一种应用于传感器网络的分布式协作算法和数据融合机制的制作方法

本发明涉及传感器数据处理技术领域，特别是一种应用于传感器网络的分布式协作算法和数据融合机制。

背景技术：

数据融合将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，改善遥感信息提取的及时性和可靠性，提高数据的使用效率。数据融合最早应用在军事目标识别领域，现在已经被广泛应用在多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别中。

现有的数据融合技术一般是传感器级数据融合结果用于中央级数据融合过程，而中央级数据融合的结果直接作为最终的融合结果，这种技术属于开环的数据融合技术，具有融合结果精度低、可靠性差的缺点。

技术实现要素：

本发明的目的是解决数据融合过程中中央级数据融合不能用于修正传感器级数据融合的结果引起的融合精度低、可靠性差的问题，提出了一种应用于传感器网络的分布式协作算法和数据融合机制，主要包括(1)传感器级数据融合；(2)中央级数据融合。

所述传感器级数据融合具体包括以下步骤：

(21).通过传感器获得充分的测量原始数据，并剔除测量中的异常数据，对于非线性的传感器测量模型，可以使模型在某个标称值附近进行线性化，然后再按线性测量模型进行求解；

(22).假设传感器线性测量模型为s＝Hθ，H是传感器的输入量，H是一个满秩的N×P的观测矩阵(N＞P)，H由观测样本组成，设s＝[s[0]，s[1]，...，s[N-1]]^T是传感器的模型输出，s是N×1的矩阵，x＝[x[0]，x[1]，...，x[N-1]]^T是传感器输出的测量量，θ是待求的传感器的参数模型，θ是P×1的矩阵；

(23).通过线性加权方式获得传感器输出的测量量x和由传感器线性测量模型传感器线性测量模型求解出的s之差J(θ)，设W是N×N的对角矩阵，W＝C^-1，C表示零均值噪声的协方差矩阵；

$J\left(\mathrm{\θ}\right)=\underset{n=0}{\overset{N-1}{\Σ}}w\left(n\right){\left(x\right(n)-s(n\left)\right)}^2={(x-H\mathrm{\θ})}^{T}W(x-H\mathrm{\θ})={(x-H\mathrm{\θ})}^T{C}^{-1}(x-H\mathrm{\θ})$

(24).求解J(θ)函数对θ变量的梯度；

$\frac{\∂J\left(\mathrm{\θ}\right)}{\∂\mathrm{\θ}}=-2H^{T}Wx+2H^{T}WH\mathrm{\θ}=-2H^T{C}^{-1}x+2H^T{C}^{-1}H\mathrm{\θ}$

(25).令J(θ)函数的梯度等于0，可以求得传感器线性测量模型的估计值

$\widehat{\mathrm{\θ}}={\left(H^{T}WH\right)}^{-1}{H}^{T}Wx={\left(H^T{C}^{-1}H\right)}^{-1}{H}^T{C}^{-1}x$

(26).如果测量过程中噪声是不相关的，则C估计量是对角矩阵，令C[n]＝diag(σ₀，σ₁，...，σ_n)，其中H[n]是n×p的矩阵，h^T[n]是1×p的矩阵，X[n]＝[x[0]，x[1]，...，x[n]]^T，则有估计量C[n]是噪声的协方差矩阵，最小二乘估计量的协方差矩阵是

(27).计算估计量和最小二乘估计量的协方差∑[n]的更新；

估计量的更新计算如下：

其中

最小二乘估计量的协方差的更新如下：

∑[n]＝(I-K[n]h^T[n])∑[n-1]。

(28).将不同性质或相同性质传感器求出的状态估计值进行Dempster-Shafer数据融合为中央级数据融合提供初始条件。

所述中央级数据融合包括以下步骤：

(31).建立被观测系统的状态方程和量测方程。

设系统状态方程是x_k＝Ax_k-1+Bu_k-1+w_k-1，量测方程为y_k＝Cx_k-1+v_k，其中x_k是由(x_1，k，x_2，k，...，x_N，k)组成N×1的状态变量，u_k是(u_1，k，u_2，k，...u_L，k)组成的L×1的输入向量，y_k由(y_1，k，y_2，k，...y_M，k)组成的M×1的观测向量，w_k是由(w_1，k，w_2，k，...w_N，k)组成N×1的过程噪声向量，v_k是由(v_1，k，v_2，k，...v_M，k)组成的M×1的测量噪声向量，A是N×N的状态转移矩阵，B是N×L的输入关系矩阵，C是M×N测量关系矩阵；

(32).在第k-1个状态变量最优估计值的基础上，利用系统的状态方程来预测第k时刻的先验状态值。

P_k^-＝AP_k-1A^T+Q，其中代表第k时刻状态变量的先验估计值，代表第k-1时刻状态变量的最优估计值，代表第k时刻先验估计误差的协方差矩阵，代表第k时刻后验估计误差的协方差矩阵，Q＝E[w_kw_k^T]代表过程噪声向量的协方差。

(33).利用实际测量值校正上一步预测得到的状态先验估计值得到系统状态的最优估计值

K_k＝P_k^-C^T(CP_k^-C^T+R)^-1，P_k＝(I-K_kC)P_k^-，其中R＝E[v_kv_k^T]代表测量噪声向量的协方差。

(34).为了避免矩阵求逆运算，采用标量依次处理法进行处理，假设各个测量噪声之间相关，对测量噪声协方差R进行正交分解，R＝MDM^T，其中M为正交矩阵，D＝diag(σ₁，σ₂，...，σ_M)为对角阵，对量测方程进行矩阵变换M^Ty_k＝M^TCx_k-1+M^Tv_k，定义新的观测向量y_k′＝M^Ty_k，测量矩阵C′＝M^TC，测量噪声向量v_k′＝M^Tv_k，新的测量噪声向量的协方差为R＝E[v_k′v_k′^T]＝E[M^Tv_kv_k^TM]＝M^TRM＝D，记测量矩阵y_k′＝(y_1，k′，y_2，k′，...，y_M，k′)，P_0，k＝P_k^-，则可以用下述标量算法进行状态与均方误差阵进行校正：P_m，k＝(I-k_m，kc_m′)P_m-1，k，其中m＝1，2，...，M，P_k＝P_M，k。

(35).使用中央级数据融合结果去修正传感器级数据融合的结果。

本发明带来的有益结果：本发明使用中央级数据融合的结果修正传感器级数据融合的结果，可以解决单传感器系统精度低、信息单一以及数据融合计算量大的问题，可广泛应用于多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别中。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明数据融合总体框图。

图2为传感器级数据融合的流程图。

图3为传感器测量模型建立的流程图。

图4为剔除传感器异常测量数据的流程图。

图5为中央级数据融合的流程图。

具体实施方式

图1是本发明数据融合总体图，其中传感器级数据融合通过融合分布在不同被测对象不同类别传感器得到被观测系统的部分状态信息和传感器的测量噪声方差，为中央级数据融合提供初始条件，中央级数据融合通过模糊卡尔曼滤波对传感器级数据融合的结果进行滤波处理得到最优的被测系统的状态信息，使用中央级数据融合的结果修正传感器级数据融合的结果。

图2是传感器级数据融合的流程图，其中同质传感器对同一被测状态进行测量，提高被测状态的可信度，异质传感器对不同的被测状态进行测量，提供更全面的系统状态信息，同质传感器和异质传感器测量的系统状态数据通过Dempster-Shafer数据融合为中央级数据融合提供初始条件。传感器级数据融合具体包括以下步骤：

(21).首先建立传感器的测量模型，具体流程图见图3，对于非线性的传感器测量模型，可以使模型在某个标称值附近进行线性化，然后再按线性测量模型进行求解，通过传感器获得充分的测量原始数据，并剔除测量中的异常数据。对于时不变系统，传感器异常测量数据剔除的具体流程见图4，可以先求出被测状态的均值α和方差σ，然后将传感器测量数据在区间(α-3σ，α+3σ)之外的数据剔除后再求均值和方差；

(22).假设传感器线性测量模型为s＝Hθ，H是传感器的输入量，H是一个满秩的N×P的观测矩阵(N＞P)，H由观测样本组成，设s＝[s[0]，s[1]，...，s[N-1]]^T是传感器的模型输出，s是N×1的矩阵，x＝[x[0]，x[1]，...，x[N-1]]^T是传感器输出的测量量，θ是待求的传感器的参数模型，θ是P×1的矩阵；

(23).通过线性加权方式获得传感器输出的测量量x和由传感器线性测量模型传感器线性测量模型求解出的s之差J(θ)，设W是N×N的对角矩阵，W＝C^-1，C表示零均值噪声的协方差矩阵；

$J\left(\mathrm{\θ}\right)=\underset{n=0}{\overset{N-1}{\Σ}}w\left(n\right){\left(x\right(n)-s(n\left)\right)}^2={(x-H\mathrm{\θ})}^{T}W(x-H\mathrm{\θ})={(x-H\mathrm{\θ})}^T{C}^{-1}(x-H\mathrm{\θ})$

(24).求解J(θ)函数对θ变量的梯度；

$\frac{\∂J\left(\mathrm{\θ}\right)}{\∂\mathrm{\θ}}=-2H^{T}Wx+2H^{T}WH\mathrm{\θ}=-2H^T{C}^{-1}x+2H^T{C}^{-1}H\mathrm{\θ}$

(25).令J(θ)函数的梯度等于0，可以求得传感器线性测量模型的估计值

$\widehat{\mathrm{\θ}}={\left(H^{T}WH\right)}^{-1}{H}^{T}Wx={\left(H^T{C}^{-1}H\right)}^{-1}{H}^T{C}^{-1}x$

(26).如果测量过程中噪声是不相关的，则C估计量是对角矩阵，令C[n]＝diag(σ₀，σ₁，...，σ_n)，其中H[n]是n×p的矩阵，h^T[n]是1×p的矩阵，X[n]＝[x[0]，x[1]，...，x[n]]^T，则有估计量C[n]是噪声的协方差矩阵，最小二乘估计量的协方差矩阵是

(27).计算估计量和最小二乘估计量的协方差∑[n]的更新；

估计量的更新计算如下：

其中

最小二乘估计量的协方差的更新如下：

∑[n]＝(I-K[n]h^T[n])∑[n-1]。

图5是中央级数据融合的流程图，具体包括以下步骤：

(31).建立被观测系统的状态方程和量测方程，对于非线性的被观测系统的状态方程和量测方程，可使用局部线性化的方法转换为线性系统进行求解。

设系统状态方程是x_k＝Ax_k-1+Bu_k-1+w_k-1，量测方程为y_k＝Cx_k-1+v_k，其中x_k是由(x_1，k，x_2，k，...，x_N，k)组成N×1的状态变量，u_k是(u_1，k，u_2，k，...u_L，k)组成的L×1的输入向量，y_k由(y_1，k，y_2，k，...y_M，k)组成的M×1的观测向量，w_k是由(w_1，k，w_2，k，...w_N，k)组成N×1的过程噪声向量，v_k是由(v_1，k，v_2，k，...v_M，k)组成的M×1的测量噪声向量，A是N×N的状态转移矩阵，B是N×L的输入关系矩阵，C是M×N测量关系矩阵；

(32).在第k-1个状态变量最优估计值的基础上，利用系统的状态方程来预测第k时刻的先验状态值。

P_k^-＝AP_k-1A^T+Q，其中代表第k时刻状态变量的先验估计值，代表第k-1时刻状态变量的最优估计值，代表第k时刻先验估计误差的协方差矩阵，代表第k时刻后验估计误差的协方差矩阵，Q＝E[w_kw_k^T]代表过程噪声向量的协方差。

(33).利用实际测量值校正上一步预测得到的状态先验估计值得到系统状态的最优估计值

K_k＝P_k^-C^T(CP_k^-C^T+R)^-1，P_k＝(I-K_kC)P_k^-，其中R＝E[v_kv_k^T]代表测量噪声向量的协方差。

(34).为了避免矩阵求逆运算，采用标量依次处理法进行处理，假设各个测量噪声之间相关，对测量噪声协方差R进行正交分解，R＝MDM^T，其中M为正交矩阵，D＝diag(σ₁，σ₂，...，σ_M)为对角阵，对量测方程进行矩阵变换M^Ty_k＝M^TCx_k-1+M^Tv_k，定义新的观测向量y_k′＝M^Ty_k，测量矩阵C′＝M^TC，测量噪声向量v_k′＝M^Tv_k，新的测量噪声向量的协方差为R＝E[v_k′v_k′^T]＝E[M^Tv_kv_k^TM]＝M^TRM＝D，记测量矩阵y_k′＝(y_1，k′，y_2，k′，...，y_M，k′)，P_0，k＝P_k^-，则可以用下述标量算法进行状态与均方误差阵进行校正：P_m，k＝(I-k_m，kc_m′)P_m-1，k，其中m＝1，2，...，M，P_k＝P_M，k。

(35).使用中央级数据融合结果去修正传感器级数据融合的结果。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。