一种多传感器异步信息融合方法及系统

1.本发明属于多传感器信息融合技术领域，具体涉及一种多传感器异步信息融合方法及系统。


背景技术：

2.随着自动化程度的提高，传感器稳定性需求急剧增加，传统单一的传感器无法支持系统需求，尤其在自动驾驶领域中更为显著。随着人工智能近年来的快速发展，多传感器信息融合得到快速的发展，这些多传感器系统逐渐发展变得更加强大并在越来越多的情况下控制着智能设备。
3.已有的多传感器信息融合方法是基于同步条件假设完成的，且都有独特的使用场景，例如传感器信息的异步性或者丢包等情况，这些都严重影响数据融合结果，无法解决实际应用中遇到的实时融合挑战。


技术实现要素：

4.本发明的目的在于提供一种多传感器异步信息融合方法及系统，旨在解决多传感器异步数据下的高性能融合的问题，同时弥补现有技术的不足。
5.一种多传感器异步信息融合方法，包括以下步骤：
6.s1，将采集的多传感器的原始数据信息进行滤波核信息提取；
7.s2，根据提取的滤波核信息计算聚类簇的个数k，然后对聚类簇的个数k进行分析计算，将计算得到的每个聚类簇的中心数据信息进行加权组合求解后及进行信息融合，即可完成多传感器异步信息融合。
8.优选的，提取的滤波核信息包括滤波核高度l、中心位ck、滤波核宽度δt，其中滤波核宽度δt根据实际情况进行设定，中心位ck为所有原始数据信息数据的中心点，d＝{s1,s2,
…
,sn}为传感器数据集合，滤波核高度l由下式计算：
9.l＝mean(max(si)-min(si)),
10.优选的，将单个t时刻的滤波核信息数据投影到单个特征轴形成集合d
p
，并将集合d
p
划分为λ个组并进行组间元素数量求和：
[0011][0012]dp
＝{s
p
(1),s
p
(2),
…
,s
p
(λ)}
[0013]
式中s
p
(λ)＝sum(d
p
)，因此得到了λ个标量组成的集合
[0014][0015]
利用最大可能准则对进行选择，得到通过反解方程式求解概率密度值y的逆函数值，即可得到k-means所需的k值。
[0016]
优选的，采用k-means方法将等待聚类的数据集分为k个聚类，ωi表示第j个簇的元素，mj＝|ωj|代表ωj类中的元素个数，因此有d＝{ω1,ω2,
…
,ωj},j≤k，聚类后的每个
簇的中心为ck：
[0017][0018][0019]
重复上述步骤直至迭代收敛或者达到稳定不变的误差e
min
即可得到每个聚类簇的中心数据信息ωj。
[0020]
优选的，对得到的每个聚类簇的中心数据信息进行加权融合：
[0021][0022]
式中w为权值向量，为各个传感器出厂的精确度，c＝{c1,c2,
…
,ck}，t为时间戳。
[0023]
一种多传感器异步信息融合系统，包括多传感器采集模块、传输模块和融合中心模块；
[0024]
多传感器采集模块用于采集多传感器的原始数据信息，并将采集的多传感器的原始数据信息通过传输模块传输至融合中心模块；
[0025]
融合中心模块对获取的原始数据信息进行滤波核信息提取，根据提取的滤波核信息计算聚类簇的个数k，然后对聚类簇的个数k进行分析计算，将计算得到的每个聚类簇的中心数据信息进行加权组合求解后及进行信息融合，即可完成多传感器异步信息融合。
[0026]
优选的，融合中心模块包括计算单元模块、k-means聚类模块、k值判定模块和滤波核模块；
[0027]
滤波核模块用于计算原始数据信息的滤波核信息；
[0028]
k-means聚类模块用于根据滤波核信息计算聚类簇的个数k；
[0029]
k-means聚类模块用于根据聚类簇的个数k进行聚类分析，并将每个类的中心数据信息传递到计算单元模块，利用计算单元模块对聚类各簇中心位置进行加权组合求解并完成多传感器信息融合。
[0030]
优选的，滤波核信息包括滤波核高度l、中心位ck、滤波核宽度δt。
[0031]
优选的，将单个t时刻的滤波核信息数据投影到单个特征轴形成集合d
p
，并将集合d
p
划分为λ个组并进行组间元素数量求和：
[0032][0033]dp
＝{s
p
(1),s
p
(2),
…
,s
p
(λ)}
[0034]
式中s
p
(λ)＝sum(d
p
)，因此得到了λ个标量组成的集合
[0035][0036]
利用最大可能准则对进行选择，得到概率密度值通过反解方程式求解概率密度值y的逆函数值，即可得到k-means所需的k值。
[0037]
优选的，采用k-means方法将等待聚类的数据集分为k个聚类，ωi表示第j个簇的元素，mj＝|ωj|代表ωj类中的元素个数，因此有d＝{ω1,ω2,
…
,ωj},j≤k，聚类后的每个簇的中心为ck：
[0038][0039][0040]
重复上述步骤直至迭代收敛或者达到稳定不变的误差e
min
即可得到每个聚类簇的中心数据信息ωj。
[0041]
与现有技术相比，本发明具有以下有益的技术效果：
[0042]
本发明一种多传感器异步信息融合方法，通过将采集的多传感器的原始数据信息进行滤波核信息提取，利用滤波核信息计算聚类簇的个数k，然后以聚类簇的个数k为基础，对聚类簇的个数k进行分析计算，将计算得到的每个聚类簇的中心数据信息进行加权组合求解后及进行信息融合，完成多传感器异步信息融合，本发明根据多传感器的原始数据信息的滤波核信息进行聚类分析，能够有效避免传感器信息异步或者丢包等情况，然后以聚类簇的个数k为基础进行分析计算，得到每个聚类簇的中心数据信息，确保了信息融合的稳定性，降低了融合的难度，解决了实际应用中实时多传感器难融合的问题。
[0043]
进一步的，以滤波核高度、中心位和滤波核宽度作为滤波核信息，获取方便，作为基础融合准确度高。
附图说明
[0044]
图1为本发明实施例中系统结构示意图。
具体实施方式
[0045]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0046]
一种多传感器异步信息融合方法，包括以下步骤：
[0047]
s1，将采集的多传感器的原始数据信息进行滤波核信息提取；
[0048]
s2，根据提取的滤波核信息计算聚类簇的个数k，然后对聚类簇的个数k进行分析计算，将计算得到的每个聚类簇的中心数据信息进行加权组合求解后及进行信息融合，即可完成多传感器异步信息融合。
[0049]
多传感器的原始数据信息通过多传感器直接采集获取。
[0050]
提取的滤波核信息包括滤波核高度l、中心位ck、滤波核宽度δt，
[0051]
其中滤波核宽度δt根据实际情况进行设定，中心位ck为所有原始数据信息数据的中心点，d＝{s1,s2,
…
,sn}为传感器数据集合，滤波核高度l由下式计算：
[0052]
l＝mean(max(si)-min(si)),
[0053]
根据提取的滤波核信息计算聚类簇的个数k具体过程：
[0054]
将单个t时刻的滤波核信息数据投影到单个特征轴(y轴)形成集合d
p
，并将集合d
p
划分为λ个组并进行组间元素数量求和，其数学模型如下：
[0055][0056]dp
＝{s
p
(1),s
p
(2),
…
,s
p
(λ)}
[0057]
式中s
p
(λ)＝sum(d
p
)，因此得到了λ个标量组成的集合
[0058][0059]
利用最大可能准则对进行选择，得到因为传感器噪声点满足泊松分布，通过反解方程式求解概率密度值y的逆函数值，即可得到k-means所需的k值。
[0060]
对聚类簇的个数k进行分析计算：
[0061]
设代表一个等待聚类的数据集，采用k-means方法将等待聚类的数据集分为k个聚类，ωi表示第j个簇的元素，mj＝|ωj|代表ωj类中的元素个数，因此有d＝{ω1,ω2,
…
,ωj},j≤k，聚类后的每个簇的中心为ck，k-means被描述为最小化下面的目标函数：
[0062][0063][0064]
重复上述步骤直至迭代收敛或者达到稳定不变的误差e
min
即可得到每个聚类簇的数据信息ωi。
[0065]
对得到的每个聚类簇的中心数据信息进行加权融合，完成整个聚类结果的计算合成，通过加权均值的方法可得到最终结果，如下式：
[0066][0067]
式中w为权值向量，为各个传感器出厂的精确度，c＝{c1,c2,
…
,ck}，t为时间戳。
[0068]
实施例
[0069]
如图1所示，一种多传感器异步信息融合系统，包括多传感器采集模块(加速度计)1，传输模块(wifi)2和融合中心模块(计算机)3，融合中心模块包括计算单元模块(cpu)31，k-means聚类模块32，k值判定模块(mfc)33和滤波核模块34；
[0070]
多传感器采集模块(加速度计)1用于获取多传感器的原始数据信息，将获取的原始数据信息通过传输模块(wifi)2(有线网络或者无线网络)传输至融合中心模块(计算机)3；
[0071]
融合中心接收到传输模块(wifi)2上传的原始传感器数据信息，利用滤波核模块34获取原始数据信息的滤波核信息，然后通过k值判定模块(mfc)33得到聚类簇的个数k，然后传递k值到k-means聚类模块32，k-means聚类模块32进行聚类分析，并将每个类的中心数据信息传递到计算单元模块(cpu)31，最后计算单元模块(cpu)31对聚类各簇中心位置进行加权组合求解并完成多传感器信息融合。
[0072]
多传感器采集模块(加速度计)1用于多传感器的原始数据的采集，传输模块(wifi)2用于原始数据的传输，融合中心模块(计算机)3得到数据集并进行融合计算。
[0073]
滤波核模块34用于进行局部的信息提取，包括滤波核高度l、中心位ck、滤波核宽度δt三个参数。δt根据实际情况进行人为设定，ck为所有数据的中心点，定义d＝{s1,s2,
…
,sn}为传感器数据集合，l由下式计算：
[0074]
l＝mean(max(si)-min(si)),
[0075]
k值判定模块(mfc)33进行k-means聚类簇的个数k：
[0076]
首先将单个t时刻的滤波核数据投影到单个特征轴(y轴)形成集合d
p
，并划分为λ个组并进行组间元素数量求和，其数学模型如下：
[0077][0078]dp
＝{s
p
(1),s
p
(2),
…
,s
p
(λ)}
ꢀꢀ
(6)
[0079]
式中s
p
(λ)＝sum(d
p
)，因此得到了λ个标量组成的集合
[0080][0081]
利用最大可能准则(maximal feasible criterion，mfc)对采用进行选择，即因为传感器噪声点满足泊松分布，通过方程式求解概率密度值y的逆函数值，可得到k-means所需的k值。
[0082]
k-means聚类模块采用k-均值聚类方法聚类簇的个数k进行分析计算：
[0083]
让代表一个等待聚类的数据集，设k-means将其分为k个聚类，ωi表示第j个簇的元素，mj＝|ωj|代表ωj类中的元素个数，因此有d＝{ω1,ω2,
…
,ωj},j≤k，聚类后的每个簇的中心为ck，k-means可以被描述为最小化下面的目标函数。
[0084][0085][0086]
重复上述步骤直至迭代收敛或者达到稳定不变的误差e
min
即可得到每个聚类簇的中心数据信息ωj。
[0087]
计算单元模块(cpu)31完成整个聚类结果的计算合成，通过加权均值的方法可得到最终结果，如下式：
[0088][0089]
式中w为权值向量，为各个传感器出厂的精确度，c＝{c1,c2,
…
,ck}，t为时间戳。
[0090]
以上描述仅为本技术的较佳实施范例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中涉及的实施范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本技术中公开的但不限于具有类似功能的技术特征进行互相替换而形成的技术。