一种多传感器数据加权融合方法与流程

本发明涉及多传感器信息融合领域，尤其涉及一种多传感器数据加权融合方法。
背景技术：
在分布式多传感器检测系统中，经常使用多个传感器对同一参数进行多次重复测量，通过数据融合的方法来提高系统的检测精度。关于数据融合的方法非常多，相比于贝叶斯决策以及神经网络等融合技术实际运用中主观随意性比较大以及建模的局限性，加权融合方法以其无需先验信息且融合精度比较高的优势得到广泛关注。然而现有技术中多传感器数据加权融合方法都是采用传感器原始测量数据进行传感器间的数据融合，并没有考虑对传感器原始测量数据进行滤波处理，导致融合后的数据可信度不高。技术实现要素：本发明主要解决的技术问题是现有多传感器数据加权融合方法融合精度低、融合效果差的问题。为解决上述技术问题，本发明提供了一种多传感器数据加权融合的方法，采用n部传感器，每部传感器测量得到m个数据，所述方法包括以下步骤：1)将第i(i＝1,2,3,...,n)部传感器的第k(k＝1,2,3,...,m)次以及第k次之前的所有数据作为一组，根据该组数据对所述第k次测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；2)对修正后的测量数据进行所述n部传感器之间的一次加权融合；3)将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。进一步地，所述步骤2)具体包括：21)重复步骤1)，直到每部传感器测量得到的m个数据均得到修正；22)将每部传感器修正之后的数据作为整体进行所述n部传感器之间的一次加权融合。或者，所述步骤2)具体包括：21)将所述n部传感器所述第k次修正后的数据进行一次加权融合；22)重复步骤1)和步骤21)，依次对不同次的测量数据进行修正和融合，直到所述n部传感器的所有测量数据均得到修正和融合。优选地，所述根据该组数据对所述第k次测量数据进行修正，具体包括：11)计算该组数据的均值和方差；12)依据所述均值和所述方差得到所述该组数据的概率密度分布函数，进一步计算该组内每个数据在该组内所有测量数据中出现的概率；13)依据所述概率对所述第k次测量数据进行修正。进一步地，所述步骤13)依据公式(1)实现测量数据的修正：其中，为第i部传感器第k次测量数据，xi(k)为对第i部传感器第k次测量数据进行修正后得到的数据，xi(j)为对第i部传感器第j次测量数据进行修正后得到的数据，pi(j)为第i部传感器第j次修正后的数据在该组内所有数据中出现的概率；pi(k)为第i部传感器第k次测量数据在该组内所有数据中出现的概率。优选地，所述进行所述n部传感器之间的数据加权融合具体包括：计算不同传感器间的数据融合权重；根据所述数据融合权重进行n部传感器之间的数据加权融合。进一步地，所述计算不同传感器间的数据融合权重包括：利用最小二乘法，得到使融合后数据的方差最小的权重值作为不同传感器间的数据融合权重。优选地，所述进行所述融合数据组的数据加权融合具体包括：计算所述融合数据组内每个数据参与数据融合的权重；根据所述参与数据融合的权重进行所述融合数据组内所有数据的加权融合。进一步地，所述计算所述融合数据组内每个数据参与数据融合的权重包括：计算所述融合数据组内数据的均值和方差；依据所述均值和所述方差得到所述融合数据组数据的概率密度分布函数，进一步计算所述融合数据组内每个数据在所述融合数据组内所有数据中出现的概率，并以该概率作为所述融合数据组内每个数据参与数据融合的权重。。本发明的有益效果是：本发明提供一种多传感器数据加权融合的方法，该方法确保多传感器间数据融合权重的合理性以及传感器数据的精确性，具有融合精度高、便于工程应用等优点。附图说明图1是本发明多传感器数据加权融合方法的一实施例的流程图；图2是本发明多传感器数据加权融合方法的另一实施例的流程图；图3是本发明多传感器数据加权融合方法的另一实施例的流程图。具体实施方式为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的
技术领域：
的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。图1是本发明多传感器数据加权融合方法的一实施例的流程图。该方法采用n部传感器，每部传感器测量得到m个数据，具体包括以下步骤：步骤s1，将第i(i＝1,2,3,...,n)部传感器的第k(k＝1,2,3,...,m)次以及第k次之前的所有数据作为一组，根据该组数据对所述第k次测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；步骤s2，对修正后的测量数据进行所述n部传感器之间的一次加权融合；步骤s3，将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。从上述内容可知，在该实施例的多传感器数据加权融合方法中，首先对传感器某一次的测量数据进行修正，并使用修正后的数据来进行对下一次测量数据的修正，使得下一次测量数据修正的数据基础更合理，进一步通过修正后的数据来计算不同传感器间的数据融合权重，也进一步确保了数据融合权重的合理性，使得融合结果更真实、准确。图2是本发明多传感器数据加权融合方法的另一实施例的流程图。该方法采用n部传感器，每部传感器测量得到m个数据，所述方法包括以下步骤：步骤s1，将第i(i＝1,2,3,...,n)部传感器的第k(k＝1,2,3,...,m)次以及第k次之前的所有数据作为一组，根据该组数据对所述第k次测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；所述步骤s1具体包括以下步骤：步骤s11，将第i(i＝1,2,3,...,n)部传感器的第k(k＝1,2,3,...,m)次以及第k次之前的所有数据作为一组，计算该传感器该组内数据的均值和方差。假设n部相互独立的传感器对某待测对象参数进行测量，其测量方程为：式中，为第i部传感器第k次的参数测量值，xi为参数的真实值，δi(k)为第i部传感器第k次的测量噪声，其服从均值为零、方差为的高斯分布，即其中k≥1。由式(1)可知，该传感器的测量值服从均值为xi、方差为的高斯分布，即对于第i部传感器第k次的测量值将第k次之前以及第k次该传感器的k个测量值作为一组数据进行统计分析。依据概率密度函数的概念可知，第i部传感器第j次测量数据与待测参数真实值xi以及测量噪声标准差σi存在以下关系：依据极大似然估计理论可得第i部传感器第k次之前以及第k次该传感器的k个测量数据的均值和标准差的极大似然估计为：考虑到k是一个有限的数值，将σi的极大似然估计修改为：以和作为该传感器该组数据的均值和标准差。步骤s12，计算第i部传感器第k次之前以及第k次共k个测量值中某一数据在该组内所有数据中出现的概率。依据正态分布概率密度函数，当k＞1时，第i部传感器第j个测量值出现的机率为：式中，分别为第i部传感器第k次之前以及第k次共k个测量值的均值和方差。则，第i部传感器第j个数据在该组内所有数据中出现的概率为：步骤s13，对第i部传感器第k次的测量数据进行修正，并以修正后的数据替换所述第k次的测量数据，参与下一次测量数据的修正。步骤s2，对修正后的测量数据进行所述n部传感器之间的一次加权融合；所述步骤s2具体包括以下步骤：步骤s21，重复步骤s1，直到每部传感器测量得到的m个数据均得到修正；步骤s22，将每部传感器修正之后的测量数据作为整体进行所述n部传感器之间的一次加权融合。进一步地，所述步骤s22包括以下步骤：步骤s221，计算不同传感器间的数据融合权重。假设第i部传感器在规定时间内获取的m个测量值(m＞1)，经过上述步骤之后，修正值为则第i部传感器m个修正数据的均值和方差为：依据加权融合思想，如果第i部传感器的数据为xi，其权值为ωi，则所有n部传感器加权融合的结果为：令则zi服从标准正态分布，式(9)中融合结果可表示为：从式(11)可以看出融合结果y服从均值方差的正态分布。利用最小二乘法可得，当时，融合结果y的方差最小步骤s222，利用传感器修正数据及不同传感器间的数据融合权重进行一次加权融合：步骤s3，将所有融合后的数据组合为融合数据组，对所述数据融合组的数据进行二次加权融合；所述步骤s3具体包括以下步骤：步骤s31，计算所述融合数据组内每个数据参与数据融合的权重；进一步地，所述步骤s31具体包括：步骤s311，依据式(12)计算所述融合数据组内数据的均值和方差。式中，y是融合数据均值，是融合数据方差，y(j)是第j个融合数据。步骤s312，依据所述均值和所述方差得到所述融合数据组数据的概率密度分布函数，进一步计算所述融合数据组内每个数据在所述融合数据组内所有数据中出现的概率，并以该概率作为所述融合数据组内每个数据参与数据融合的权重。依据正态分布概率密度函数，当m＞1时，第i部传感器第j个数据y(j)出现的机率为：则，第j个数据参与数据融合的权重为：步骤s32，根据所述参与数据融合的权重进行所述融合数据组内所有数据的二次加权融合；式中，r是最终融合结果。从上述内容可知，在该实施例的多传感器数据加权融合方法中，首先对传感器某一次的测量数据进行修正，并使用修正后的数据来进行对下一次测量数据的修正，使得下一次测量数据修正的数据基础更合理，然后在完成对每个传感器的所有测量数据进行修正之后，通过这些修正后的数据以及最小二乘法来计算不同传感器间的数据融合权重，进一步确保了数据融合权重的合理性，最后对多部传感器融合后的数据进行二次加权融合得到最终的融合数据，使得融合结果更真实、准确。具体地，本发明还公开了使用所述多传感器数据加权融合方法对恒温箱参数进行数据融合的另一实施例：已知某分布式多传感器检测系统中3个热电偶传感器对恒温箱进行6次检测，各热电偶对恒温箱检测的数据如表1所示。表1传感器测量值采用本发明提供的方法进行3个热电偶传感器之间数据的融合：步骤s1，将第i(i＝1,2,3,...,n)部传感器的第k(k＝1,2,3,...,m)次以及第k次之前的数据作为一组，根据该组数据对所述第k次的测量数据进行滤波修正，并以修正后的数据替换所述第k次的测量数据，参与下一次测量数据的修正；具体地：步骤s11，将第i(i＝1,2,3,...,n)部传感器的第k(k＝1,2,3,...,m)次以及第k次之前的数据作为一组，计算该传感器该组数据的均值和方差。对于传感器s1：由于第一次测量前没有测量值，因此，传感器s1第一组测量的均值为其测量值899.5，第一组测量的方差为0；依据公式(7)可得，传感器s1第一次测量修正值为其本身。由于第二次测量前有第一次测量，且第一次测量的修正值等于测量值，因此，将第一次修正值与第二次测量值作为一组，通过公式(3)和公式(4)可得，传感器s1第二组数据的均值为902.4，方差为16.82；按照以上的步骤，可以计算出传感器s2和传感器s3第一组和第二组的均值和方差如表2所示。表2传感器s2和传感器s3第一组、第二组数据的均值和方差步骤s12，计算该传感器该组内某一数据在该组内所有数据中出现的概率。对于传感器s1：由于第一次测量前没有测量数据，因此，第一次测量数据在第一组数据中出现的概率为1；对于第二次测量，依据公式(5)及公式(6)可得，传感器s1第二组数据中第一次以及第二次数据在第二组内所有测量数据中出现的概率为按照以上的步骤，可以计算出传感器s2和传感器s3第一组、第二组数据中每个数据在该组内所有数据中出现的概率如表3所示。表3传感器s2及s3第一组、第二组中每个数据在该组内所有数据中出现的概率步骤s13，对该传感器本组内的当前测量数据进行修正。对于传感器s1：依据公式(7)可得，第一次修正后的数据为899.5；第二次修正后的数据为899.5×0.5+905.3×0.5＝902.4。同理，可以计算出传感器s2及s3第一次修正后的数据为898.3和896.7、第二次修正后的数据为887.1和901.75。步骤s2，对修正后的测量数据进行所述n部传感器之间的一次加权融合：步骤s21，重复步骤s1，可得传感器s1、s2及s3的修正值如表4所示。表4传感器s1、s2及s3各测量次数修正值步骤s22，计算不同传感器间的数据融合权重。依据公式(8)，计算不同传感器所有修正数据的均值和方差，如表5所示。表5不同传感器所有修正数据的均值和方差则传感器s1参与数据融合的权重为传感器s2参与数据融合的权重为传感器s3参与数据融合的权重为步骤s23，利用传感器修正数据及不同传感器间的数据融合权重进行一次加权融合。依据公式(11)可得融合结果为：步骤s3，将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。步骤s31，计算所述融合数据组内每个数据参与数据融合的权重。依据公式(12)可得该组数据的均值为900.0474、方差为0.8354。依据公式(13)和公式(14)可得该组数据中每个数据参与融合的融合权重如表6所示。表6融合数据组中每个数据参与数据融合的权重数据898.7790901.5305900.2822900.2907899.6162899.7860权重0.08600.06040.21810.21750.20160.2163步骤s32，根据所述参与数据融合权重进行所述融合数据组内所有数据的加权融合。依据公式(15)可得最终融合数据为899.9885。图3是本发明多传感器数据加权融合方法的另一实施例的流程图。该方法采用n部传感器，每部传感器测量得到m个数据，所述方法包括以下步骤：步骤s1，将第i(i＝1,2,3,...,n)部传感器的第k(k＝1,2,3,...,m)次以及第k次之前的数据作为一组，根据该组数据对所述第k次的测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；所述步骤s1具体包括以下步骤：步骤s11，第i(i＝1,2,3,...,n)部传感器的第k(k＝1,2,3,...,m)次以及第k次之前的数据作为一组，计算该传感器本组数据的均值和方差。假设n部相互独立的传感器对某待测对象参数进行测量，其测量方程为：式中，为第i部传感器第k次的参数测量值，xi为参数的真实值，δi(k)为第i部传感器第k次的测量噪声，其服从均值为零、方差为的高斯分布，即其中k≥1。由式(16)可知，该传感器的测量值服从均值为xi、方差为的高斯分布，即对于第i部传感器第k次的测量值将第k次之前以及第k次该传感器的k个数据作为一组进行统计分析。依据概率密度函数的概念可知，第i部传感器第j次测量数据与待测参数真实值xi以及测量噪声标准差σi存在以下关系：依据极大似然估计理论可得第i部传感器第k次之前以及第k次该传感器的k个数据的均值和标准差的极大似然估计为：考虑到k是一个有限的数值，将σi的极大似然估计修改为：以和作为该传感器该组数据的均值和标准差。步骤s12，计算第i部传感器第k次之前以及第k次共k个测量值中某一次测量数据在本组内所有测量数据中出现的概率。依据正态分布概率密度函数，当k＞1时，第i部传感器第j次测量值出现机率为：式中，分别为第i部传感器第k次之前以及第k次共k个测量值的均值和方差。则，第i部传感器第j次测量值在本组内所有数据中出现的概率为：步骤s13，对第i部传感器第k次的测量数据进行修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正：步骤s2，对修正后的数据进行所述n部传感器之间的一次加权融合；所述步骤s2具体包括以下步骤：步骤s21，将所述n部传感器所述第k次修正后的测量数据进行一次加权融合；步骤s22，重复步骤s1和步骤s21，依次对不同次的测量数据进行修正和融合，直到所述n部传感器的所有测量数据均得到修正和融合。进一步地，所述步骤s21具体包括：步骤s211，计算不同传感器间第k次的数据融合权重。将第i部传感器第k次之前以及第k次共k个修正值作为一组，依据公式(18)和公式(19)可得第i部传感器第k次之前以及第k次共k个修正值的均值和方差为：依据加权融合思想，如果第i部传感器的数据为xi，其权值为ωi，则所有n部传感器加权融合的结果为：令则zi服从标准正态分布，式(24)中融合结果可表示为：从式(25)可以看出融合结果y服从均值方差的正态分布。利用最小二乘法可得，当时，融合结果y的方差最小步骤s212，利用传感器所述第k次的修正数据及不同传感器间所述第k次的数据融合权重进行所述k次数据的一次加权融合：步骤s3，将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。步骤s31，计算所述融合数据组中每个数据参与数据融合的权重。进一步地，所述步骤s31具体包括：步骤s311，依据式(27)计算该组内数据的均值和方差。式中，y是融合数据均值，是融合数据方差，y(j)是第j个融合数据。步骤s312，依据所述均值和所述方差得到所述该组数据的概率密度分布函数，进一步计算该组内每个数据在该组内所有数据中出现的概率，并以该概率作为该组内每个数据参与数据融合的权重。依据正态分布概率密度函数，当m＞1时，第i部传感器第j个数据y(j)出现的机率为：则，第j个数据参与数据融合的权重为：步骤s32，基于所述融合数据组以及所述融合数据组中每个数据参与数据融合的权重进行融合数据组内数据的二次加权融合。式中，r是最终融合结果。从上述内容可知，在该实施例的多传感器数据加权融合方法中，首先对某一传感器某一次的测量数据进行修正，然后将多部传感器某一次修正后的测量数据进行一次加权融合，重复上述步骤，依次对不同次的测量数据进行修正和融合，直到多部传感器的所有测量数据均得到修正和融合，最后对多部传感器融合后的数据进行二次加权融合得到最终的融合数据。本方法使用修正后的数据来进行对下一次测量数据的修正，使得下一次测量数据修正的数据基础更合理；进一步在完成某一次测量数据修正后，使用传感器该次之前以及该次修正后的数据以及最小二乘法来计算不同传感器间的数据融合权重，也进一步确保了数据融合权值的合理性，使得融合结果更真实、准确。具体地，本发明还公开了使用所述多传感器数据加权融合方法对恒温箱参数进行数据融合的另一实施例：已知某分布式多传感器检测系统中3个热电偶传感器对恒温箱进行6次检测，各热电偶对恒温箱检测的数据如表1所示。采用本发明提供的方法进行3个热电偶传感器之间数据的融合：步骤s1，将第i(i＝1,2,3,...,n)部传感器的第k(k＝1,2,3,...,m)次以及第k次之前的数据作为一组，根据该组数据对所述第k次的测量数据进行滤波修正，并以修正后的数据替换所述第k次测量数据，参与下一次测量数据的修正；具体地：步骤s11，第i(i＝1,2,3,...,n)部传感器的第k(k＝1,2,3,...,m)次以及第k次之前的数据作为一组，计算该传感器本组数据的均值和方差。对于第一次测量：由于第一次测量前没有测量值，因此，传感器s1第一组测量的均值为其测量值899.5，方差为0；传感器s2第一组测量的均值为其测量值898.3000，方差为0；传感器s3第一组测量的均值为其测量值896.7000，方差为0；依据公式(22)，可得传感器s1、s2、s3第一次测量的修正值为其测量值本身；依据公式(26)，可得第一次测量的融合值为898.1667。对于第二次测量：将第一次与第二次测量值作为一组，依据公式(18)和公式(19)可得，传感器s1第二组测量的均值为902.4、方差为16.82，传感器s2第二组测量的均值为887.1000、方差为250.8800，传感器s3第二组测量的均值为901.7500、方差为51.0050。步骤s12，计算该传感器本组内每个数据在本组内所有数据中出现的概率。依据公式(20)和公式(21)可得传感器s1第一次以及第二次测量值在第二组数据中出现的概率分别是和传感器s2第一次以及第二次测量值在第二组数据中出现的概率分别是0.5和0.5，传感器s3第一次以及第二次测量值在第二组数据中出现的概率分别是0.5和0.5。步骤s13，对该传感器本组内的当前测量数据进行修正。依据公式(22)可得传感器s1第二次测量的修正值是899.5×0.5+905.3×0.5＝902.4，传感器s2第二次测量的修正值是887.1000，传感器s3第二次测量的修正值是901.7500。步骤s2，对修正后的测量数据进行所述n部传感器之间的一次加权融合：步骤s21，计算不同传感器间的数据融合权重。依据式(26)可得传感器s1第二次测量的融合权重是0.7159，传感器s2第二次测量的融合权重是0.0480，传感器s3第二次测量的融合权重是0.2361。步骤s22，利用传感器当前修正数据及不同传感器间的数据融合权重进行一次加权融合。依据公式(26)可得第二次测量三部传感器的数据融合结果为：y(2)＝0.7159×902.4+0.048×887.1+0.2361×901.75＝901.5122步骤s23，重复步骤s1、s21、s22，直至完成不同传感器间所有测量数据的修正与融合。按照上述步骤的计算过程，可得三部传感器第三次、第四次、第五次以及第六次的融合结果如表7所示。表7三部传感器六次融合结果步骤s3，将所有融合后的数据组合为融合数据组，对所述融合数据组的数据进行二次加权融合。步骤s31，计算所述融合数据组中每个数据参与数据融合的权重。步骤s311，依据公式(27)可得融合数据组的均值为899.9460、方差为1.2003。步骤s312，依据所述均值和所述方差得到所述该组数据的概率密度分布函数，进一步计算该组内每个数据在该组内所有数据中出现的概率，并以该概率作为该组内每个数据参与数据融合的权重。依据公式(28)和公式(29)可得不同融合数据参与数据融合的权重如表8所示。表8不同融合数据参与数据融合的权重步骤s32，基于所述融合数据组以及所述融合数据组中每个数据参与数据融合的权重进行融合数据组内数据的二次加权融合。依据公式(30)可得最终融合数据为900.0090。综上可知，本发明公开了一种多传感器数据加权融合方法，其首先对每个传感器的测量数据进行了滤波修正，为提高多传感器数据融合的可靠度奠定了基础，另外，在进行数据融合时，使用的是修正后的传感器数据以及基于修正后数据计算得到的传感器间的数据融合权重，因此，利用本发明的数据加权融合方法得到的多传感器融合结果更接近实际情况，可信度更高。以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本发明的专利保护范围内。当前第1页12