模糊积分在多传感器信息融合中的应用
多传感器的融合方法
多传感器数据融合多传感器数据融合是一个新兴的研究领域,是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。
多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术,是多学科交叉的新技术,涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。
近年来,多传感器数据融合技术无论在军事还是民事领域的应用都极为广泛。
多传感器融合技术已成为军事、工业和高技术开发等多方面关心的问题。
这一技术广泛应用于C3I系统、复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、遥感、医疗诊断、图像处理、模式识别等领域。
实践证明:与单传感器系统相比,运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面,能够增强系统生存能力,提高整个系统的可靠性和鲁棒性,增强数据的可信度,并提高精度,扩展整个系统的时间、空间覆盖率,增加系统的实时性和信息利用率等。
1 基本概念及融合原理1.1 多传感器数据融合概念数据融合又称作信息融合或多传感器数据融合,对数据融合还很难给出一个统一、全面的定义。
随着数据融合和计算机应用技术的发展,根据国内外研究成果,多传感器数据融合比较确切的定义可概括为:充分利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列获得的多传感器观测数据,在一定准则下进行分析、综合、支配和使用,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更充分的信息。
1.2 多传感器数据融合原理多传感器数据融合技术的基本原理就像人脑综合处理信息一样,充分利用多个传感器资源,通过对多传感器及其观测信息的合理支配和使用,把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合,以获得被测对象的一致性解释或描述。
具体地说,多传感器数据融合原理如下:(1)N个不同类型的传感器(有源或无源的)收集观测目标的数据;(2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取的变换,提取代表观测数据的特征矢量Yi;(3)对特征矢量Yi进行模式识别处理(如,聚类算法、自适应神经网络或其他能将特征矢量Yi变换成目标属性判决的统计模式识别法等)完成各传感器关于目标的说明;(4)将各传感器关于目标的说明数据按同一目标进行分组,即关联;(5)利用融合算法将每一目标各传感器数据进行合成,得到该目标的一致性解释与描述。
基于模糊逻辑应用于反馈结构的多传感器航迹融合的研究
2带 反馈 信 息 的 融合 模 型
用状态方程描述 目标 的运动特性 :
( + ) ( - ( + ( , f ,, T 七 1 = 姊 姊 =1 …, 2 f1 1
这里 x( 是 k时刻 目标 t ) k 的状 态向量 , k为状 ( ) 态转移矩阵 , 过程噪声 V( 为高斯 白噪声 , 。) k 即有
(u h u Istt f aea dCo S z o ntueo d n mmec , u h u 2 5 0 , ia i Tr re S z o 1 0 0 Chn)
Ab t c : n Memu t e s rd t s n s se w t i i u in ls u tr u d n T e fe b c r htcu e ma n a c s r t I l s n o aa f i y tm i d s b t a t cu e b r e 、 h e d a k a c i tr y e h n e a i u o h t l o r e
模 糊逻 辑 应 用 于 对 多 个航 迹 的 位 置偏 差 、 度偏 差 和加 速 度 偏 差 进 行 模 糊 化 、 糊逻 辑 推 理 及 去 模 糊 等 , 出 了关 于 模 糊 速 模 提 逻 辑 应 用 于反 馈 结 构 的 多传 感 器航 迹 融合 的 方 法 关 键 词 : 迹 关联 ; 据 融合 ; 糊 逻 辑 ; 馈 结构 航 数 模 反
i ( dfzf a o fuz otu、 c 3 e z ct no fz up t ;) u i i i y
Ke r s: a k c reain: aaf so f z yl gc;e d a k a c ie tr y wo d t c o lt r o d t u in:u z o i fe b c r htcu e
基于期望值的模糊多传感器信息融合方法
外界环境 的干扰 和 自身质 量的差异 , 测量结 果往往 会有 其
ba e n e p c e a u s d o x e td v l e
W AN h png S u— i
( ol eo fr t nT c n lg , in x nvri f ia c n C l g f nomai eh oo y Ja g i ies yo n n ea d e I o U t F
tes g bet rga igo nm z gteta dv t nbtenteojc p s n eu ko nojc, h i l ojc pormm n f i in t ei i e e bety e dt n nw bet ne mi i h ol ao w h t a h
摘
要 :通针对 目 标类 型的特征指标值和传感器 的测 量值均 为三角模糊 数的多传 感器类 型识别 问题 , 提
出 了一种新 的融合方法 。该 方法将三角模糊数决策矩 阵元素转换 为期望值 , 通过 求解 目标 类型 与未知 目 标属性偏差最小 的优化 问题 得到属性 的权重 , 根据各 目标 类型 的综 合属性期 望值给 出 目标识 别结果 。较 好地避免 了属性权重选取 的主观性 , 计算 简单 , 易于计算 机上实现 , 仿真 实例表 明了方法 的有效性 和实用
tew i t o h t b t r ba e. h eu frcg io o te u ko n ojc i g e y te h e hs ft a r u s aeoti d T ersl o eont n f h n nw bet s i n b h g e t e i n t i r v
me s rme to e s r r n t e fr o i n u a z y n mb r , e u in meh d i p o o e . h t o a u e n fs n o sa e i h o m ft a g lrf z u e s a n w f so to s r p s d T e meh d r u t n fr h a g l rf zy n mb re e ns o e i o ti n o t e e p ce au l me t. t r s li g r s mst e t n u a z u e lme t f cs n mar it h x e td V l e ee n s Af o vn a o i r u d i x e
多传感器信息融合及应用
多传感器信息融合及应用
多传感器信息融合技术是指通过多个传感器采集的不同数据信
息进行处理和融合,以实现对目标的更全面、更准确、更可靠的监测和识别。
该技术已经在军事、安防、交通、环境监测等领域得到广泛应用。
多传感器信息融合技术主要包括数据预处理、特征提取、数据融合和目标识别等步骤。
其中,数据融合是最核心的环节,它包括数据级、特征级和决策级融合。
数据级融合是将不同传感器采集的原始数据进行融合,得到更详尽、更完整的信息;特征级融合是将不同传感器提取的特征进行合并,以提高识别准确率;决策级融合是将各传感器产生的判断结果进行综合判断,得到更可靠的结果。
多传感器信息融合技术的应用越来越广泛,如在军事领域,可以将不同的传感器融合在一起,实现对敌方目标的监测和识别;在安防领域,可以将视频监控和红外监测等技术进行融合,实现对建筑物、城市等场景的监测和预警;在交通领域,可以将车载传感器和路侧传感器进行融合,实现对车辆行驶状态的监测和控制;在环境领域,可以将多种传感器进行融合,实现对自然环境的监测和预测。
总的来说,多传感器信息融合技术在各个领域中的应用前景非常广阔,随着技术的不断发展,将会有更多的应用场景涌现出来。
- 1 -。
基于模糊聚类的混合多传感器数据融合算法
摘要:针对舰船的多种异质传感器基于不同的数据属性而带来的数据融合问题,研究了自适应模糊C均值(AFCM)
算法对初始聚类中心敏感且不能处理具有混合属性的数据集以及CH-CCFDAC算法不能处理具有噪声和不同密度 的数据集的局限性,提出了一种基于模糊聚类的混合多传感器数据融合算法,主要是把模糊聚类应用到数据融合
2019年12月 第&2卷第6期
舰船电子对抗 SHIPBOARD ELECTRONIC COUNTERMEASURE
Dec.2019 Vol.42 No#
基于模糊聚类的混合多传感器数据融合算法
朱明荣!,盛子恒2
(1.中国船舶重工集团公司第七二三研究所,江苏扬州225101#.新南威尔士大学,悉尼2052)
54
舰船电子对抗
第42卷
(Find Density Peaks Fuzzy C-means Clustering) 算 法,该算法通过引入加权系数并采用高斯核函数找 到局部密度最大的点,并将其作为初始聚类中心,解 决了传统的基于聚类的数据融合算法对初始聚类中 心敏感、无法确定聚类数目、收敛速度慢等问题;文 献[5]提出了 一 种 IIFCM (Improved Intuitionistic Fuzzy C-means)算法,该算法通过在损失函数中引 入了直觉模糊因子,并结合局部空间信息来克服噪 声与空间的不确定性问题;文献[6]提出了一种AFCM(Adaptive Fuzzy C-means)算法,同密度的数据集,但不能处理具有混合属性 的数据集且随机初始化的聚类中心易使其陷入局部 最优;文献[7]提出了一种CH-CCFDAC(a New Clustering Center to Quickly Determine the Clus tering Algorithm )算法,该算法通过结合CCFD (Cluster Center Fast Determine Algorithm)与改进 的迭代爬山算法(Improved Mountain Climbing Al gorithm) 确定了聚类中心,但受截断距离的影响,其 不能处理具有噪声与不同密度的数据集%
多传感器数据融合技术及其应用
3、基于信息论的方法
基于信息论的方法是利用信息论理论进行多传感器数据融合处理的方法。该 方法包括互信息、信息增益等算法,这些算法通过衡量多传感器之间的信息相关 性对数据进行处理和分析,以达到提高数据处理效率的目的。
4、基于信号处理的方法
基于信号处理的方法是利用信号处理技术进行多传感器数据融合处理的方法。 该方法包括傅里叶变换、小波变换等算法,这些算法通过将多传感器数据进行变 换域处理对数据进行处理和分析,以达到提高数据处理稳定性和可靠性的目的。
参考内容
摘要Байду номын сангаас
多传感器数据融合技术是一种利用多个传感器所采集的数据进行信息融合和 处理的技术,广泛应用于军事、航空、无人驾驶、智能制造等领域。本次演示将 对多传感器数据融合技术的定义、应用和研究现状进行综述,并总结前人研究的 主要成果和不足,同时指出研究的空白和需要进一步探讨的问题。关键词:多传 感器数据融合,信息融合,传感器数据,数据处理
在应用方面,多传感器数据融合技术广泛应用于军事、航空、无人驾驶、智 能制造等领域,并取得了良好的应用效果。
多传感器数据融合技术的应用
1、军事领域
在军事领域,多传感器数据融合技术广泛应用于目标检测、跟踪和识别等方 面。例如,在雷达、红外和声呐等多种传感器的协同作用下,可以对空中目标进 行精确的检测、跟踪和识别,从而提高导弹的命中率。此外,在军事决策中,多 传感器数据融合技术也可以提供更加全面和可靠的信息支持。
感谢观看
多传感器数据融合技术的应用领域非常广泛,主要包括以下几个方面:
1、智能制造:在制造业中,多传感器数据融合技术可以用于实时监测生产 线的运行状况,提高生产效率和质量。同时,还可以对原材料、半成品和成品进 行全面检测,降低不良品率。
模糊算法在智能传感器网络中的应用与数据聚合优化
模糊算法在智能传感器网络中的应用与数据聚合优化智能传感器网络技术的发展使得传感器节点数量不断增加,为了实现节点间高效的数据交换和聚合,研究者利用模糊算法来提高传感器网络的数据处理效率。
本文将从传感器网络的应用场景出发,介绍模糊算法在智能传感器网络中的应用,并探究其在数据聚合中的优化效果。
一、智能传感器网络与其应用场景随着物联网技术的发展,智能传感器网络在现代社会中得到了广泛的应用。
传感器网络可以通过节点间的信息交换,实现对环境和设备等的监测、控制等功能。
其应用领域包括但不限于环境监测、智能交通、智能家居、健康医疗等。
二、模糊算法在智能传感器网络中的应用2.1 模糊控制算法在传感器网络中的应用模糊控制算法是一种根据模糊逻辑运算确定控制规则,以达到对控制对象进行模糊控制的方法。
其在传感器网络中主要应用于控制节点的输入输出信号,以便节点之间的通信更加高效精确。
2.2 模糊聚类算法在传感器网络中的应用模糊聚类算法是一种基于模糊集理论的聚类算法,该算法可以根据数据的特性进行数据分类。
在传感器网络中,可以用于节点数据的分类和聚合,避免了传感器节点数据传输中的冗余和不必要的开销。
2.3 模糊决策算法在传感器网络中的应用模糊决策算法是一种建立在模糊集合理论基础之上的决策方法,该方法可以更好地适应真实世界中的复杂、多参、不确定性等现象。
在智能传感器网络中,该算法可用于对传感器数据进行决策分析,提高传感器网络的数据处理效率。
三、模糊算法优化数据聚合的效果通过采用模糊聚类算法,可以实现传感器节点的数据聚合,避免了传感器节点数据传输中的冗余和不必要的开销。
优化后的数据聚合效果可以降低能源开销和延长传感器网络的寿命。
四、总结本文从智能传感器网络的应用场景出发,介绍了模糊算法在智能传感器网络中的应用,并探究了其在数据聚合中的优化效果。
模糊算法能够有效提高传感器网络的数据处理效率,进一步拓展传感器网络的应用领域,为未来的智能社会构建做出了重要的贡献。
多传感器信息融合及应用
多传感器信息融合及应用
多传感器信息融合是指将多个不同类型的传感器所采集的数据
进行有效的组合和处理,以提高信息的质量和可靠性。
这种技术在各种领域得到广泛应用,包括智能交通、环境监测、医疗诊断、机器人控制等等。
多传感器信息融合的基本思想是将多个传感器的数据相互协调,利用它们的互补性来提高整体系统的性能和效率。
这种技术的应用需要深入研究数据融合算法、模型建立和优化算法等方面,同时需要考虑传感器网络的部署、数据传输和存储等方面的问题。
在智能交通领域,多传感器信息融合可以应用于交通流量监测、车辆跟踪、交通事故预警等方面。
在环境监测领域,多传感器信息融合可以应用于大气污染监测、水质监测、土壤监测等方面。
在医疗诊断领域,多传感器信息融合可以应用于医疗图像处理、生理参数监测等方面。
在机器人控制领域,多传感器信息融合可以应用于机器人定位和导航、机器人视觉识别等方面。
总之,多传感器信息融合技术的应用范围广泛,将会在未来的各种领域得到进一步的发展和应用。
- 1 -。
基于模糊理论的多传感器信息融合技术在电机故障诊断中的应用
度 函数 .隶 属度 函数有 各 种分 布形式 ,在 实 际运 用 中可 以经 大 量 统 计 分 析 后 归 纳 出合 适 的 隶 属 度 函
数 ,并 且 可 以不 断地 加 以优化 .
周 浔, 任 锐
10 7 ) 0 0 2 ( 甲兵工程学 院 ,北京 装
摘
要: 在模糊理论 的基础上 ,将 多传感器信息融合技术应 用于故障诊断系统中 ,建立了一种 电机运行状态的故
障诊 断数学模 型 ,提出了一种基于系统模糊综合 评价 融合结构 下 的综 合故 障诊断方 法 ,解决 了 电机故 障实时 在 线监控 问题 ,降低 了系统故障的误报率.
实 际应 用价 值 .
息 ,对电机性能进行评价.在诊断过程中 ,如何对 大量 信息 进行 处理 和综 合利 用 是 电机 故 障诊 断技 术 需要重点研究 的问题 _.作者借 鉴模糊 技术 ,结 l 合多传感器融合技术 ,对 电机运行 状态进行诊断 , 提 出了一种 基 于系统 模糊 综合 评 价融 合结 构下 的综
Ke r y wo ds:fu td a n ss f z y t o ; if r ai n f so a l i g o i ; u z he r y no m to u in
电机 故 障诊断 是利 用获 取 电机运 行 时 的状态 信
明 :该 方法 简单 易行 ,具 有较 强 的通用 性 ,为 电机 的故 障诊 断提供 了较 好 的模 型和方 法 ,具有很 高 的
3实例分析4结束语电机运行过程中将常见故障作为故障诊断的将模糊理论运用于电机故障诊断用多传感器决策集dddddddd转1234567子不对称轴承故障电机过载电机两相运行对电机运行状态进行实时监控抽取其中每个传感器的有用信息再经过诊断融合中心的融合处理转子断条气隙偏心定子线圈短路此综合诊断系统的多传感器集合用ssss电机后充分利用多源信息的冗余性和互补性从而增123振动传感器电机电流传感器温度传感器来强了故障诊断的可靠性和准确性改善系统的检测性能
基于测量值模糊贴近度时空融合的多传感器融合方法
2 河 南大 学计算 机 与信 息 工程 学院 , . 开封 4 50 ) 70 1
摘 要 针对实际多传感器 目 标跟踪系统中, 传感器测量值 中的野值对状态估计的不利影响 , 该算法利用
概率源合并理论和非负矩阵特征 向量 理论 , 出 k时刻空 间上 各传 感器 测量 值与 其他 传感 器测 量值 的综 合贴 近 算 度, 同时将 k 时刻的空间上融合 的模糊贴 近度进行时 间融合 , 个 以此确定 每个传 感器 的权 重 。仿 真结果表 明 , 算 该
法 有效 地抑制了i 量野值对测量融合值 的不利影响 , 高了系统的跟踪准确度 。 贝 0 提
关键 词 测量
野值 模糊贴近度
时空融合
M ul - e o t so e h d Ba e n M e s r m e t Fu z t s ns r Da a Fu i n M t o s d o i au e n zy
Cl y De r e Sp ta - m p r l i g e a ilTe o a ng
HU N o gj n MU J nce L O Z i i LU J—u A G Z n -a i u —h n U h— n b I i y
( .Eetce g er gd pr n H nnPlt h i Istt, ayn 70 9; 1 lc ni e n eat t ea o e nc ntueN na g 3 0 i r n i me yc i 4
1 引
在实际的多传感器数据融合过程中, 由于受各 种因素的影响, 当测量设备出现故障或数 据传输过 程 中受到外界环境激励干扰等原 因, 导致在测量序 列 中常常出现野值 , 它们与真实值有较大误差 , 影响
多传感器模糊信息融合在煤矿安全中的应用
whc s s mu t s n o u z n o main f so s p o o e . h tt s a e b mn d b l — e s r a e ih u e l —e s r f z y ifr t u in i r p s d T e sae me s g s o t e y mut s n o r i o i f z i r c s e , n n e r td b h sf so t o S h tt e p e ie s t s mai n o q i me t c n b u zl p o e s d a d i tg ae y ti u in me h d, O ta h rc s t e e t t fe u p n s a e y a i o
该方法充分利用了传感器提供的多种信息 , 提高 了系统的识别率。实验结果表 明: 多传感器信息融合 的识 别准确率高于单传感器 。因而 , 多传感器模糊信息融合 是一种有潜力 的新方法 。 关键词 :多传感器 ; 模糊 ; 息融合 ; 信 煤矿安全
中图 分 类 号 :T 2 2 P 1 文 献 标 识 码 :A 文 章 编 号 :10 -98 (0 8 0 - 14 3 0 0 7 7 2 0 )5 0 1 —0
( aut f l t cl n n ier gC nrlLa nn eh i l nvri , ld o1 50 , hn ) F c l o e r a a dE gnei o to, io igT c nc ies y Huu a 2 15 C ia y E ci n aU t
维普资讯
l4 1
传感器与微系统( r su e a dMi oyt ehoois Ta d cr n c ss m T cnl e) n r e g
基于模糊理论的多传感器数据融合系统
基于模糊理论的多传感器数据融合系统
基于模糊理论的多传感器数据融合系统
利用模糊理论解决不确定性问题的优点,将其应用于数据融合系统;根据模糊控制数据融合模型,对模型中涉及到的容错处理、时空对准问题进行研究;分析了模糊理论在融合算法中的处理过程;并根据不同的对应情况加以讨论说明;最后通过仿真检验分析,证明该融合系统能有效地提高测量数据精度.
作者:周中良于雷敬军ZHOU Zhong-liang YU Lei JING Jun 作者单位:周中良,ZHOU Zhong-liang(空军工程大学工程学院,西安,710038)
于雷,YU Lei(空军工程大学工程学院,西安,710038;西北工业大学,西安,710072)
敬军,JING Jun(空军驻京丰地区代表室,北京,100063)
刊名:电光与控制ISTIC PKU 英文刊名:ELECTRONICS OPTICS & CONTROL 年,卷(期):2007 14(2) 分类号:V271.4 TP273.4 关键词:模糊理论数据融合时空校准格罗贝斯判据。
模糊数据融合在多传感器环境监测中的应用
监测结果 安全 安全 不确定 安全 危险 不确定 安全 危险
状态 1
安全
状态 2
在融合中心的全局判决中 , 可以采用最大隶属 度、 重心法等确定最终的全局判决。如采用最大隶 属度的方法, 即 B i ! f ( u) , i = 若存在 i0 使得 B i 0 = max { B 1 , B 2 , 定 u 属于 B i 0 。
环境状态
传感器 安全 危险 0. 310 0. 190 0. 470 0. 290 0. 620 0. 510 0. 300 0. 555 CH 4 传感器 温度传感器 CO 传感器 融合结果 CH 4 传感器 温度传感器 CO 传感器 融合结果 0. 690 0. 810 0. 530 0. 710 0. 380 0. 490 0. 700 0. 445
第8期 2009 年 8 月
工 矿 自 动 化
Industry and M ine A ut omatio n
N o. 8 A ug. 2009
文章编号 : 1671- 251X( 2009) 08- 0022- 03
模糊数据融合在多传感器环境监测中的应用*
孙红鸽 1 , 臧 义1 , 曹 毅1 , 阎 馨2 450007; 125105) ( 1. 河南工业大学电气工程学院, 河南 郑州
n
。式中 : r ij 表示由单
因素 i ( i ! [ 1, m ] ) 推断出决策集中 j ( j ! [ 1, n] ) 状 态的可能程度, 即 v 对 u 的隶属程度。而在软决策 的融合结构下, 每个传感器的判决结果是决策集上 各等级的可信度度量 , 即 对第 i 个传感器 v i 而言, 其决策结果记为 r i = ( r i 1 , r i2 , r i 3 , m , r in ) , 经归一化 处理 后, 可 得到 融合 中 心的 输 入向 量, 从 而 组成 n的矩阵 R , 称为决策矩阵 ( 即模糊控制理论中 r i1 R= r m1 r m2 r mn 对融合系统中的每个传感器而言, 其作用程度 各不相同, 称之为传感器权重 , 它是 V 上的模糊子 集 , 即传 感器 权重 向量 A= ( a1 , a2 , , am ) ( A 是 r i2 r in 的模糊关系矩阵) 。
基于模糊推理原理的多传感器数据融合方法
仪
器
仪
表
学
报
第 25卷
程就是将实际的变量用模糊变量表示的, 或者是将实 际的数值用模糊数值表示的过程。涉及模糊变量的定 义, 隶属函数的选取 , 范围的划分等。解模糊或清晰化 则是模糊化 的逆过程 , 是将模糊变量转变为实 际变量
的过程 。 2 2 推理原理 . 模糊推理有多种模式 , 条件推理模式就是 常用 的 模式之一 , 根据所选择的模糊合成运算方法 的不 同, 在
3 融合实现
3 1 输入变,的模糊化 . 设有 n 个不同类型的传感器 , 分别测量同一参数 , 如距离等 , 各传感器的方差 已知, 可以得到其测量值。
第4 期
基于模糊推理原理的多传感器数据融合方法
从随机变量的特点可知, 随机变量的分布是 由其均值 和方差所确定的正态分布 , 因此 , 其隶属函数选用高斯 形 比较合适。 为了工程实现方便 , 选用三角形的隶属函 数, 三角形的中心是传感器的测量均值( 单次测量时的 测量值)三角形的宽度根据误差的分布规律 , , 选定为 标准方差 的 2 。 倍 其形状如图 2 所示 , 隶属 函数的表达 式为式() 3
A s at uz rao i m to s b ue fr a i o u cr i sno dt. sno dt w s bt c F zy sn g hd cn sd dt fs n net n sr aT e sr a d- r e n e a e o a u o f a e a h e a a e f e a 山e u o f z ss m, e et dt a te p t uz ss m, d tag l m m esi i d n s i t u y t t epc d a h o tu o fz yt a te nua e brh n p f z y e h x e a s u f y e n h r i r p fnt n ae d m p u cr i y dt. m s l e ps i o otu m m esi fnt n ocr u c os ue t a te et n o aaT e t l oio f p t br p c os us i r s o h n a t f h o i y t n u k e h u i c
模糊理论在多传感器信息融合中的应用
模糊理论在多传感器信息融合中的应用
周中良;于雷;张斌
【期刊名称】《火力与指挥控制》
【年(卷),期】2008(033)003
【摘要】利用模糊控制理论能较好解决不确定性问题的特点,将测量信息融合问题融入模糊控制问题中来提高多传感器系统的测量质量;提出模糊融合模型,并介绍了将传感器信息作为模糊控制输入的模糊化问题,以及相应的模糊规则的建立、模糊推理和清晰化处理;提出以相交论域中心作为多传感器的事实来进行兼容度和激励强度的解算;最后进行相应的仿真说明及分析.
【总页数】4页(P74-76,79)
【作者】周中良;于雷;张斌
【作者单位】空军工程大学工程学院,陕西,西安,710038;空军工程大学工程学院,陕西,西安,710038;西北工业大学,陕西,西安,710072;空军工程大学工程学院,陕西,西安,710038
【正文语种】中文
【中图分类】TP273.4
【相关文献】
1.模糊理论在中厚缓倾斜矿体优选采矿方法中的应用 [J], 陈发吉;赵国彦;简万国;姚复举
2.基于模糊理论的多传感器信息融合技术在电机故障诊断中的应用 [J], 周浔;任锐
3.模糊理论在变压器中判别励磁涌流中的应用及探讨 [J], 李玉春;曹红艳
4.多传感器信息融合技术在液压系统故障诊断中的应用 [J], 任凤娟
5.模糊理论、专家系统及人工神经网络在电力变压器故障诊断中应用──基于油中溶解气体进行分析诊断 [J], 王大忠;徐文;周泽存;陈珩
因版权原因,仅展示原文概要,查看原文内容请购买。
基于RBF的模糊积分多传感器数据融合的刮板输送机电机故障诊断
为隐含层结点中心;wij为隐含层到输出层的连接
权值;yi为与输入样本对应的第 j个输出节点的实
际输出。
∫h(x)。g(.) A
= sup[α∧ α∈[0,1]
g(A∩
Fα)]
=
sup[infh(x)∧ g(A∩ E)].
EX x∈E
(4)
4 算法应用
常 见 的 刮 板 输 送 机 的 故 障 部 位 有 减 速 器、刮 板链、耦合器、电机等。文中对刮板输送机的减速 器电机故 障 进 行 仿 真 研 究,需 要 研 究 的 电 机 运 行 状态分别为电机烧毁、轴承损坏、冷却水管漏水和 正常状态 [11],根 据 现 场 工 人 的 故 障 检 修 经 验 与 刮 板输送机的电机运行参数分析可知,这 4种电机运 行状态分别与 x1(轴承温度),x2(冷却水压力),x3 (输入电压)3种数据融合信息有关。将 5个温度 测点 (T1,T2,…,T5),5个 压 力 测 点 (P1,P2,…, P5),5个电压测点(U1,U2,…,U5)分别作为 3个 RBF神经网络的输入,将 4种电机运行状态作为 每一个 RBF神经网络的输出,以轴承温度数据为 例,经 RBF神经网络训练得到的误差如图 4所示。
图 3 RBF结构 Fig.3 RBFstructure
由图 3所示的 RBF结构可以得到网络的输出为
( ) 博看网 . All Rigyhjt=s Ri=he1sweirjevxepd.-21σ2‖xp -ci‖2 ,j=1,2,
…,n.
(3)
式中 xp =(x1p,x2p,…,xp m)为第 P个样本输入;ci
模糊积分融合方法
模糊积分融合方法
模糊积分融合方法是一种基于模糊理论的数据融合技术。
该方法将不同传感器的数据信息进行模糊化处理,然后采用模糊积分的方法将处理后的数据进行融合,得到更准确、更完整的信息结果。
该方法具有适应性强、鲁棒性好、误差容忍度高等优点,可广泛应用于机器视觉、遥感、自动化控制等领域。
但是,该方法需要确定合适的权重分配以及模糊性质的选择,这需要专业知识和经验的支持。
因此,在实际应用中需要结合具体情况进行选择和调整,以达到最佳效果。
- 1 -。
基于模糊积分的数据融合
1001
(2)群体.一个群体就是若干个体的集合。由于每个个体代表问题的一 个解,所以一个群体就是问题的一些解的集合.如P={x1,x2,…x100}就是 100个解(个体)构成的群体。
(3)交叉。选择群体中的两个个体x1,x2以这两个个体为双亲做基因 链码的交叉,从而产生两个新的个体x1’,x2’作为他们的后代,简单的 交叉方法是:随机的选取一个截断点将x1,x2的基因链码在截断点处切 开,并交换后半部分,从而组合生成两个新的个体x1‘,x2’,这是最简单 的单点交叉,还有双点交叉。
X {x1, x2 ,,为xn一} 有限集和。下面的定义是Sugeno关于模糊测度的概念
定义1: X上的模糊测度是一个集合函数:
,其中 是
的幂集,满足如下条件:(1)
g : P( X ) [0,1]
P(X )
X (2)
g () 0; g ( X ) 1
因此模糊测A度, B是一X ,个if 单A调而B 且the归n一g(化A)的集g(合B)函数。它可以作为概率测度的
100 1011
100 0011
011 0011
011 1011
交叉算子
(4)变异。对于群体中的某个个体,即基因链码,随机的选取一位,即 基因,将该基因位翻转(0变1,1变0)如:
10100001
10100101
(5) 适应度。每个个体对应于优化问题的xi ,每个解xi 对应于一个函数值fi , fi 越大(如果优化问题要求取最大值),则表明xi越好,即对环境的适应 度越高,所以可以用每个个体的函数值fi作为对环境的适应度。
信息 误差
图2 神经网络结构图
算法分为两个阶段: 第一阶段(正向过程)输入信息从输入层经隐层逐层计算各单元的输
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
判 输 为 i i )- (N ) 其 (j 示 传 器S 断 策 标U 的 能 。 决 出 h { , - i+ } 中h 表 由 感 , 决 为目 , 可 性 每 = (1 "h , l , h , , i) , 推
个传感器的模糊密度为g 。 1
图1 目 标识别的多传感器信息融合模型
32 . 传感器权重的分配
个。
甲
乙
027 .4
丙
042 .5
DS - 方法
0 56 . 7
模糊积分
069 .8 0 12 . 9 0 19 . 1
正确率 误判率 拒判率
054 . 5
0 13 . 8
0 23 .6
058 .4 024 .0
0 35 .2
023 .3
020 .4 0 14 . 8
表 1 多传感器信息融合仿真结果 从上表可以看到, 多传感器信息融合比单一传感器识别效果要好。 同时, 与传统的DS - 融合方法相 比, 基于模糊积分融合算法的目 标识别的正确率得到了 提高, 而且误判率和拒判率有一定的下降。 这是 由于本文采用的算法充分考虑了传感器本身的分类性能和判决输出的信息对最后分类结果的影响, 在融 合之前考虑了输出信息的一致性和可靠性,在融合时考虑了传感器组对分类的重要程度。
乙、丙,各识别器的模糊密度由目 标测试集统计求得,可以作为先验信息存贮为 3 的权重矩阵。 x3 为了验证本文的基于模糊积分的信息融合方法的效果,仿真结果与以前采用的 DS融合方法作一 -
比 实验对三类目 5 个样本数据进行分析, 较。 标50 其中1 标 10 2 标20 3 标20 类目 5 个, 类目 0 个, 类目 0
讲 N j 合 概 的 延 内 , 分 虑 两 糊 之 的 离 性 模 间 相 性 ,(, 了 念 外 和 涵 充 考 了 模 集 间 距 特 和 式 的 似 。 hh综 i)
4实验仿真 实验对海上的实测数据进行仿真。 待识别的目 标分为三个类别 1 2 3 三个识别器依次记为甲、 , , .
的距离上的平均测度。我们知道每个传感器的输出判决都有一个中心,人们总是倾向性的认为h 的分 i
量中可信度最高的值对应的输出类别为此传感器输出信息的中心即其内 在目 涵。 标识别中, 内涵的匹配
要比 延的 配更为 外 匹 重要。 这个基 在 础上, 利 本文 用如下的 近 数3 贴 度函 [ J , Nh, )1 i( , (ih 二 mn i j i - D D)
N+ l
() 5
N+ 1
, i 一 I , 其 i( h k l, (k)艺h‘ 中D 艺 ( )h k h, 2k = i *( ) j) / ( )
k=1 k=1
参 考 文 献 1 多传感器信息融合及应用》 何友、王国宏等著, 电子工业出版社 .《 ,
2《 . 数据融合方法概论》 赵宗贵编译, 电子工业部第二十八研究所 , 3 模糊模式识别》 郭桂荣主编, 国防科技大学出版社 .《 , 4 模式识别导论》 .《 ,李金宗编著, 高等教育出版社 5“ . 数据融合的模糊模型和算法研究” ,童树鸿、沈毅,哈尔滨工业大学学报 6“ . 模式识别中的多子系统集成” ,张登胜,安庆师范学院学报 7 " mt d o b i m l le es t roni ouc sae hnwi g e l , . e o ocm in uie r f h e gi n no tid drn nmrs A h f n g t x t o e t f nrn a t u a" p p r c o i
尸 j ll es e e we L
() 3
n(1 另+ N)
对于m 1,, =,-M对应于 2- - 第m个 感 N为 传 器, 可能的目 类别 第1 对 标 数。 行 应输入的目 别队 标类
第 列 应 当 传 器 决 出 标 别 U 。 样n表 训 样 中 类目 被 感 判 J 对 于 前 感 判 输 目 类 为 i这 罗 示 练 本 第i 标 传 器m 决
为 类目 个 在本 算法中 第J 标的 数。 文的 考虑了 每个传感 对不同 输入 别的 器 的 类 不同的 要 ) ) 重 程度[ . 5 ) 1 6
_ n. , ' " g 二 不i } , N 一 i i 12 …, ; m 12 ”, = , = , ’M ,
万y
() 4
} Ln .m . , }
t1 =
N 这 样就把每 传感 权重由 值9 扩展 一 权向 9 9 , , m 。 个 器的 单 二 成为 个 量{ g m… 9 } 1 m 2
33传感器输出信息的可靠性研究 .
我们知道当多个传感器输出的信息越集中时,由传感器组融合的信息越可靠,而当某个或某几个
之间的信息进行最佳的匹配。
2模糊积分理论 模糊积分是建立在模糊测度上的 [ 概念[ 3 ]
定 1 令X为 域,0 义 论 是X的。一 数。x 测 是 义 上的 值集函 9 , 满 代 模糊 度 定 在0 实 数 .除 足
模糊测度的有界性、单调性和连续性的基本性质外,还满足如下条件:
若A EpA B 必则 AA B= ,A十 .B十 g( A > , , n 二 ,有g( U ) g() g() 人 , g ) - B l Z A ( ) B,元 1
一2 8 1
3基于模糊积分的多传感器信息融合模型和算法研究 31 . 多传感器信息融合模型
在目 别中 M 传 标识 , 个 感器组 传 器集 成的 感 合为Sf 2 1 种可能的目 = S .毓 , S, . 1 , N 标类别的 合为 集
o , 1 1 U + o = , - U ¥ 1 { U U 2 N } 中 一 样 u 果u N , 示目 据 单 传 器的 N 对于。 的 个 本 , 如 E + 表 标 判。 个 感 1 U
若X 1x,, 有限 合, : ,为 、 糊 度, 称g x” 上的 糊 =X - . } ( , 2 为 集 g X [1 一g模 测 则 ( ;为X 模 x > - 0】 {
密 并 , x 。X 任何子 模糊测 可由 集合的 糊 度得到。 度, 记g= 1 g D 的 ( { 集的 度均 该 模 密 定 义2 假设 X 一 集 ,为 X 一 模糊 集。 为 有限 h 的 个 子 那么h 上 在X 关于g的 积分定 为: ; 模糊 义
工xg h o二 ( “ )
m a x
ECX '
[i m m m n(
xe百
h g 」 s [ na,a〕 ( ,( ) =u m ( h) x E ) ) p i
a [, E01 ]
() 1
其中h为h 截 a 的。 集:h二 }( 3a · a{ h ) } x x
若X 一有限 = x x,, }并 整为hx > (Z> x)则 为 集X( 2 n 调 1 - , , x (l hX) …> (n, ) , , h
Y Qag L JR n ag L n u n u e Fn Si g i i h i a g 06 ( et f iEgSu e t v ,N nn 209 ) D p O R d n. t a U i . a o o hs n . a i 1 j
1引言 信息融合是将来自多个传感器或信息源的信息进行综合处理,从而得出比单一传感器更为准确、
可 的 论 i传 的 合 法 as 策 论 -证 理 等 ] 本 提 一 基 模 积 靠 结 V 统 融 方 有By 决 理 和D 据 论 [] 文 出 种 于 糊 分 。 e S 1。 [ 2
的多传感器信息融合模型, 利用模糊测度函数来度量参与信息融合的传感器组的可靠性, 同时研究多传 感器输出信息的可靠性。这样通过综合考虑客观证据与人的主观评判, 利用模糊积分这一工具将主客观
N+l
D
艺 润j)h k j) / (k *i 一 I ,
k =1
这种贴近度的计算类似于传统模式模式识别中两矢量间各维距离的加权匹配,但从模式匹配的角度来
模糊积分在多传感器信息融合中的应用
俞 强 陆信人 方世良
( 东南大学无线电工程系,南京 209) 106
T e lao O F zy erl l- no If m tn s n h A p ctn uz It aI Mu iesr r ao F i p i i f n g n ts no i u o
Jx“ x ‘ h ““ ( )
n
m a x
i1 =
[ n ; 8( ;] m ( x , 、X ) ih ) ( )
() 2
如果把模糊密度理解成每个传感器对于整个决策的重要性 , ( ) 将h 理解成由客观证据得到的传 x 感器决策输出的可信度 , 模糊积分的概念可以理解成寻找客观证据和主观期望之间的最佳匹配。 则由 从 信息融合的观点来看 , 通过模糊积分得到的是对目 标最近似的认识。
传感器组的可靠性用模糊测度来表征,其模糊密度反映了各个传感器的权重。一般的方法是把各 传感器的分类成功率当作其模糊密度值, 但是这样仅从总体上去描述每个传感器的性能 。本文采用混
淆 阵 ( ns Mt ) 来 述 个 感 S的 错 况 矩 [ C fi ax C m 描 各 传 器 , 出 情 : ] ; ouo r M n i 嵘 A 昭 n+ l1 () N 畔 暇 A nN) 买+ 1 A O A A 嵘 A 嵘
Y un n CY n E E n o A MI 5 ad Se ,IE Tas P ad 19 S ag . u . H r n n 9
作者简介:俞强 男 2 岁 东南大学硕士研究生 主要从事水声目 6 标识别的 研究工作。
20 2
传感器的输出信息和大多数传感器输出的信息偏差较大时 , 对应着传感器出 现故障或受外界干扰影响
一2 9一 1
较大, 融合结果的可信度就较低。一面采用贴近度函数来度量各个传感器之间输出信息的一致性。 F