一种动态多传感器一致性融合算法

刘 杨, 姜礼平



一种动态多传感器一致性融合算法

刘 杨, 姜礼平

(海军工程大学兵器工程系, 湖北武汉, 430033)

针对现有一致性融合算法在处理时变系统的状态估计时, 不能准确度量传感器的一致性和可靠性, 且传感器一致性均值和可靠性度量存在“数据饱和”和“历史信息浪费”等问题, 将一致性均值和方差的计算转化为时变参数估计问题, 引入一致性衰减因子和方差衰减因子, 更为客观地度量传感器的一致性和可靠性, 实现传感器融合权重的动态调整, 从而将一致性融合算法推广应用到时变系统。仿真结果表明, 该方法可更为合理地分配各传感器的融合权重, 改善一致性融合算法的性能。

数据融合; 一致性; 可靠性; 衰减因子

0 引言

多传感器数据融合可将多个同质或不同质传感器的数据进行综合处理, 得到了比单个传感器更为准确可靠的结论。但在复杂环境(如战场环境)中的传感器数据往往不精确、不完整、不可靠, 这种信息的不确定性给信息融合带来了严重考验。经典的最优融合估计依赖于精确的系统模型、噪声统计特性甚至相应的概率分布, 这在工程实践中往往难以满足。因此, 在缺乏先验知识的情况下, 基于一致性理论的多传感器数据融合引起人们广泛的研究兴趣。通过构建统计距离、置信距离、支持度矩阵等方法挖掘量测数据中蕴含的传感器一致性和可靠性信息, 从而确定各传感器的融合权重, 可摆脱对先验信息的依赖, 获得次优估计。但现有的一致性融合方法多针对定常系统的状态估计, 不适用于传感器性能随时间波动较大(传感器一致性为时变参数)的场合。文献[7]即提出“数据饱和”问题——新数据提供的信息容易被淹没在历史数据信息中, 使得算法失去对错误数据的修正能力, 并针对该问题提出采用2个时刻的传感器数据构造融合算法, 提高了算法的灵敏性, 但也浪费了大量的历史信息。

本文针对“数据饱和”和“历史信息浪费”问题, 从时变参数的最优估计出发, 引入传感器一致性衰减因子和一致性方差衰减因子, 更为客观的度量传感器的一致性和可靠性, 动态调整传感器数据融合权重, 使得一致性融合算法也可应用到时变状态的融合估计中。

1 一致性融合算法

一致性理论最早应用在统计学和管理学中, 是专门在某一组专家中寻找一致意见的研究领域, 目的在于合并贝叶斯决策理论基础上所得决策, 并给这些决策一个总结性处理。一致性理论的原理与数据融合非常相似, 其中的汇集函数相当于融合函数。Benediktsson早在1992年提出了基于一致性理论的数据融合方法, 并运用在目标分类识别上。

设有个传感器对目标进行跟踪,时刻传感器的状态估计为。一致性融合方法首先定义一种支持度来衡量传感器输出间的支持程度,个传感器间的支持程度可由支持度矩阵描述

在支持度矩阵的基础上计算传感器的一致性测度

文献[9]考虑传感器的“综合一致性”和“可靠性”, 设计映射函数

(5)

(6)

文献[7]针对“数据饱和”问题, 采用当前时刻和前一时刻的一致性度量来确定传感器当前时刻的一致性均值

采用当前时刻和前一时刻的一致性度量的协方差绝对值度量传感器的“可靠性”。仿真结果表明,该方法可有效提高算法的灵敏度, 在传感器出现故障和故障消除时能及时调整传感器的融合权重。但仅采用当前时刻和前一时刻的一致性测度信息, 浪费了大量的历史数据信息, 不能准确估计传感器的一致性和可靠性, 使得传感器融合权重波动过于剧烈, 或影响算法的融合性能。

文献[3,12]利用“支持度矩阵”存在正的最大特征值的性质, 求得对应的正特征值向量, 进行标准化后得到传感器融合权重, 本质上也仅采用了当前时刻的一致性信息, 浪费了历史信息。

2 动态一致性融合算法设计

在针对时变系统的数据融合问题中, 传感器的一致性是时变参数, 对应的一致性均值和方差也应是时变的。由上一小节的分析可以看出, 现有一致性融合算法在处理时变系统的状态估计时, 不能准确度量传感器的一致性和可靠性, 实现传感器权重的动态调整。对于时变参数的估计, 一般有2种基本思路: 一是固定历史数据的窗口长度, 采用有限个历史数据进行参数估计; 二是引入历史数据权重衰减因子, 历史数据的权重随着新旧程度而变化。

本文借鉴文献[7,9]的思路, 考虑传感器的“综合一致性”和“可靠性”设计融合加权算法, 并分别用一致性测度序列当前时刻的均值和方差来度量。引入一致性均值衰减因子和方差衰减因子, 分别对一致性序列当前时刻的一致性均值和方差进行估计。

其递推形式为

(9)

可通过控制的大小来确定历史量测信息对当前传感器一致性均值的影响。越大, 历史量测信息对当前传感器一致性均值的影响衰减越快,越小, 历史量测信息对当前传感器一致性均值的影响衰减越慢, 当=1时, 式(9)即为式(5), 历史量测对当前传感器融合权重的影响权重相同。

类似可确定一致性度量序列的方差计算

一致性均值和方差到传感器“一致可靠测度”的映射采用双线性函数

个传感器的融合加权公式

3 仿真分析

现有4部雷达对1个空中目标飞行速度进行观测, 目标飞行速度为100 m/s, 观测时间200 s, 测量噪声服从均值为0,方差为的高斯分布。且。已知雷达4在51~100 s及151~ 200 s受到干扰, 在51~100 s测量方差变为, 在151~200 s时则产生20 m/s的固定偏差。

选取文献[7]、文献[9]和本章方法比较。为比较各方法融合性能, 定义融合绝对误差均值

在融合估计均为无偏估计时, 融合估计误差方差是衡量融合估计对于系统状态真值离散程度的一个很好的指标。定义融合估计误差方差

(14)

各方法的融合结果如表1所示。

表1 各方法的融合结果

从表1可看出, 本文方法的融合估计绝对误差均值和估计误差方差均小于文献[7,9]提出的方法。由于本文的融合算法采用了和文献[9]相同的一致性均值和方差到传感器“一致可靠测度”的映射, 因此本文融合算法的优化体现在对一致性均值和方差更为准确的度量上, 验证了本文提出的改进措施是有效的。雷达4在各方法下的权重分配如图1所示。可看到文献[9]方法出现了“数据饱和”问题: 分配给雷达4的权重趋于常值, 即使在出现较大干扰的51~100 s, 151~200 s, 雷达4的权重也没有得到及时调整。而文献[7]方法则对数据的变化过于敏感, 权重值波动剧烈, 且浪费了一定的历史信息, 融合性能并不好。本文方法在雷达4工作正常时, 保持相对稳定的权重分配, 在雷达受到干扰时, 及时的辨识出一致可靠性较差的数据, 及时调整雷达融合权重, 但不致权重波动过于剧烈, 保证了算法的稳定性和灵敏性。

4 结束语

在实际数据融合问题中, 掌握准确的噪声统计特性进行最优融合估计往往难以实现, 挖掘传感器数据本身蕴含的一致性信息和可靠性信息进行一致性融合估计则有良好的应用前景。本文针对现有一致性融合算法仅适用于定常系统的问题, 引入衰减因子, 更为合理地度量了传感器时变的一致性和可靠性, 避免“数据饱和”, 实时调整传感器的融合权重, 实现了动态多传感器一致性融合, 推广了一致性融合算法的应用范围。

[1] 王婷杰, 施惠昌．一种基于模糊理论的一致性数据融合方法[J]．传感器技术, 1999, 18(6): 50-53．Wang Ting-Jie, Shi Hui-Chang. Consensus Data Fusion Me- thod Based on Fuzzy Theory[J]. Sensor Technology, 1999, 18(6): 50-53．

[2] 段战胜, 韩崇昭, 陶唐飞. 基于最近统计距离的多传感器一致性数据融合[J]. 仪器仪表学报, 2005, 26(5): 478-481．

Duan Zhan-sheng, Han Chong-zhao, Tao Tang-fei. Consistent Multi-sensor Data Fusion Based on Nearest Statistical Distance[J]. Chinese Journal of Scientific Instrument, 2005, 26(5): 478-481．

[3] 危遂薏, 刘桂雄．一种同质的多传感器融合新算法[J]．传感器技术, 2004, 23(8): 61-62．Wei Sui-Yi, Liu Gui-xiong. Novel Arithmetic of Similar Multi-sensor Data Fusion[J]. Journal of Transducer Technology, 2004, 23(8): 61-62．

[4] Luo R C. Multi-sensor Fusion and Integration: Approaches, Applications, and Future Research Directions[J]．IEEE Sen- sors Journal, 2002, 2(2): 107-111．

[5] 蒲书缙．复杂环境下目标识别的智能数据融合技术研究[D]．哈尔滨: 哈尔滨工程大学, 2006．

[6] 刁联旺, 王常武, 商建云, 等．多传感器一致性数据融合方法的改进与推广[J]．系统工程与电子技术, 2002, 24(9): 60-63.Diao Lian-wang, Wang Chang-wu, Shang Jian-yun, et al. Improved and Generalized Consensus Data Fusion Method [J]. Systems Engineering and Electronics, 2002, 24(9): 60- 63.

[7] 张鹏, 张建业, 王占磊, 等．基于邻近量测认知信息的多传感器融合估计[J]. 计算机工程, 2012, 38(8): 1-3．Zhang Peng, Zhang Jian-ye, WangZhan-lei, et al. Multi- sen- sor Fusion Estimation Based on Adjacent Measurement Cognitive Information[J]. Computer Engineering, 2012, 38 (8): 1-3．

[8] 杨宝强, 孙勇, 徐明．基于支持度的多传感器信息融合算法[J]. 空军工程大学学报(自然科学版), 2007, 8(2): 33- 35．

[9] 刘敏华, 萧德云. 基于相似度的多传感器数据融合[J]．控制与决策, 2004, 19(5): 534-537．Liu Min-hua, Xiao De-yun. Multi-sensor Data Fusion Based on Similitude Degree[J]. Control and Decision, 2004, 19(5): 534- 537．

[10] 程建兴, 史仪凯．动态加权的一致性多传感器数据融合算法[J]．火力与指挥控制, 2008, 33(8): 75-78．Cheng Jian-xing, Shi Yi-kai. A Novel Consensus Multi-sensor Data Fusion Algorithm Based on Dynamic Weighted[J]. Fire Control and Command Control, 2008, 33(8): 75-78．

[11] 王昕, 张合．一致性多传感器数据融合技术在引信信息融合过程中的应用[J]. 兵工学报, 2004, 23(8): 61-62．

[12] 胡振涛, 刘先省. 一种改进的一致性数据融合算法[J]. 传感器技术, 2005, 24(8): 65-67．Hu Zhen-Tao, Liu Xian-xing. Improved Consensus Data Fusion Algorithm[J]. Journal of Transducer Technology, 2005, 24(8): 65-67．

[13] 王华, 邓军, 王连华, 等．改进的一致性数据融合算法及其应用[J]. 中国矿业大学学报, 2009, 38(4): 590-594．Wang Hua, Deng Jun, Wang Lian-hua, et al. Improved Consensus Data Fusion Algorithm and Its Application[J]. Journal of China University of Mining & Technology, 2009, 38(4): 590-594．

[14] Benediktsson J A, Swain P H. Consensus Theoretic Classification Methods[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1992(22): 688-704．

[15] Benediktsson J A, Sveinsson J R, Swain P H．Hybrid Consensus Theoretic Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997(35): 833-843．

(责任编辑: 杨力军)

A Consensus Data Fusion Algorithm for Dynamic Multi-sensors

,

(Department of Weaponry Engineering, Naval University of Engineering, Wuhan 430033, China)

Existing consensus fusion algorithms can not accurately measure the consensus and reliability of sensor in state estimation of time-varying system, and ‘data saturation’ and ‘waste of history information’ exist in measurement of sensor′s consensus mean value and reliability. In this paper, the calculation of consensus mean value and variance is transformed into the estimation of time-varying parameters, the consensus attenuation factors and variance attenuation factors are employed to measure the consensus and reliability of sensor more objectively, and the dynamic adjustment of sensor fusion weight is realized. Simulation results show that the present approach can reasonably distribute the fusion weights of sensors to optimize the fusion algorithm.

data fusion; consensus; reliability; attenuation factor

TJ630.33;TJ765.3

A

1673-1948(2013)06-0436-04

2013-07-07;

2013-08-15.

国家自然科学基金(6107419).

刘 杨(1987-), 男, 在读博士, 研究方向为目标跟踪与信息融合.