z 基于粒子群算法的多传感器数据融合
基于智能粒子滤波的多传感器信息融合算法
基于智能粒子滤波的多传感器信息融合算法作者：陈伟强陈军张闯宋立国谭卓理
来源：《计算机应用》2016年第12期
摘要：针对粒子滤波中存在粒子质量低和粒子贫化的问题，提出了一种基于智能粒子滤波的多传感器信息融合算法。
该算法分为两个模块，首先，将多传感器数据发送给相应的粒子滤波计算模块，以优化粒子分布为目的更新建议分布密度；然后，在智能粒子滤波模块中对多传感器数据构造完整的似然函数，引入设计的遗传因子将小权重粒子修正为大权重粒子，近似于真实的后验分布，重采样过程中保留了权值较大的粒子，又避免了粒子耗尽问题，进一步保持粒子的多样性，提高了滤波精度，最终得到最优的估计值。
根据实船实验的数据进行了验证，将所提算法应用于全球定位系统（GPS/捷联惯导系统（SINS/LOG组合导航系统进行仿真计算验证了其有效性。
实例仿真结果表明，所提算法能够得到精确的位置、速度和航向信息，而且也能有效改善滤波性能，提高了组合导航系统的解算精度，能够满足船舶高精度导航定位的要求。
关键词：多传感器；遗传因子；粒子滤波；信息融合
中图分类号： TP273
文献标志码：A
文章编号：1001-9081（2016）12-3358-05。
多传感器数据融合算法的研究与应用
3、神经网络法：这种方法利用神经网络的自适应学习能力，将多个传感器 的数据进行融合，以获得最优的估计结果。其优点是适用于非线性系统的数据融 合，具有自适应学习能力；缺点是训练时间长，需要大量的样本数据进行训练。
4、遗传算法：这种方法利用遗传算法的全局搜索能力，对多个传感器的数 据进行融合，以获得最优的估计结果。其优点是适用于复杂系统的数据融合，具 有全局搜索能力；缺点是容易陷入局部最优解。
4、医疗诊断：通过对多个医疗设备的传感数据进行融合，可以提高医疗诊 断的准确性和可靠性。例如在医学影像中，通过对X光、CT、MRI等多种影像数据 的融合，提高医学诊断的准确性和可靠性。
5、交通管理：通过对多个交通传感器的数据进行融合，可以实现智能交通 管理。例如在交通控制中，通过对车流量、速度、道路状况等多种传感器的数据 进行融合实现对交通的有效控制和管理。
8、导航系统：在导航系统中常利用多传感器信息融合技术以提高导航系统 的定位精度和稳定性；例如通过GPS和惯性测量单元（IMU）的数据融合以实现高 精度导航。
9、无人系统：在无人驾驶、无人机等无人系统中常利用多传感器信息融合 技术以实现对环境的感知和理解以及自主决策和控制；例如通过摄像头、雷达、 超声波等传感器的数据融合以实现无人车的自动驾驶或无人机自主飞行。
参考内容二
随着科技的快速发展，多传感器数据融合技术在许多领域都得到了广泛的应 用。这种技术通过整合多个传感器的数据，可以提供更全面、准确的信息，有助 于提高决策的精度和效率。多传感器数据融合算法是实现这一目标的关键。本次 演示将对多传感器数据融合算法进行综述。
一、多传感器数据融合的基本概 念
多传感器数据融合是一种利用多个传感器获取和整合信息的技术。这些传感 器可以是有线的，也可以是无线的，可以在同一环境中部署，也可以分布在不同 地理位置。通过数据融合，我们可以获得比单一传感器更丰富、更准确的信息。
基于粒子群算法的多传感器数据融合
Ｚ ＨＡＮＧ ｌ Ｙｕ ｉ Ｊ ＡＮＧ Ｄｉ ｇ ｕ ， ＨＵＡＮＧ Ｃ ｏ ｇ ｅ ｇ Ｚ ｎ， Ｉ ｎｇｏ ｈ ｎ ｐ ｎ ， ＨＵ Ｘｉｏ ｉ ，ＸＵ Ｂａ ｇ ｏ ａ ｌｕ ｏｕ （ ｃ ｏ ｌ ｆ Ｃ ｍ ｎｃ ｔ ｎ ａ ｄ Ｃ ｎ ｒ ｌ ｎ ｉｅｒｎ Ｊ ａ ｇ ａ ｎ ｖ ｒｉ Ｓ ｈ ｏ ｏ ｍｕ ｉ ｉ ｎ ｏ ｔ ｇ ｎｅ ｉ ｇ， ｉｎ ｎ ｎＵ ｉｅ ｓ ｙ，Ｗｕ ｉ １ １ ２ Ｊ ａ ｇ ｕ ｈ ｎ ） ｏ ａｏ ｏ Ｅ ｔ ｘ ４ ２ ， ｉ ｎ ｓ ，Ｃ ｉ ａ ２
维普资讯
第５ ９卷 第 ７期
２０ ０ ８年 ７月
化
工
学
报
Ｖ ｏ１５９ Ｎ Ｏ． ． ７ ０８ Ｊ ｌ ２０ ｕｙ
ｄ ｇｉ ｅ ｉ Ｃｈｉ ） ｎａ Ｊ ｕ ｎ ｌ ｏ Ｃｈ ｍｉａ Ｉ ｄ ｓ ｒ ａｎ Ｅｎ ｎｅ ｒｎｇ （ ｏ ｒ ａ ｆ ｅ ｃ ｌ ｎ ｕ ｔｙ
中图 分 类 号 ：Ｔ ０ ． Ｐ３ ６ １ 文 献 标 识 码 ：Ａ 文 章 编 号 ：０ ３ 一 ｌ ５ （ ０ ８ ７ １ ０ —０ ４ ８ １ ７ ２ ０ ）０ — ７ ３ ４
Ｐａ ｔｃ ｅ ｓ ｒ ｏ ｉ ｉ ａ ｉ ｎ ｆ ｒ ｍ ｕ ｔｓ ｎｓ ｒ ｆ ｓ ｏ ｒ ｉ ｌ ｗａ ｍ ｐｔｍ ｚ ｔｏ ｏ ｌｉ ｅ ｏ ｕ ｉ ｎ
群优化 （Ｓ Ｐ Ｏ）算 法 中 的 作 用 ，在 现 有 的线 性 递 减 权 值 方 法 上 ，提 出 一 种 非 线 性 权 值 递 减 策 略 ，并 将 其 尝 试 性 地 运 用 到 多 传 感 器 融 合 的领 域 ，运 用 该 算 法 对 数 据融 合 中 的 加 权 因 子 进 行 估 计 。实 验 结 果 表 明 ， 改 进 的 Ｐ Ｏ 算 Ｓ
多传感器数据融合的算法优化和应用
多传感器数据融合的算法优化和应用随着互联网的普及和物联网等技术的发展，数据和信息的规模也变得越来越庞大和复杂。
这种情况下，单一传感器采集的数据信息难以满足我们的需求，多传感器进行数据融合可以提高数据的准确性和可靠性，为很多应用场景提供更好的数据支撑。
本文将探讨多传感器数据融合的算法优化和应用。
一、多传感器数据融合的算法在多传感器数据融合中，如何对不同传感器获取到的数据进行有效地整合和处理至关重要，一般包含以下几个步骤：1. 传感器选择：针对具体研究对象，需要根据传感器的特性和工作环境选择合适的传感器。
2. 信号预处理：传感器采集的信号可能包含噪声和其他干扰，需要进行预处理工作，去除不必要的信息。
3. 特征提取：不同传感器采集的数据信息在信号属性和特征上有很大的差异，需要对不同传感器的数据进行有效的特征提取，以便后续处理。
4. 数据融合：将不同传感器数据的特征进行整合，得到更为准确和完整的数据。
在实际应用中，数据融合的算法有很多，根据具体的应用场景和需求可以选择合适的算法。
以下是几种较为常用的数据融合算法：1. 卡尔曼滤波算法：常用于估计和预测系统状态，可以整合多个传感器的数据，提高估计的准确性。
2. 粒子滤波算法：适用于非线性系统，可以对多源数据进行融合，获得更准确的估计结果。
3. 支持向量机算法：可以利用不同传感器的特征数据进行多分类问题的处理，提高分类结果的准确率。
4. 神经网络算法：可利用多源信息进行训练，针对复杂的多维数据进行分类、回归、识别、预测等任务。
二、多传感器数据融合的应用多传感器数据融合已广泛应用于军事、航空、安全监控、自动化工业等领域。
在介绍多传感器数据融合的应用之前，我们先来看下具体的应用案例。
1. 安全监控：利用多传感器技术对安全监控算法进行优化。
例如，在智能城市中，可以利用多传感器数据来检测交通违章行为，提高监控效率和准确性。
传感器可以安装在路灯和路标上，同时采集车辆的视频、速度和时间等信息。
多传感器数据融合问题的研究共3篇
多传感器数据融合问题的研究共3篇多传感器数据融合问题的研究1多传感器数据融合的问题越来越受到人们的关注。
随着技术的发展，我们现在有了越来越多的传感器能够收集到大量的数据。
然而，这些数据往往是分散的，没有一个统一的模型可以很好地表达它们。
因此，多传感器数据融合的问题就变得非常重要了。
多传感器数据融合的目的是将来自不同传感器的数据进行整合，从而提高数据的准确性和可靠性。
这种方法将信息从多个源头收集起来，从不同的角度对实际情况进行观察和分析，获得更全面和准确的信息。
这对于科学研究、工程应用和经济决策都非常重要。
多传感器数据融合面临的问题是如何融合大量的数据，使得数据能够被更好地表示、处理和理解。
传感器数据可以是多维度、多层次、时变的，因此在融合时需要考虑多个因素，包括传感器的相对位置、精度、噪声、数据质量等等。
如何将这些因素考虑在内，设计出有效的数据融合算法，是多传感器数据融合研究的关键问题之一。
目前，多传感器数据融合研究已经涉及到了很多领域，比如气象预报、军事指挥、工业制造等等。
在气象预报中，多传感器数据融合可以通过整合不同的气象数据源，提高天气预报的准确性。
在军事指挥中，多传感器数据融合可以通过整合多种来源的情报，为指挥决策提供更全面的信息支持。
在工业制造中，多传感器数据融合可以通过整合各种传感器的数据，实现对生产过程的监控与控制。
多传感器数据融合还可以应用于智能交通、环境监测、医学诊断等等领域。
例如，在智能交通领域中，多传感器数据融合可以通过整合来自不同传感器的交通信息，为交通管理和出行决策提供更准确的数据支持。
在环境监测领域中，多传感器数据融合可以通过整合来自多个传感器的环境数据，生成更全面、准确的环境信息。
总之，多传感器数据融合技术是当前研究热点之一，是实现各种智能化系统的基础性技术。
尽管多传感器数据融合技术还存在很多困难和挑战，但通过对现有技术的不断改进和创新，相信未来多传感器数据融合技术将会得到更广泛的应用和发展综上所述，多传感器数据融合技术作为一种有效的信息处理方式，已经广泛应用于气象预报、军事指挥、工业制造、智能交通、环境监测、医学诊断等领域，并在不断推动各行业的智能化发展。
多传感器信息融合技术概论
多传感器信息融合技术概论多传感器信息融合技术（Multisensor Information Fusion Technology）是指采用多个传感器对同一物理现象进行观测，通过融合不同传感器的信息，实现对目标或环境的全面、准确、一致的认知与理解的技术方法。
其目的是通过综合多源信息获得更全面、可靠的信息，提升对目标的感知能力和环境认知能力，以支持决策和控制系统的设计和优化。
传感器选择是多传感器信息融合的第一步，涉及选择合适的传感器类型和数量。
不同类型的传感器对不同的物理性质有着不同的响应，因此在融合过程中，需要选择合适的传感器来获得目标的多个特征。
数据融合算法是多传感器信息融合的核心环节，主要包括传感器数据预处理、特征提取、融合规则设计等步骤。
传感器数据预处理主要是对传感器数据进行滤波、分段、降噪等处理，以提高数据质量。
特征提取是将传感器数据转化为描述目标状态的特征，常用的方法有统计特征提取、模式识别等。
融合规则设计是将不同传感器的信息进行融合，常用的方法有加权平均法、优先级法、神经网络等。
融合结果评估是对融合结果进行准确性和可靠性评估的过程。
评估方法包括误差分析、假设检验、判别分析等。
评估结果可以帮助选择合适的传感器和改进融合算法。
多传感器信息融合技术的应用广泛，包括智能交通系统、环境监测、军事领域、医疗诊断等。
在智能交通系统中，通过融合不同传感器的信息，可以提高交通流量的检测精度和车流预测的准确度，提升交通管理的效率。
在环境监测中，通过传感器网络对大气、水域、土壤等环境进行实时监测，并通过融合不同传感器的信息，提供更全面、可靠的环境数据，用于环境保护和资源管理。
在军事领域，通过融合雷达、卫星、无人机等不同传感器的信息，可以提高目标探测和识别能力，支持军事决策和行动。
在医疗诊断中，通过融合多种医学传感器的信息，可以提高疾病的早期诊断和治疗效果。
总之，多传感器信息融合技术在提高信息获取与处理能力、提升系统性能、降低成本等方面具有重要意义。
多传感器数据智能融合理论与应用 第1章 多传感器数据融合概述
类似LANDSAT的卫星使用可见光和红外传感器来提 供有关作物的种类，生长情况，病虫害及耕作情况等信息。 合成孔径雷达（SAR）甚至可以从宇宙飞船上穿过云层拍 摄到地球的图片。SAR提供的关于地球资源的其他信息可 以与其他传感器提供的信息进行融合。
多传感器数据智能融合
8
2 多传感器系统的应用及优势
一个能够支持自动目标识别（ART）的多传感器系 统里面的传感器包含了毫米波雷达，毫米波辐射计以及被 动式和主动式红外传感器等。
在这个传感器级数据融合结构中，每个传感器都具 有自己的处理算法，采用何种算法主要考虑如下因素：数 据所处的频段；传感器的类型（主动型或被动型）；空间 分辨率和扫描特性；目标和背景特性以及信号的极化信息 等。
■ 遗传算法（GA）：求最优的一种迭代算法，属于人工智能类。 ■ 确定基因优化的准则？交叉、变异、进化。 ■ 有用遗传算法，用于多传感器信息的融合。
多传感器数据智能融合
18
3 数据融合算法
■ 粒子群方法（PSO）：粒子群优化算法（Particle Swarm optimization, PSO）是一种进化计算（evolutionary computation）技术，由Eberhart博士和Kennedy博士于1995年 提出[1]。该算法源于对鸟群捕食的行为研究，主要用于优化 计算，基本思想是通过群体中个体之间的协作和信息共享来 寻找最优解。PSO算法的优势在于简单容易实现并且没有许多 参数的调节。目前已被广泛应用于函数优化、神经网络训练、 模糊系统控制以及其他遗传算法的应用领域。
多传感器数据融合技术
多传感器数据融合技术姓名：李承尚学号： 081308309 专业：电子信息工程多传感器数据融合是一门新兴技术，在军事和非军事领域中都到了广泛应用、多传感器数据融合技术汲取了人工智能、模式识别、统计估计等多门学科的相关技术，计算机技术的快速发展以及数据融合技术的成熟为数据融合的广泛应用提供了基础。
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。
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（command，control，communication and intelligence）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。
美国研究机构就在国防部的资助下，开展了声纳信号解释系统的研究。
目前，在工业控制、机器人、空中交通管制、海洋监视和管理等领域也朝着多传感器融合方向发展。
多传感器融合技术成为军事、工业和高技术开发等多方面关心的问题。
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。
基于改进粒子滤波的多传感器融合空间目标跟踪
基于改进粒子滤波的多传感器融合空间目标跟踪薛广月;付俊明;俞能杰;韩治刚【摘要】A multi-sensor fusion method based on an improved particle filter (PF) was presented to estimate the states of space targets for tracking. The improved PF was designed by adopting a fusion estimation based proposal distribution and by using the memetic compact differential evolution (McDE) as re-sampling to generate new particle sets. A theorem was introduced and a simulation were studied to prove the validity of the proposed fusion scheme.%为了跟踪空间目标，构建了基于局部粒子滤波器的多传感器融合方法估计空间目标状态。
粒子滤波重要采样过程中，设计了基于融合估计的重要密度函数减少粒子贫化问题，并设计基于McDE（Memetic compact Differ⁃ential Evolution）重采样策略，通过对粒子的变异与选择等进化操作来解决粒子退化问题。
理论推导与仿真结果皆证明方法的有效性。
【期刊名称】《海军航空工程学院学报》【年(卷),期】2016(031)002【总页数】6页(P127-132)【关键词】粒子滤波;多传感器融合;空间目标跟踪【作者】薛广月;付俊明;俞能杰;韩治刚【作者单位】航天恒星科技有限公司，北京100086;航天恒星科技有限公司，北京100086;航天恒星科技有限公司，北京100086;航天恒星科技有限公司，北京100086【正文语种】中文【中图分类】V249.328空间目标跟踪的根本任务是基于传感器的量测获得目标状态轨迹的估值。
多传感器数据融合的机理
多传感器数据融合的机理
多传感器数据融合是利用多个传感器收集到的数据，通过融合算法将这些数据整合在一起，以提供更准确和全面的信息。
在多传感器数据融合中，主要包括以下几个步骤：
1. 数据预处理：对每个传感器收集到的数据进行预处理，例如数据清洗、噪声去除、补偿和校准等。
这可以提高数据的质量和一致性。
2. 数据对齐：由于不同传感器可能采样频率不同或起始时间不同，需要对数据进行时间对齐，使它们在同一个时间轴上。
3. 传感器融合：将各个传感器收集到的数据整合在一起。
融合的方法可以分为基于模型和基于数据的方法。
基于模型的方法利用已知的系统模型来融合数据，例如卡尔曼滤波器和粒子滤波器。
基于数据的方法直接将传感器数据进行组合和整合。
4. 数据关联：在融合数据时，需要进行数据关联，即确定哪些数据是相互对应的。
数据关联的方法包括基于时间戳、位置信息、特征匹配和机器学习等。
5. 不确定性建模：在融合数据时，需要对数据的不确定性进行建模。
常用的方法包括协方差矩阵、置信度因子等。
这可以提供关于数据准确性和可信度的估计。
6. 融合结果的输出：根据应用需求，将融合结果进行进一步处
理和输出。
例如，可以用于目标跟踪、环境感知、导航和定位等。
总的来说，多传感器数据融合的机理是通过对不同传感器数据的预处理、对齐、融合、关联和建模等步骤的组合，将多个传感器收集到的数据整合在一起，提供更准确和全面的信息。
通过融合可以提高系统的鲁棒性、准确性和可靠性，广泛应用于自动驾驶、机器人、智能交通等领域。
多传感器数据融合技术
2、基本原理、融合过程及关键技术
2.1 基本原理 多传感器数据融合就像人脑综合处理信息一样,其基本
原理就是充分利用多传感器资源，通过对这些传感器及观测 信息的合理支配和使用，把多传感器在空间或时间上的冗余 或互补信息依据某种准则进行组合，以获得被测对象的一致 性解释或描述。
数据融合的目的是通过数据信息组合而不是出现在输入 数据中的任何个别信息，推导出更多的信息，得到最佳协同 作用的结果。也就是利用多个传感器共同或联合操作的优势， 提高传感器系统的有效性，消除单个或少量传感器的局限性。
在多传感器数据融合系统中，各种传感器的数据可以具 有不同的特征，可能是实时的或非实时的、模糊的或确定的、 互相支持的或互补的，也可能是互相矛盾或竞争的。
2.2 融合过程
数据融合过程主要包括多传感器(信号获 取) 、数据预处理、数据融合中心(特征提 取、数据融合计算) 和结果输出等环节, 其 过程如下图 所示。
二级融合中心
最终结果
图3 混合融合方式
3.2 功能模型
传感器 1
·探测
数
数
状态
估计
传感器 2
据
据
·探测
校
相
目标
传感器 N
准
关
识别
·探测
状态向量
行
态势高层估计
动
·行为
估
·企图
计
·动向
特征属性
目标属性测量
目标状态测量
图4 功能图
4、数据融合方法
表1 各种融合方法的比较
融合方法 运行环境 信息类型 信息表示 不确定性 融合技术 适用范围
多传感器 数据融合技术
1. 引言 2. 基本原理、融合过程及关键技术 3. 数据融合系统的结构及功能模型 4. 数据融合方法 5. 应用 6. 研究方向和存在问题
多传感器数据融合的算法研究与应用
多传感器数据融合的算法研究与应用随着科技的不断进步和人们对信息的不断需求，传感器技术得到了广泛的应用和发展。
传感器是一种能够将物理量或者化学量转化成为电信号的装置，其中最常见的就是指传感器。
随着传感器技术的发展，传感器的种类也越来越多，但是这些传感器所采集到的数据是离散的、有噪声的、不完备的，因此需要对多传感器数据进行融合，才能得到最优的结果。
多传感器数据融合是一种将不同的传感器或者同一传感器在不同条件下所得到的数据进行融合，以得到更加精确、可靠、全面的结果的技术。
本篇文章将围绕多传感器数据融合的算法研究和应用展开深入探讨。
一、多传感器数据融合的优势多传感器数据融合的核心思想是将多个传感器所采集到的数据进行有效的组合和整合，以得到更加准确、稳定和完整的结果。
与单一传感器不同的是，多传感器数据融合能够利用多传感器个体所无法获取的额外信息，并且能够通过互相印证的方法来消除噪声、错误和不确定性，从而提高数据的可靠性和精度。
具体而言，多传感器数据融合的优势表现在以下几个方面：1. 提高数据精度：多传感器数据融合可以根据不同传感器所涉及的特性和测量范围，将各个传感器所得到的数据进行有效整合，以提高数据精度。
2. 增加数据可靠性：传感器本身受到环境、噪声、干扰等因素的影响，而多传感器数据融合可以通过相互校验，消除不同传感器数据之间的差异，从而增加数据可靠性。
3. 应对测量数据不完备的情况：在某些情况下，单一传感器所获取的数据是无法满足需要的，而多传感器数据融合则可以利用不同传感器的优势，并将它们的数据相互补充和整合，从而得到完整的数据结果。
4. 降低成本：单一传感器往往无法覆盖所有需要测量的范围，而多传感器数据融合可以通过少量的传感器实现对多个需要测量的范围的覆盖，从而降低了成本。
二、多传感器数据融合的算法多传感器数据融合的核心是相互印证和整合不同传感器的数据，因此，多传感器数据融合的算法也必须能够很好地处理不同传感器数据之间的误差，以获得更加准确和稳定的结果。
基于多目标粒子群算法的多传感器图像融合
ｈ ｔ ／ ｔｐ ／ｗｗｗ ｇ ｇ ｃｃｌ ｄ ｃａ ｆ
第 ３ 卷第 ６ ９ 期
王
宪 ，等 ：基于多 目标 粒子群算法的多传感器图像 融合
１３ ０
不 变性 的特 点 ，因此将 ＮＳ Ｔ应用 于多传 感 器图像 融合可 以得 到更 好分 解后 的 图像 融合 中 ，选 取 融合规 则是 至关 重要 的一步 。常用 的一 些融 合规 则在 融合分 解 系 数 时 ，往往 根据 人们 的主观 经验 来 配置融 合参数 ，这 样很难 获得 较好 的融 合效果 。也 有人提 出根 据分 解后 图像 系数 的某些 特征 信息 来配 置融合 参数 ｌ Ｊ 引，但这 些特 征信 息都 有局 限性 ，并不能 完全 表达 图像特 征 。于 是 有 的 文献 提 出 了采 用优 化 算法 对 融合 参数 进 行优 化 配置 ，但 这 些优 化算 法 本 身也 需要 复 杂 的参 数 配 川
ｔｅ ｓｄｉ ａ ｅ ｂａ ｅ ｅ ｒｐ ｓｄ ｔｏ ａ ｂ ｔ ｒ ｕｊｃｉ ｉ ａｅｆｃ ａｄｏｊｃｉｅ ｖｌａｉ ｉ ｒ ． ｈ ｅ ｇ ｔｉ ｄ ｙｔ ｏ ｏｅ ｈ ｄ ｓ ｅｔ ｂｅｔ ｅｖｓ ｌｆ ｔ ｎ ｂｅｔ ａｕｔ ｎｃ ｔ ｉ ｕ ｆ ｍ ｏ ｎ ｂ ｈｐ ｍｅ ｈ ａ ｅｓ ｖ ｕ ｅ ｖｅ ｏ ｒｅ ａ Ｋｅ ｒ ｓ ｙｗｏｄ ：ｍｕｔｓｎｏ；ｍａ ｅ ｓ ｎ ｎ ｎｕ ｓｍｐｅ ｏｔｕｌ ａ ｓ ｒ ； ｌ—ｂｅｔ ｅ ａ ｉｌｓ ａｍ ｌ—ｅｓｒｉ ｇ ｉ ； ｏ ｓｂａ ｌｄＣ ｎｏ ｒ ｔｒｎｆｍ ｍｕｔｏｊｃｖ ｒ ｃ ｒ ｉ ｕ ｆ ｏ ｅｔ ｏ ｉ ｉ ｐｔ ｅ ｗ
Ｄｉ ｃｏａ ｉｅ ａｋ， ＮＳ Ｂ构 成 了非采样 Ｃ ｎｏｒ ｔ ｒ ｔ ｎｌ ｌ ｒ ｎ ｓ ｅ ｉ Ｆｔ Ｂ ＤＦ ） ｏｔｕｌ 变换 的基本 结构 。ＮＳ Ｔ首先 采用塔 形滤 波器组 ｅ Ｃ
多传感器信息融合技术的原理和应用
一、概述随着物联网、智能交通系统、智能制造等领域的迅速发展，传感器技术的应用日益广泛。
多传感器信息融合技术作为其中一种重要技术，其原理和应用备受关注。
本文将针对多传感器信息融合技术的原理和应用进行深入探讨。
二、多传感器信息融合技术的原理1. 传感器信息融合概述传感器信息融合是利用多个传感器获得的信息，通过合理的融合算法和处理方法，得到比单个传感器更准确、更全面的信息。
传感器信息融合技术在多领域有着广泛的应用，如军事、航空航天、智能交通等。
2. 传感器融合的优势多传感器信息融合技术的优势主要表现在提高信息获取的准确性、可靠性和全面性等方面。
通过融合多个传感器的信息，可以弥补单个传感器信息不足的缺陷，提高信息的综合利用效率。
3. 传感器信息融合的原理传感器信息融合的原理主要包括数据融合和决策融合两个方面。
数据融合是将来自不同传感器的原始数据进行整合处理，得到更完整、更准确的信息；决策融合则是基于融合后的数据进行分析和判断，得出最终的决策结果。
4. 传感器信息融合的方法在实际应用中，常见的传感器信息融合方法包括卡尔曼滤波、粒子滤波、最大似然估计等。
这些方法在不同的应用场景下都能够有效地实现传感器信息的融合和提取。
三、多传感器信息融合技术的应用1. 智能交通系统中的应用在智能交通系统中，通过融合多个传感器的信息，如地磁传感器、摄像头、雷达等，可以实现对车辆、行人的实时监测和跟踪，提高交通管理的效率和精准度。
2. 智能制造领域中的应用在智能制造领域，通过融合各类传感器的信息，可以实现对生产过程的实时监测和控制，提高生产效率和产品质量。
3. 军事领域中的应用在军事领域，多传感器信息融合技术被广泛应用于目标探测、识别和追踪等方面，可以提高军事作战的效能和保障国家安全。
四、多传感器信息融合技术的发展趋势1. 传感器融合技术的发展随着传感器技术的不断发展和进步，传感器信息融合技术也在不断演进，新的传感器类型和融合算法不断涌现。
多传感器信息融合研究综述
多传感器信息融合研究综述多传感器信息融合是指将多个传感器获取到的信息融合在一起，以提高信息的可靠性、精度和完整性。
多传感器信息融合技术已经广泛应用于机器人导航、环境监测、智能交通、医学诊断等领域。
本文将对多传感器信息融合研究的发展历程、常用方法以及应用领域进行综述。
发展历程多传感器信息融合技术起源于20世纪50年代的航空领域，当时用于将多个雷达信号融合在一起，提高目标识别的可靠性。
之后，随着计算机技术的不断发展，多传感器信息融合技术开始应用于更广泛的领域。
目前，多传感器信息融合技术已经成为机器人导航、环境监测、智能交通、医学诊断等领域中不可或缺的技术手段。
常用方法多传感器信息融合技术常用的方法包括：（1）贝叶斯方法：通过贝叶斯公式计算后验概率分布，从而对多个传感器的信息进行融合。
（2）卡尔曼滤波方法：利用线性状态空间模型和贝叶斯推理理论，对多个传感器信息进行融合。
（3）神经网络方法：通过神经网络对多个传感器的信息进行融合，获得更准确的结果。
（4）粒子滤波方法：通过使用一组粒子来估计目标状态的后验概率分布，从而对多个传感器的信息进行融合。
应用领域多传感器信息融合技术已经广泛应用于机器人导航、环境监测、智能交通、医学诊断等领域。
其中，机器人导航是多传感器信息融合技术的主要应用领域之一，通过将多个传感器的信息融合，可以提高机器人在未知环境中的定位和导航能力。
环境监测是另一个主要应用领域，通过将多个传感器的信息融合，可以获得更准确的环境信息，为环境保护和资源管理提供支持。
智能交通和医学诊断也是多传感器信息融合技术的重要应用领域，通过将多个传感器的信息融合，可以提高交通管理和医学诊断的准确性和效率，为人类生活和健康提供保障。
总结多传感器信息融合技术已经成为现代科技领域中不可或缺的技术手段，它可以将多个传感器的信息融合在一起，提高信息的可靠性、精度和完整性。
本文对多传感器信息融合研究的发展历程、常用方法以及应用领域进行了综述。
多传感器数据融合方法
多传感器数据融合方法
随着科技的不断发展，各种传感器被广泛应用于各个领域，如工业、交通、医疗等。
然而，由于不同传感器的特性和测量误差等因素，其采集的数据可能存在较大的差异和不确定性，这给数据处理和应用带来了很大的挑战。
为了解决这个问题，多传感器数据融合方法被提出。
多传感器数据融合方法是指将来自多个传感器的数据进行合并
和处理，最终得到更准确、可靠和全面的信息。
其基本原理是利用不同传感器之间的互补性和相关性，将它们的数据融合起来，以提高数据的质量和可用性。
多传感器数据融合方法包括基于模型的方法、基于统计的方法、基于人工智能的方法等。
其中，基于模型的方法利用物理模型或数学模型对多传感器数据进行建模和分析，以提高数据的精度和可信度；基于统计的方法则利用统计学原理对多传感器数据进行分析和处理，以求得最优估计值和误差范围；基于人工智能的方法则结合机器学习、模式识别等技术，对多传感器数据进行自适应建模和处理，以提高数据的智能化和自动化水平。
综上所述，多传感器数据融合方法是一种重要的数据处理技术，具有广泛的应用前景。
在未来，随着传感器技术和数据处理技术的不断发展，多传感器数据融合方法也将不断完善和优化，为各个领域的数据处理和应用提供更加丰富、精确和高效的支持。
- 1 -。
z 基于粒子群算法的多传感器数据融合
工
Ｉｎｄｕｓｔｒｙ
学
ａｎｄ
报
Ｅｎｇｉｎｅｅｒｉｎｇ（Ｃｈｉｎａ）
Ｖ０１．５９
Ｎｏ．７’ ２００８
Ｊｕｌｙ
基于粒子群算法的多传感器数据融合
张宇林，蒋鼎国，黄种鹏，朱小六，徐保国
（江南大学通信与控制工程学院，江苏无锡２１４１２２）
摘要：粒子群算法是・种有效的寻找函数极值的演化计算方法，它简便易行、收敛速度快，但存在收敛精度不 高、易陷入局部极值点的缺点。本文对原有算法中的固定惯性权重进行改进，着重分析ｒ惯性权值因子在粒子 群优化（ＰＳＯ）算法中的作用，在现有的线性递减权值方法上，提出一种非线性权值递减策略，并将其尝试性 地运用到多传感器融合的领域，运用该算法对数据融合中的加权因子进行估计。实验结果表明，改进的ＰＳ（）算 法能近似最优地确定数据融合中各权值因子，使融合在信息源的町靠性、信息的冗余度／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，有效地从各融合数据中提取有用信息， 成功排除噪声干扰，取得ｒ良好的融合结果。 关键词：多传感器；数据融合；粒子群优化算法；惯性权值；权值递减策略 中图分类号：ＴＰ
ＤＩＷ．Ｔｈｅｎ
ａ
ｎｏｖｅｌ ｈｉｅｒａｒｃｈｉｃａｌ ｍｕｌｔｉｓｅｎｓｏｒ ｄａｔａ ｆｕｓｉｏｎ
ａｌｇｏｒｉｔｈｍ ａｄｏｐｔｉｎｇ ｔｈｉｓ ｓｔｒａｔｅｇｙ ｗａｓ ｐｒｅｓｅｎｔｅｄ ａｎｄ ｔｈｅ ｗｅｉｇｈｔ ｆａｃｔｏｒ ｏｆ ｔｈｅ ｄａｔａ ｆｕｓｉｏｎ ｗａｓ ｅｓｔｉｍａｔｅｄ．Ｔｈｅ ｄｉｓｔｉｎｃｔｉｖｅ ｆｅａｔｕｒｅ ｏｆ ｔｈｉｓ
Ｒｅｆｅｒｅｎｃｅｓ ［１］ ｗａｌｔｚ Ｅ，Ｌｉｌｎａｓ Ｊ．Ｍｕｌｔｉ—ｓｅｎｓｏｒ
Ａｒｔｅｃｈ
基于联邦粒子滤波器的多传感器信息融合算法
ｖ Ｉ ｉ ｅ ｎ ｎ ″ ｎ 珟ｎ ［ １， ］ ） Ｑ Ｑ ′ （ ｂ ＝Ｑ ｂ Ｑ Ｉ Ｑ ｉ （ ｅ Ｑ ｎ） Ｑｎ ２
） （ ３ 、 式中 ： ｎ为导航坐标系 ； ｎ ′ ｎ ″ 表示四元数乘积运算 ；
Ｉ 实际地理坐标系 ； Ｑｂ 为 星 敏 感 器 输 出 的 载 体 相 对 于 ｉ 赤道惯性坐标系的姿态四元数 ； Ｑ Ｉ 为赤道惯性坐标系
１． １ 状态方程 为了突出所研究的问题 ， 这里将状态变量选取为 平台姿态角误差 、 速 度 误 差 和 位 置 误 差， 则状态方程 为：
。 而如何 将 三 者 的 导 航 数 据 进 行 有 效 。 目前 ， 卡尔曼滤波是应用最广泛的多传感器信息 融 合 技 术， 一般采用分布式或联邦式滤波结构
ｎ ］已 给 出 ， 误差的关系 文 献 ［ 此 处 不 在 赘 述； １ ４ Ｑｎ ′ 为
［ ］ １－５
。
然而 ， 联邦滤波子系统的数据处理使用的经典卡尔曼 滤波算法 ， 使其 在 处 理 非 高 斯 、 非线性状态和参数估 计时 ， 并不能取 得 预 期 的 效 果 ， 因为采用卡尔曼滤波 得到最优的估计结果需满足一定的假设条件 ： 系统 １） ） 模型为线性的 ； 外部干扰噪声的统计特性服从高斯 ２ 分布 。 而事实是 现 实 世 界 中 几 乎 所 有 的 系 统 都 具 有 非线性 、 非高斯 特 征 。 针 对 这 一 问 题 ， 提出一种可以
（ ） ， 得量测方程为 ： ４
Ｌ燄 －１ ０ ０ δ 熿 燄 熿 Ｚ Ｌ ０ δ ０ ｃ ｏ ｓ λ ＋ｖ １ ＝－Ｃ φ ＋Ｃ Ｃ ＝
ｎ ｂ ｎ ｂ
燀０ ＨＣＸ ＋ｖ Ｃ
Ｌ ０ ｈ燅 ｓ ｉ ｎ δ 燅 燀
（ ） ６
- 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)。
ＤＩＷ．Ｔｈｅｎ
ａ
ｎｏｖｅｌ ｈｉｅｒａｒｃｈｉｃａｌ ｍｕｌｔｉｓｅｎｓｏｒ ｄａｔａ ｆｕｓｉｏｎ
ａｌｇｏｒｉｔｈｍ ａｄｏｐｔｉｎｇ ｔｈｉｓ ｓｔｒａｔｅｇｙ ｗａｓ ｐｒｅｓｅｎｔｅｄ ａｎｄ ｔｈｅ ｗｅｉｇｈｔ ｆａｃｔｏｒ ｏｆ ｔｈｅ ｄａｔａ ｆｕｓｉｏｎ ｗａｓ ｅｓｔｉｍａｔｅｄ．Ｔｈｅ ｄｉｓｔｉｎｃｔｉｖｅ ｆｅａｔｕｒｅ ｏｆ ｔｈｉｓ
３０６．１
文献标识码：Ａ
文章编号：０４３８—１１５７（２００８）０７—１７０３—０４
Ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ ｍｕｉｔｉｓｅｎｓｏｒ ｆｕｓｉｏｎ
ＺＨＡＮＧ Ｙｕｌｉｎ，ＪＩＡＮＧ Ｄｉｎｇｇｕｏ。ＨＵＡＮＧ Ｃｈｏｎｇｐｅｎｇ，ＺＨＵ Ｘｉａｏｌｉｕ，ＸＵ Ｂａｏｇｕｏ
（７）
表２参数Ｐ及各自的权值
通过将Ｐ的值在一。。和＋∞之间变化，可以 得到ｍｉｎ和ｍａｘ之间的值。如果关于传感器的可 靠信息已知，那么权值硼。可以容易地确定，如果 关于冗余度或百补程度的信息可知，那么町确定参 数Ｐ。然而在通常情况下，这些信息均未知，这时 需要采用一螳算法确定它的值，这里用上述改进 ＰＳＯ算法来确定。算法总体流程如下。 （１）初始化。确定改进ＰＳＯ算法各项参数， 在搜索范围内均匀设计初始种群中优个权值向量
Ｔａｂｌｅ ２
Ｐ ａｎｄ
ｔｈｅｉｒ
ｒｅｓｐｅｃｔｉｖｅ ｗｅｉｇｈｔｓ
（ｙ：’，Ｐ∞’），其中维数ｄ对应于传感器数目咒。本
文设计目标函数厂
ｆ
ｆ一∑（ｄｅｓｉｒｅｄｋ—ａｃｔｕａｌｋ）２
＾＝ｌ
（８）
式中ｄｅｓｉｒｅｄ。表示期望输出；ｌ表示样本数；
３
结
论
ａｃｔｕａｌ＾一（≥：Ｗ“ｚ“Ｐ）“’，表示传感器信息通过式
ｔｏ
ｓｅａｒｃｈ
ｔｈｅ ｆｕｎｃｔｉｏｎ ｅｘｔｒｅｍｅ．Ｉｔ ｉｓ ｓｉｍｐｌｅ ａｎｄ ｈａｓ ｆａｓｔ ｃｏｎｖｅｒｇｅｎｃｅ，ｂｕｔ ｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｉｓ
ｎｏｔ
ｈｉｇｈ，ａｎｄ ｉｔ
ｃａｎ
ｅａｓｉｌｙ ｆａｌｌ ｉｎｔｏ ｔｈｅ ｌｏｃａｌ ｅｘｔｒｅｍｅ ｐｏｉｎｔｓ．Ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｉｎｅｒｔｉａ ｗｅｉｇｈｔ ｉｎ
ｓｏｕｒｃｅｓ
ａｎｄ ｔｈｅ ｈｉｅｒａｒｃｈｙ ｓｔｒｕｃｔｕｒｅ ｉｓ ａｖａｉｌａｂｌｅ．Ｉｔ ｏｂｔａｉｎｅｄ ｔｈｅ ｅｆｆｅｃｔｉｖｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ
ｔｈｅ ｆｕｓｉｏｎ ｄａｔａ，ｒｅｍｏｖｅｄ ｔｈｅ ｎｏｉｓｅ ｄｉｓｔｕｒｂａｎｃｅ ｓｕｃｃｅｓｓｆｕｌｌｙ ａｎｄ ｇｏｔ ｔｈｅ ｆａｖｏｒａｂｌｅ ｒｅｓｕｌｔｓ． Ｋｅｙ ｗｏｒｄｓ：ｍｕｈｉｓｅｎｓｏｒ；ｄａｔａ ｆｕｓｉｏｎ；ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ；ｉｎｅｒｔｉａ ｗｅｉｇｈｔ；ｄｅｃｒｅａｓｉｎｇ ｗｅｉｇｈｔ ｓｔｒａｔｅｇｙ ｉｎｅｒｔｉａ
ｓｔｒａｔｅｇｙ
ＰＳＯ ｗａｓ
ａｎａｌｙｚｅｄ．Ｍｏｔｉｖａｔｅｄ ｂｙ ｔｈｅ ｉｄｅａ ｏｆ ｐｏｗｅｒ ｆｕｎｃｔｉｏｎ，ａ ｎｅｗ ｎｏｎ—ｌｉｎｅａｒ
ｆｏｒ ｄｅｃｒｅａｓｉｎｇ ｉｎｅｒｔｉａ ｗｅｉｇｈｔ
（ＤＩＷ）ｗａｓ
ｐｒｏｐｏｓｅｄ ｂａｓｅｄ
ｏｎ
ｔｈｅ ｅｘｉｓｔｉｎｇ ｌｉｎｅａｒ
Ｒｅｆｅｒｅｎｃｅｓ ［１］ ｗａｌｔｚ Ｅ，Ｌｉｌｎａｓ Ｊ．Ｍｕｌｔｉ—ｓｅｎｓｏｒ
Ａｒｔｅｃｈ
（４）所求值，根据有约束条件，作归一化处理，得权
／“
值∞ｄ＝Ｙ“／芝：Ｙｄ。 ／孑ｊ
（２）根据上述改进粒子群算法更新各粒子位置 Ｙ“、Ｐ。确定融合后每个传感器的权值叫ｄ、Ｐ。 本文选Ｊｆｊ文献的数据进行融合实验。该融合有 ８个传感器，其中２个为规定值，后６个为前２个 各自加上１０％、４０％、１００％的噪声。规定输入和 期望输出见表１。分别运用改进ＰＳＯ算法、遗传
Ｒｅｃｅｉｖｅｄ
ｄａｔｅ：２００８—０４—１０． ａｕｔｈｏｒ：ＺＨＡＮＧ Ｙｕｌｉｎ，ａｓｓｏｃｉａｔｅ ｐｒｏｆｅｓｓｏ／＂．
Ｃｏｒｒｅｓｐｏｎｄｉｎｇ
Ｅ－－ｍａｉｌ：ｚｈａｎｇｙｕｌｉｎ＠ｍａｉｌ．ｈｙｉｔ．ｅｄｕ．ｅｎ
Ｆｏｕｎｄａｔｉｏｎ
ｉｔｅｍ：ｓｕｐｐｏｒｔｅｄ
ｂｙ
ｔｈｅ
Ｈｉｇｈ－ｔｅｃｈ
Ｃ２×Ｒａｎｄ（）×（ｇｂｅｓｔｆ—ｚｆ） ｚ。一ｏｆ＋让
式中
ｉ一１，２，…，行，竹是该群体中粒子的总
数；Ｃ，和Ｃ：是将微粒推向ｐｂｅｓｔ和ｇｂｅｓｔ的统计加 速度权重，通常取２；ｒａｎｄ（）、Ｒａｎｄ（）为 ［ｏ，１］之间的随机数。 １．２权值递减策略 式（１）和式（２）构成了基本ＰＳＯ算法。式 （１）的第１部分为记忆项，是粒子先前的速度；式 （１）第２、第３部分为加速度项，是粒子根据自身
式中Ｐ为模糊度；铷ｉ为Ｘ，上的权值因子，且
算法（ＧＡ）ｍ。１６１对８个输入进行输入，得参数Ｐ 及各自的权值，见表２。改进ＰＳＯ寻优的效果要 明显好于ＧＡ，除少量噪声不能排除外，大部分噪 声干扰得以排除。
≥：叫ｉ一１；行为传感器个数。
二了
广义期望算子主要性质归纳如下
ｍｉｎ（ａ，６）≤；ｍｅａｎ（ａ，６）≤；ｍａｘ（ａ，６）
Ｒｅｓｅａｒｃｈ
ａｎｄ
Ｄｅｖｅｌｏｐｍｅｎｔ Ｐｒｏｇｒａｍ ｏｆ Ｃｈｉｎａ（２００６ＡＡｌ０Ａ３０１）．
化
工
学
报
第５９卷
是冗余的，也可能是互补的。要使融合后的数据最
的认知，向最优解位置处的收缩。这说明第１项使 粒子有一种扩展搜索空间的能力，是一种全局搜索 能力的表现。而后两项显现的是粒子的局部搜索能 力。试验结果表明，基本ＰＳＯ算法早期收敛速度 很快，但具有局部搜索能力差的缺点，这使得算法 后期收敛速度缓慢且求解精度降低。究其原因，就 是式（１）的第１项和第２、第３项不够匹配。为 改善这一缺陷，Ｓｈｉ等ｎ１１为式（１）的第１部分记 忆项注入了惯性权值Ｗ，以权衡全局搜索和局部搜 索。式（１）变为
让一∞×让＋Ｃｌ×ｒａｎｄ（）×（ｐｂｅｓ乜一．１７ｆ）＋
Ｃ２×Ｒａｎｄ（）×（ｇｂｅｓ乜一ｚｆ） （３）
有效，就要有尽可能合理的算法——融合法则。通
过加权系数调整融合结果中测量数据的比例是一种 较好的方法，而确定加权因子则是这一方法的 关键。 粒子群优化（ＰＳＯ）算法是Ｅｂｅｒｈａｒｔ和 Ｋｅｎｎｅｄｙ等邸８】提出的一种启发式全局优化算法， 作为一种高效并行优化算法，由于其在求解大量非 线性、不可微和多峰值的复杂问题［９ １０］上有着良好 的表现，得到了很人重视；囚其程序实现简洁，要 调整的参数少，因而发展迅速，出现了多种改进的 ＰＳＯ算法，并已成功应用于多个科学和工程领域。 基于ＰＳＯ具有很强的寻优能力，以及其在神 经网络权值优化卜的一系列出色表现，本文在对 ＰＳＯ重要参数惯性权值叫的研究基础上，运用非 线性惯性权值递减的改进ＰＳＯ对数据融合中的加 权因子进行估计。结果表明，运用这一算法，可有 效地从各融合数据中提取有用信息，成功排除噪声 干扰，取得了良好的融合结果。 １
ｄ一１
本文在文献的基础之上提出用幂函数非线性递 减策略取代原有的线性递减策略，使得ＰＳＯ算法 在寻优能力和精度要求上都有不同程度的提高，由 于其具有高效并行性，且具有收敛快、不易陷于局 部最优的特点，故能较好地解决多参数优化问题； 并尝试性地把它运用到多传感器融合的领域。结果 表明，运用该方法对多传感器进行融合，成功地滤 去了加入１０％、４０％、１００％的噪声干扰，使融合 相对于ＧＡ、ＰＳＯ达到了较高的收敛精度，取得了 不错的效果。
基于改进粒子群算法的数据融合权 值因子估计
本文的融合算法采用由Ｄｕｊｍｏｖｉ６Ｅ”。３１提出的
广义期望算子（ｇｅｎｅｒａｌｉｚｅｄ ｍｅａｎ ｏｐｅｒａｔｏｒ），其定 义为
ｇ（ｘ１，．”，ｚ。，户，＂／／３１，…，‰）一（∑ｍｚ？）１／ｐ
（６）
第７期
张字林等：基于粒子群算法的多传感器数据融合
・１ ７０５・
ａｌｇｏｒｉｔｈｍ ｗａｓ ｉｔｓ ｃａｐａｂｉｌｉｔｙ ｏｆ ｆｕｓｉｎｇ ｄａｔａ ｉｎ
ａ
ｎｅａｒ
ｏｐｔｉｍａｌ ｍａｎｎｅｒ ｗｈｅｎ
ｎｏ
ｉｎｆｏｒｍａｔｉｏｎ ａｂｏｕｔ ｔｈｅ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｓｏｕｒｃｅｓ，ｔｈｅ ｄｅｇｒｅｅ ｏｆ ｒｅｄｕｎｄａｎｃｙ／ｃｏｍｐｌｅｍｅｎｔａｒｉｔｉｅｓ ｏｆ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ
（Ｓｃｈｏｏｌ
ｏｆＣｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉａｎｇｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｘｉ ２１４１２２，Ｊｉａｎｇｓｕ，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ｉＳ
ａｎ
ｅｆｆｅｃｔｉｖｅ ｅｖｏｌｕｔｉｏｎａｒｙ ｍｅｔｈｏｄ ｗｈｉｃｈ ｉＳ ｕｓｅｄ
引
言
多传感器信息融合（数据融合）是指对来自
Ｎ个传感器的数据进行多级别、多方面、多层次 的处理，从而产生新的有意义的信息，得到关于目 标状态或目标特征的判定¨引。被融合的信息可能
２００８一０４一ｌｏ收到初稿。２００８—０４—２８收到修改稿。 联系人及第一作者：张宇林（１９７０一），男；副教授，博士研 究牛．。 基金项目：国家高技术研究发展计划项且（２００６ＡＡｌ０Ａ３０１）。
通过研究发现较大的Ｗ使粒子群的全局搜索 能力得以增强，有利于跳出局部极小点；而较小的 础使种群的局部搜索能力得以增强，有利于算法 的收敛。基于此，Ｓｈｉ等提出用变化的Ｗ来代替固 定的Ｗ，并进一步提出ＬＤＩＷ策略，表示为
ｔ￡ｂ—ｕ，。。ｄ＋（ｔｕ。。，一训。。ｄ）（１一ｔ／ｔ…）
（４）
式中ｆ。。为最大允许迭代次数；ｚ为当前的迭代次 数；Ｗ。。和Ｗ。。。分别是惯性权值的初始值和进化到 最大允许迭代次数时的取值。由式（４）构成了 ＬＤＩＷ—ＰＳＯ。Ｓｈｉ等经过大量试验，发现Ｗ。，一 ０．９，硼。。ｄ一０．４时，ＰＳＯ算法的性能会大火提高。 线性权值递减策略简单、直观、具有较好的寻 优性能。但由于微粒群的搜索过程是一个非线。陀的 复杂过程，让Ｗ线性过渡的方法并不能准确反映 搜索过程。粒子群在迭代初期Ｗ应较大，而在迭 代末期Ｗ应较小。本文据此，对硼递减策略改进 如下