多传感器数据采集系统中的数据融合研究

2014-09-20杨子晨

传感器与微系统 2014年3期

张军, 杨子晨

(中国舰船研究设计中心,湖北武汉 430064)

0 引言

近年来，多传感器数据采集系统在现代舰船上的应用越来越普遍。因而，对多传感器数据融合的研究就显得尤为重要。多传感器数据融合可以更精确地估计出被测参数的值[1]。

提高数据采集系统的测量精度的惯用做法是对传感器获取的数据进行处理。传统的方法是采用多只传感器的算术平均，虽有一定的抗干扰能力，但这不是测量数据的最好方法[2]。文献[3]和文献[4]以置信距离测度作为数据融合的融合度，通过设定阈值获得关系矩阵以对传感器的有效性进行判断，在获得最佳融合传感器集合后，对融合传感器进行融合[5]。该方法阈值的选取过于绝对化和经验化，数据融合的结果已受到主观因素的影响。

传感器权值的分配是传感器数据融合过程中非常重要的一个环节，它关系到数据采集系统的测量精度和可靠性。在权的最优分配原则下，采用加权平均法进行数据融合，对系统测量精度和可靠性的改善非常明显。

1 单传感器分批估计数据融合

单传感器测量的数据作为数据采集系统最原始的数据，它的测量精度对整个测量系统具有非常重要的意义。单传感器分批估计数据融合是处理单传感器的测量数据较为有效的一种方法。

所谓分批估计数据融合就是指将同一传感器的测量数据分成2组(可以按前后分组，也可以按奇偶分组)，根据分批估计理论可以得到测量数据的局部决策值[6]。

(1)

(2)

文献[7]已经推导了分批估计数据融合的结果和方差

(3)

(4)

利用公式(1)～式(4)就可以得到每一只传感器测量数据的局部决策值。

2 相关性函数

2.1 置信距离矩阵

(5)

其中

(6)

因此，有

(7)

由文献[8]可以推导出

(8)

如果有m只传感器测量同一个指标参数，置信距离测度dij(i,j=1,2,…,m)构成一个矩阵

(9)

2.2 相关性函数

一般的融合方法是给出一个融合上限βij，当dij>βij时，就认为第i只传感器与第j只传感器相容性差，或称它们相互不支持。这种做法的缺陷是βij的选取过于绝对化和经验化，所融合的结果受主观因素影响较大。

针对此问题，本文引入了模糊理论的相关性函数来分析传感器之间的相容性。

由式(8)知,0≤dij≤1，且由其运算公式的统计意义可知，dij越小说明第i只传感器被第j只传感器支持的程度越高。因此，由模糊理论中的相关性函数定义[9]可令

(10)

(11)

为了确定各只传感器被其它传感器支持的程度，令

(12)

得到每只传感器被其它传感器支持的程度以后就可以剔除掉那些被其它传感器支持度非常低的传感器的局部决策值。这样，不仅可以提高数据采集系统的测量精度，还可以提升数据融合的效率。

3 自适应加权平均法的数据融合

利用相关性函数剔除掉那些被其它传感器支持度非常低的传感器的局部决策值以后，对于剩下的局部决策值，采用自适应平均法进行融合。这种融合算法不要求知道传感器测量数据的任何先验知识，只靠单传感器融合后的局部决策值就可以得出数据融合结果。这种融合方法中权的分配对融合结果的影响非常明显。在权的最优分配原则[10]下，利用自适应加权平均法对单传感器的局部决策值进行融合是一种较为有效的方法。