一种多传感器数据加权融合方法与流程

本发明属于信息融合领域，特别是涉及一种传感器的数据融合。
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。因此，如何进一步提高数据融合后的可信度，是本领域技术人员急需要解决的技术问题。技术实现要素：本发明主要解决的技术问题是提供一种多传感器数据加权融合方法，解决现有技术中已有的分布式多传感器检测系统中数据融合方法可信度不高的技术问题。为解决上述技术问题，本发明采用的一个技术方案是：一种多传感器数据加权融合方法，包括步骤s1，对所述多个传感器中的每个传感器数据进行滤波修正，得到所述多个传感器的修正后数据；步骤s2，计算所述多个传感器中不同传感器间数据融合的传感器间融合权重；步骤s3，基于所述修正后数据和所述传感器间融合权重进行二次加权融合，以获取最终融合结果。在本发明多传感器数据加权融合方法另一实施例中，对所述多个传感器中的每个传感器数据进行滤波修正，得到所述多个传感器的修正后数据包括：步骤s21，设定传感器数据为所述多个传感器中第i个传感器第j次的测量数据，其中1≤i≤n,n为所述多个传感器的个数，1≤j≤m,m为所述多个传感器中每个传感器的总测量次数；获取所述多个传感器中每个传感器的所有基本数据组其中b(i,j)表示第i个传感器的第j个基本组；步骤s22，计算每个所述基本数据组b(i,j)的均值eb(i,j)和方差db(i,j)；步骤s23，计算所述基本数据组b(i,j)中每个元素在所述基本数据组b(i,j)中出现的一次组内概率pb(i,j)＝[pb(i,1),pb(i,2),...,pb(i,j)]；步骤s24，根据所述基本数据组b(i,j)和所述一次组内概率pb(i,j)对第i个传感器第j次的测量数据进行修正，得到所有传感器的修正后数据x＝[x1,x2,...,xn]，其中xi＝[xi(1),xi(2),…,xi(m)]为第i个传感器的修正后数据。在本发明多传感器数据加权融合方法另一实施例中，所述计算所述多个传感器中不同传感器间数据融合的传感器间融合权重包括：步骤s31，计算所述多个传感器中每个传感器的所述修正后数据的均值exi和方差dxi；步骤s32，计算不同传感器数据融合的传感器间融合权重w＝[w1,w2,…,wn]，其中表示第i个传感器的数据融合权重。在本发明多传感器数据加权融合方法另一实施例中，所述基于所述修正后数据和所述传感器间融合权重进行二次加权融合，以获取最终融合结果包括：步骤s41，将所述多个传感器的所述修正后数据和所述传感器间融合权重进行一次融合，得到一次融合数据组z＝[z1,z2,…,zm]＝wxt；步骤s42，获取所述一次融合数据组z的均值ez和方差dz；步骤s43，计算所述一次融合数据组z中每个元素在所述一次融合数据组z中出现的二次组内概率pz＝[pz1,pz2,…,pzm]；步骤s44，将所述一次融合数据组z和所述二次组内概率pz进行二次数据融合，获得数据融合的最终融合结果y＝(pz)zt。本发明的有益效果是：本发明公开了一种用于分布式多传感器检测系统的多传感器数据加权融合方法，该方法首先对每个传感器的实际测量数据进行滤波修正，提高单传感器测量数据的可信度，其次基于修正后数据获取传感器间的数据融合权重，提高数据融合权重分配的合理性，最后利用修正数据和基于修正数据获取的传感器间数据融合权重进行多传感器数据的加权融合，因此，利用本发明的数据加权融合方法得到的分布式多传感器融合结果更接近实际情况，可信度更高。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是本发明对传感器数据进行滤波修正的方法的一实施例的流程图；图3是本发明计算多个传感器中不同传感器间数据融合的传感器间融合权重的方法的一实施例的流程图；图4是本发明对多传感器数据进行二次加权融合的方法的一实施例的流程图；图5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。在图1中，所述方法包括：步骤s1，对所述多个传感器中的每个传感器数据进行滤波修正，得到所述多个传感器的修正后数据。在该步骤中，基于某一个传感器的测量数据，分别对该传感器的所有测量数据进行修正，得到该传感器所有测量的修正后数据，以此类推，得到所有传感器的修正后数据。步骤s2，计算所述多个传感器中不同传感器间数据融合的传感器间融合权重。在该步骤中，基于步骤1得到的所有传感器的修正后数据，计算不同传感器间数据融合的权重。步骤s3，基于所述修正后数据和所述传感器间融合权重进行二次加权融合，以获取最终融合结果。在该步骤中，基于步骤s1得到的所有传感器的修正后数据和步骤s2得到的不同传感器间数据融合的传感器间融合权重，进行数据的二次融合，获得最终融合结果。从上述内容可知，本发明的数据加权融合方法，其首先对每个传感器的实际测量数据进行滤波修正，提高单传感器测量数据的可信度，其次基于修正后数据获取传感器间的数据融合权重，提高数据融合权重分配的合理性，最后利用修正数据和基于修正数据获取的传感器间数据融合权重进行多传感器数据的加权融合，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。图2是本发明对传感器数据进行滤波修正的方法的一实施例的流程图。在图2中，所述方法包括：步骤s21，设定传感器数据为所述多个传感器中第i个传感器第j次的测量数据，其中1≤i≤n,n为所述多个传感器的个数，1≤j≤m,m为所述多个传感器中每个传感器的总测量次数；获取所述多个传感器中每个传感器的所有基本数据组其中b(i,j)表示第i个传感器的第j个基本组；步骤s22，计算每个所述基本数据组b(i,j)的均值eb(i,j)和方差db(i,j)；步骤s23，计算所述基本数据组b(i,j)中每个元素在所述基本数据组b(i,j)中出现的一次组内概率pb(i,j)＝[pb(i,1),pb(i,2),...,pb(i,j)]；步骤s24，根据所述基本数据组b(i,j)和所述一次组内概率pb(i,j)对第i个传感器第j次的测量数据进行修正，得到所有传感器的修正后数据x＝[x1,x2,...,xn]，其中xi＝[xi(1),xi(2),…,xi(m)]为第i个传感器的修正后数据。具体地，在本发明中，设某分布式检测系统中有n部相互独立的传感器对某待测对象参数进行测量，其量测方程为：式(1)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。且由式(1)可知，该传感器的测量数据服从均值为xi、方差为的高斯分布，即对于第i部传感器第k次的测量数据将第k次之前以及第k次该传感器的k个测量数据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：然后，计算第i部传感器第k次之前以及第k次该传感器的k个测量数据中每个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(1≤j≤k)次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次该传感器的k个量测值的均值和标准差。则第i部传感器第j次测量数据在本组内所有测量数据中出现的概率为：最后，对第i部传感器第k次的测量数据进行修正，并重复上述步骤，直至将第i部传感器所有测量数据以及所有传感器的测量数据都进行修正。图3是本发明计算多个传感器中不同传感器间数据融合的传感器间融合权重的方法的一实施例的流程图。在图3中，该方法包括：步骤s31，计算所述多个传感器中每个传感器的所述修正后数据的均值exi和方差dxi；步骤s32，计算不同传感器数据融合的传感器间融合权重w＝[w1,w2,…,wn]，其中表示第i个传感器的数据融合权重。具体地，假设第i部传感器在规定时间内共获取m个测量数据(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(10)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的方差最小图4是本发明对多传感器数据进行二次加权融合的方法的一实施例的流程图，该方法包括：步骤s41，将所述多个传感器的所述修正后数据和所述传感器间融合权重进行一次融合，得到一次融合数据组z＝[z1,z2,…,zm]＝wxt；步骤s42，获取所述一次融合数据组z的均值ez和方差dz；步骤s43，计算所述一次融合数据组z中每个元素在所述一次融合数据z中出现的二次组内概率pz＝[pz1,pz2,…,pzm]；步骤s44，将所述一次融合数据组z和所述二次组内概率pz进行二次数据融合，获得数据融合的最终融合结果y＝(pz)zt。具体地，首先，利用传感器修正数据及不同传感器间数据融合的权重按照公式(11)进行加权融合。然后，将融合数据作为一组构成一次融合数据组，计算该数据组的均值、方差，以及该组内各元素进行数据融合的二次组内概率，然后进行加权融合获取数据融合的最终结果。其中，所述计算该组内各元素进行数据融合的二次组内概率的方法和计算某个传感器第m次测量数据修正时计算各个元素在组内出现概率的方法相同。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一实施例。假设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，其中，表1是各传感器对恒温箱的多个测量值。表1各传感器对恒温箱的6个测量值(1)将不同传感器当前测量与历史测量数据作为一基本数据组，计算传感器该数据组的均值和方差。对于传感器s1：由于第一次测量前没有测量数据，因此，传感器s1第一基本数据组的均值为其测量值899.5，方差为0；由于第二次测量前有第一次测量，将第一次与第二次测量值作为第二基本数据组，通过公式(3)和公式(4)可得，传感器s1第二基本数据组的均值为902.4，方差为16.82；同理，可以计算出传感器s1第三、第四、第五以及第六基本数据组的均值和方差。表2是传感器s1六个基本数据组的均值和方差。表2传感器s1六个基本数据组的均值和方差按照以上的步骤，可以计算出传感器s2和传感器s3第一至第六基本数据组的均值和方差。表3是传感器s2和传感器s3六个基本数据组的均值和方差。表3传感器s2和传感器s3六个基本数据组的均值和方差(2)在步骤(1)的基础之上，计算该传感器相应基本数据组内每个测量数据在组内所有测量数据中出现的概率。对于传感器s1：由于第一次测量前没有测量数据，第一基本数据组的方差为0，因此，第一次测量数据在第一基本数据组内所有测量数据中出现的概率为1；由于第二次测量前有第一次测量，依据公式(5)及公式(6)可得，传感器s1第二基本数据组中第一次以及第二次测量数据在第二基本数据组内所有测量数据中出现的概率为同理，可以计算出传感器s1第三、第四、第五以及第六基本数据组中每个测量数据在相应组内所有测量数据中出现的概率,表4是传感器s1六个基本数据组中每个测量数据在相应组内所有数据中出现的概率。表4传感器s1六个基本数据组中每个测量数据在相应组内所有数据中出现的概率按照以上的步骤，可以计算出传感器s2和传感器s3第一至第六基本数据组内每个测量数据在相应组内所有数据中出现的概率，其中表5是传感器s2六个基本数据组中每个测量数据在相应组内所有数据中出现的概率，表6是传感器s3六个基本数据组中每个测量数据在相应组内所有数据中出现的概率。表5传感器s2六个基本数据组中每个测量数据在相应组内所有数据中出现的概率表6传感器s3六个基本数据组中每个测量数据在相应组内所有数据中出现的概率(3)在步骤(2)的基础之上，对该传感器基本数据组内的当前测量数据进行修正，并重复步骤1、2，直至对该所有传感器所有测量数据进行修正。对于传感器s1：依据公式(7)可得，第一次测量修正后的数据为899.5；第二次测量修正后的数据为899.5×0.5+905.3×0.5＝902.4。同理，可以计算出传感器s1第三次、第四次、第五次以及第六次测量修正后的数据，表7是传感器s1所有测量数据的修正后数据。表7传感器s1所有测量数据的修正后数据按照以上的步骤，可以计算出传感器s2和传感器s3每次测量的修正数据，表8传感器s2和传感器s3所有测量数据的修正后数据。表8传感器s2和传感器s3所有测量数据的修正后数据(4)在步骤(3)的基础之上，计算不同传感器间数据融合的权重。依据公式(8)，计算不同传感器所有修正数据的均值和方差，表9是不同传感器所有修正后数据的均值和方差。表9不同传感器所有修正后数据的均值和方差传感器s1s2s3均值901.0857890.8015899.6151方差1.185620.42173.4289则传感器s1参与数据融合的传感器间融合权重为传感器s2参与数据融合的传感器间融合权重为传感器s3参与数据融合的传感器间融合权重为(5)在步骤(4)的基础之上，利用传感器修正后数据及不同传感器间数据融合的传感器间融合权重进行加权融合。依据公式(11)可得融合数据组为：(6)在步骤(5)的基础之上，计算融合数据组y的均值、方差、以及该数据组y内各元素进行数据融合的二次组内概率，然后进行加权融合获取数据融合的最终结果。依据公式(3)和公式(4)可得融合数据组y的均值为900.2982、方差为1.0241。依据公式(5)和公式(6)可得数据y中每个数据在所有数据中出现概率，表10是融合数据组y中每个数据在组内所有数据中出现的二次组内概率，其中在计算融合数据组y中每个数据在所有数据中出现的二次组内概率的方法和计算传感器s1、s2、s3中第6基本数据组中每个数据在组内出现的一次组内概率的方法一致。表10融合数据组中每个数据在组内所有数据中出现的二次组内概率数据898.7607901.6072900.9032900.7955900.0160899.7063概率0.07380.10130.19560.20730.22500.1971依据公式(9)可得数据融合的最终结果为900.3587。图5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。在图5中，所述方法包括：步骤s51，将每个传感器当前测量数据和该当前测量数据之前的所有历史测量数据作为一个基本组，计算该传感器所述基本组测量数据的均值和方差。具体地，假设n部相互独立的传感器对某待测对象参数进行测量，其量测方程为：式(12)中，为第i部传感器第k次获取的参数测量值，xi为参数的真实值，δi(k)为第i部传感器第k次的量测噪声，其服从均值为零、方差为的高斯分布，即其中k≥1。由式(12)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个测量值作为一个基本数据组进行统计分析。依据概率密度函数的概念可得，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：步骤s52，计算该传感器所述基本组内每个测量数据在所述基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(1≤j≤k)次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次该传感器的k个量测值的均值和方差。则第i部传感器第j次测量数据在本组内所有测量数据中出现的概率为：步骤s53，对该传感器本组内所述当前测量数据进行修正，得到该传感器当前测量修正后的数据。在上述步骤的基础之上，对第i部传感器第k次的测量数据进行修正。步骤s54，计算不同传感器间所述当前测量修正后数据的传感器间融合权重。将第i部传感器第k次之前以及第k次的k个修正值作为一组，依据公式(14)和公式(15)可得第i部传感器第k次之前以及第k次的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(20)中融合结果可表示为：从式(21)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s55，基于不同传感器的所述当前测量修正后的数据和所述传感器间融合权重进行加权融合，得到当前测量修正后的融合数据。利用传感器第k次测量的修正后数据及不同传感器间第k次数据融合的权重进行第k次的加权融合。步骤s56，判断传感器的所有测量数据是否全部修正完，若不是，则将传感器的下一个未修正测量数据作为当前测量，执行步骤s51；否则执行步骤s57。步骤s57，将所有测量修正后数据的融合数据组合为一次融合数据组，计算所述一次融合数据组中每个数据在所述一次融合数据组内所有数据中出现的二次组内概率，基于所述一次融合数据组和所述二次组内概率，进行二次加权融合，得到数据融合的最终结果。从上述内容可知，本发明的多传感器数据加权融合方法，其首先对每个传感器的实际测量数据进行滤波修正，提高单传感器测量数据的可信度，其次基于修正后数据获取传感器间的数据融合权重，提高数据融合权重分配的合理性，最后利用修正数据和基于修正数据获取的传感器间数据融合权重进行多传感器数据的加权融合，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。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一实施例。假设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，所述表1是各传感器对恒温箱的6个测量值。则使用本发明多传感器数据加权融合方法包括：(1)将不同传感器当前测量数据与历史测量数据作为一个基本数据组，计算传感器该基本数据组的均值和方差。对于第一次测量：由于第一次测量前没有测量数据，因此，传感器s1第一基本数据组的均值为其测量值899.5，方差为0；传感器s2第一基本数据组的均值为其测量值898.3000，方差为0；传感器s3第一基本数据组的均值为其测量值896.7000，方差为0；此时，依据公式(22)，可得第一次测量的融合值为898.1667。对于第二次测量：由于第二次测量前有第一次测量，将第一次与第二次测量数据作为第二基本数据组，依据公式(14)和公式(15)可得，传感器s1第二基本数据组的均值为902.4、方差为16.82，传感器s2第二基本数据组的均值为887.1000、方差为250.8800，传感器s3第二基本数据组的均值为901.7500、方差为51.0050。(2)在步骤(1)的基础之上，计算该传感器所述基本组内某一测量数据在所述基本组内所有测量数据中出现的概率。依据公式(16)和公式(17)可得传感器s1第一次以及第二次测量值在第二基本数据组内所有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基本数据组内所有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基本数据组内所有数据中出现的概率分别是0.5和0.5。(3)在步骤(2)的基础之上，对该传感器所述基本组内的当前测量数据进行修正。依据公式(18)可得传感器s1第二次测量数据的修正值是899.5×0.5+905.3×0.5＝902.4，传感器s2第二次测量数据的修正值是887.1000，传感器s3第二次测量数据的修正值是901.7500。(4)在步骤(3)的基础之上，计算不同传感器间所述当前测量修正后数据的融合权重。依据式(20)可得传感器s1第二次测量修正后数据的融合权重是0.7159，传感器s2第二次测量修正后数据的融合权重是0.0480，传感器s3第二次测量修正后数据的融合权重是0.2361。(5)在步骤(4)的基础之上，基于不同传感器的所述当前测量修正后的数据和所述融合权重进行加权融合，得到当前测量修正后的一次融合数据。依据公式(22)可得三部传感器第二次测量修正后数据的融合结果为：y(2)＝0.7159×902.4+0.048×887.1+0.2361×901.75＝901.5122(6)重复步骤1、2、3、4、5，直至完成不同传感器所有观测数据的融合。按照上述步骤1、2、3、4、5的计算过程，可得三部传感器第三次、第四次、第五次以及第六次测量修正后数据的融合结果，表11是所有传感器间6次测量修正后的融合数据。表11所有传感器间6次测量修正后的融合数据测量次数123456融合数据898.1667901.5122900.8111900.8085900.0013899.7063(7)在步骤(6)的基础之上，将所有测量修正后的融合数据作为一次融合数据组，计算所述一次融合数据组内每个数据在组内所有数据中出现的二次组内概率，基于所述一次融合数据组和所述组内每个数据在组内所有数据中出现的二次组内概率，进行二次加权融合，得到数据融合的最终结果。依据公式(14)和公式(15)可得所述所有测量修正后一次融合数据组的均值为900.1677、方差为1.3754。依据公式(16)和公式(17)可得所述一次融合数据组中每个数据在组内所有数据中出现的二次组内概率，表12为一次融合数据组中每个数据在组内所有数据中出现的二次组内概率。其中在计算所述一次融合数据组中每个数据在所述组内出现概率的计算方法和计算传感器s1、s2、s3中第6基本数据组内每个数据在组内所有数据中出现的概率的方法一致。表12一次融合数据组中每个数据在组内所有数据中出现的二次组内概率数据898.1667901.5122900.8111900.8085900.0013899.7063概率0.05310.11810.19600.19630.22560.2109依据公式(18)可得最终融合数据为900.3372。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实际测量数据进行滤波修正，提高单传感器测量数据的可信度，其次基于修正后数据获取传感器间的数据融合权重，提高数据融合权重分配的合理性，最后利用修正数据和基于修正数据获取的传感器间数据融合权重进行多传感器数据的加权融合，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：
，均包括在本发明的专利保护范围内。当前第1页12