approaches, Applications, and Future Research Directions[J]．IEEE Sen- sors Journal, 2002, 2(2): 107-111．

[5] 蒲書縉．復雜環境下目標識別的智能數據融合技術研究[D]．哈爾濱: 哈爾濱工程大學, 2006．

[6] 刁聯旺, 王常武, 商建云, 等．多傳感器一致性數據融合方法的改進與推廣[J]．系統工程與電子技術, 2002, 24(9): 60-63.Diao Lian-wang, Wang Chang-wu, Shang Jian-yun, et al. Improved and Generalized Consensus Data Fusion Method [J]. Systems Engineering and Electronics, 2002, 24(9): 60- 63.

[7] 張鵬, 張建業, 王占磊, 等．基于鄰近量測認知信息的多傳感器融合估計[J]. 計算機工程, 2012, 38(8): 1-3．Zhang Peng, Zhang Jian-ye, WangZhan-lei, et al. Multi- sen- sor Fusion Estimation Based on Adjacent Measurement Cognitive Information[J]. Computer Engineering, 2012, 38 (8): 1-3．

[8] 楊寶強, 孫勇, 徐明．基于支持度的多傳感器信息融合算法[J]. 空軍工程大學學報(自然科學版), 2007, 8(2): 33- 35．

[9] 劉敏華, 蕭德云. 基于相似度的多傳感器數據融合[J]．控制與決策, 2004, 19(5): 534-537．Liu Min-hua, Xiao De-yun. Multi-sensor Data Fusion Based on Similitude Degree[J]. Control and Decision, 2004, 19(5): 534- 537．

[10] 程建興, 史儀凱．動態加權的一致性多傳感器數據融合算法[J]．火力與指揮控制, 2008, 33(8): 75-78．Cheng Jian-xing, Shi Yi-kai. A Novel Consensus Multi-sensor Data Fusion Algorithm Based on Dynamic Weighted[J]. Fire Control and Command Control, 2008, 33(8): 75-78．

[11] 王昕, 張合．一致性多傳感器數據融合技術在引信信息融合過程中的應用[J]. 兵工學報, 2004, 23(8): 61-62．

[12] 胡振濤, 劉先省. 一種改進的一致性數據融合算法[J]. 傳感器技術, 2005, 24(8): 65-67．Hu Zhen-Tao, Liu Xian-xing. Improved Consensus Data Fusion Algorithm[J]. Journal of Transducer Technology, 2005, 24(8): 65-67．

[13] 王華, 鄧軍, 王連華, 等．改進的一致性數據融合算法及其應用[J]. 中國礦業大學學報, 2009, 38(4): 590-594．Wang Hua, Deng Jun, Wang Lian-hua, et al. Improved Consensus Data Fusion Algorithm and Its Application[J]. Journal of China University of Mining & Technology, 2009, 38(4): 590-594．

[14] Benediktsson J A, Swain P H. Consensus Theoretic Classification Methods[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1992(22): 688-704．

[15] Benediktsson J A, Sveinsson J R, Swain P H．Hybrid Consensus Theoretic Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997(35): 833-843．

(責任編輯: 楊力軍)

A Consensus Data Fusion Algorithm for Dynamic Multi-sensors

,

(Department of Weaponry Engineering, Naval University of Engineering, Wuhan 430033, China)

Existing consensus fusion algorithms can not accurately measure the consensus and reliability of sensor in state estimation of time-varying system, and ‘data saturation’ and ‘waste of history information’ exist in measurement of sensor′s consensus mean value and reliability. In this paper, the calculation of consensus mean value and variance is transformed into the estimation of time-varying parameters, the consensus attenuation factors and variance attenuation factors are employed to measure the consensus and reliability of sensor more objectively, and the dynamic adjustment of sensor fusion weight is realized. Simulation results show that the present approach can reasonably distribute the fusion weights of sensors to optimize the fusion algorithm.

data fusion; consensus; reliability; attenuation factor

TJ630.33;TJ765.3

A

1673-1948(2013)06-0436-04

2013-07-07;

2013-08-15.

國家自然科學基金(6107419).

劉 楊(1987-), 男, 在讀博士, 研究方向為目標跟蹤與信息融合.