多传感器技术范文（精选12篇）
多传感器技术 第1篇
多传感器数据融合技术是上个世纪七十年代提出的, 最早应用于军事领域。多传感器数据融合技术是对不同地理位置的多个同一类型或者不同类型的传感器所提供的局部数据加以综合处理, 去除传感器中可能存在的矛盾或冗余的数据, 加以修正, 以形成相对完整统一的描述, 提高智能系统决策的正确性和快速性。
为了组织和指导多传感器数据融合技术的研究, 美国在1984年成立了数据融合专家组 (DFS) [1], DFS建立研究多传感器数据融合技术的团体, 组织多传感器数据融合技术相关的专题研讨会, 出版了相关的刊物, 建立了统一参考框架, 为统一数据融合的定义以及推广数据融合的广泛应用做出了极大的贡献。我国对多传感器数据融合技术的研究较晚, 20世纪80年代末期, 国内才陆续出现相关的一些报道。高校和科研院所在政府、军方及基金机构的资助下开始着手从事这一领域的研究工作。
1. 数据融合的层次和分类
经典的信号处理方法都是在同一层次上的信息, 而多传感器数据融合处理多个层次的复杂的数据形式, 因此多传感器数据融合和经典的信号处理方法有着本质上的巨大区别。多传感器数据融合可以出现在完全不同的信息层次上, 不同的层次分别代表对数据不同程度的融合。这些信息抽象层次包括数据层 (像素级) 、特征层和决策层[2]。相应的数据融合也主要有数据级、特征级和决策级融合3种方式, 数据融合级主要包括的方法有HIS变换, PCA变换, 小波变换及加权平均等, 主要应用多源图像复合、图像分析和理解。数据级融合是指在融合算法中, 要求进行融合的传感器数据间具有精确到一个像素的匹配精度的任何抽象层次的融合;特征级融合是指从各只传感器提供的原始数据中进行特征提取, 然后, 融合这些特征, 特征融合级主要方法有加权平均法, 贝叶斯估计法, D-S证据推理法, 聚类分析法, 信息熵法, 表决法及神经网络法;主要用于多传感器目标跟踪领域融合系统。
主要实现参数相关和状态向量估计, 决策级融合是指在融合之前, 各传感器数据源都经过变换并获得独立的身份估计。信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合, 最终得到整体一致的决策[3]。决策融合级主要研究方法有贝叶斯估计法、专家系统、神经网络法、模糊集理论、可靠性理论以及逻辑模板法等, 经过处理的结果可为控制方法与决策策略提供依据。
多传感器数据融合理论因其原理复杂、处理数据类型不同, 涉及到经典和现代的多方面的理论如, 、信号处理、估计理论、最优化理论、神经网络和人工智能、确定性理论模式识别等多种理论。很多学者分别从各自的研究领域提出了多种多传感器数据融合技术方案。主要分为经典方法和现代方法两大类。经典方法有, 最小二乘法, 加权平均法, 贝叶斯估计法, 极大似然估计法, 卡尔曼滤波法, D_S证据理论, 经典推理法, 品质因数法。现代方法有逻辑模板法, 聚类分析法、粗糙集理论, 模糊积分理论, 遗传算法, 神经网络, 模糊逻辑, 表决法, 小波分析理论, 专家系统等方法。
2. 多传感器数据融合技术的主要特征
与经典的信号处理技术相比, 多传感器数据融合技术处理的是更加复杂的信息, 因此也有更多的特征, 下面从多传感器数据融合技术的主要任务、近期研究的核心内容以及多传感器数据融合技术的未来发展进行探讨。
2.1 多传感器数据融合技术的主要任务
多传感器数据融合技术就是把多个在空间或时间上互补或冗余的信息依据某种准则来进行组合[4], 基本上如同人脑处理综合信息一样。具体地说, 多传感器数据融合过程包含数据采集存储、数据提取变换、数据的模式识别、数据关联、数据合成五个过程。
2.2 近期数据融合技术的研究核心内容
通常采用现代方法间的结合或者经典方法与现代方法结合的方式, 现代方法间的集成主要有遗传算法和模糊理论相结合, 模糊理论和神经网络理论由于各种方法之间的互补性, 将2种或2种以上的算法进行有机集成, 往往可以扬长避短, 取得比单纯采用一种算法更优的结果。相结合, 遗传算法和神经网络理论相结合, 遗传小波变换和Kalman滤波相结合, 模糊理论和最小二乘法相结合[5]。
2.3 数据融合技术的未来
多传感器数据融合技术最初源于军事领域, 近年来在智能机器人的应用领域也有着独特的优势。但是目前多传感器数据融合技术也有着诸多不足, 急需在一下方面进行深入研究:2.3.1建立完善的数据融合基础理论;2.3.2数据库和知识库深入多传感器数据融合算法当中, 建立告诉并行检索和推理机制;2.3.3开发更优秀的推理系统;2.3.4对稳定性和准确性兼顾的融合算法以及融合模型的研究;2.3.5神经网络和人工智能的更广泛应用;2.3.6以知识为基础构成多传感器数据融合相关技术的深入研究。
结语
本文首先对多传感器数据融合技术的概念进行了介绍, 然后对多传感器数据融合技术的层次及分类尽享了详细阐述。分析了多传感器融合技术的技术问题, 对其发展方向及应用领域进行了探讨, 可以预计, 数据融合技术的应用将会越来越广泛。
参考文献
[1]姜万录, 李冲祥, 刘继刚.多传感器数据融合技术的现状及展望[J].机床与液压, 2003 (3) :16-19.
[2]高清.多传感器数据融合算法研究[M].西安电子科技大学硕士论文, 2008, 10-12.
[3]黄漫国, 樊尚春, 郑德智等.多传感器数据融合技术研究进展[J].传感器与微系统, 2010, 29 (3) :5-8.
[4]李静, 贾利民.数据.融合综述[J].交通标准化, 2007 (9) :192
多传感器技术 第2篇
多传感器信息融合技术与无人机PHM系统
通过分析多传感器数据融合技术故障诊断方法,针对无人机的特点,在不增加系统硬件的.情况下,充分利用无人机现有传感器获取的信号,提高无人机故障预测与健康管理(PHM)系统状态监测、健康评估和故障预测推理的准确性,并确定推理结果的置信度.
作 者：陈伟 罗华 作者单位：解放军炮兵学院刊 名：航空科学技术英文刊名：AERONAUTICAL SCIENCE AND TECHNOLOGY年，卷(期)：2009“”(6)分类号：V2关键词：无人机 故障预测与健康管理 信息融合技术
多传感器技术 第3篇
【摘 要】服务机器人的自主导航过程通常处于不确定的环境中，单一的传感器提供信息己经无法满足现代移动机器人的需求，多传感器信息融合技术在机器人领域得到广泛应用。项目以国家863重点项目成果“护理机器人”样机为平台，研究室内移动服务机器人的多传感器信息融合、路径规划与运动控制方法，为今后室内机器人定位的研究提供理论依据和具有实用性的参考。
【关键词】服务机器人；D-S论证；数据融合
引言
随着机器人技术的发展，机器人的用途开始从传统的工业领域不断向军事、医疗、服务等领域拓展。服务机器人是本世纪最有发展潜力的一个应用领域，据预测在未来一段时间内服务机器人的需求数量将会超过工业机器人[1]。美国、欧洲、日本和韩国都制定了研制服务机器人的国家中远期研究计划。我国863计划2006年开始将“智能机器人技术”列为专题，为服务机器人研究提供支持，推动服务机器人发展，因为服务机器人研制的意义为：（1）解决社会人口结构变化问题——全球性人口老龄化问题，为老人提供陪护服务，缓解社会压力，并监控环境安全[2] ；（2）提高社会生活质量，提供多种移动服务作业例如：导游、娱乐、清扫和网络信息服务等，服务机器人可胜任伙伴；（3）提升家居环境智能，随着IPV6技术的推进和3G时代的到来，家电网络化和多功能化，服务机器人替主人担当管家。在无人值守的室内环境下服务机器人能够担当保姆角色与远程家人实时保持交互，并监控室内安全；（4）在康复和助残方面服务机器人也是病人的得力助手。
1.服务机器人技术的研究
服务机器人是一种自主或半自主的能够提供服务而不是提供生产的机器人，这种机器人能够改善人们的生活质量[3]。服务机器人的研究始于上世纪60年代末期，Nilssen等人开始研制自主移动机器人（Autonomou mobile robot，AMR）Shakey，在复杂环境下将人工智能技术应用于机器人系统，以完成自主推理、规划和控制的功能[5]。服务机器人应用范围广泛，TCSRIRAS在应用范围上将服务机器人分为：清洗管家、教育机器人、类人机器人、人道主义排雷机器人、康复机器人、检查监视机器人、医疗机器人、建筑、自动回填机械、导游及办公室环境、消防机器人、搜索及拯救机器人和食品工业等16种服务机器人并给出相关研究机构和科研成果[4]。Care-O-Bot III是Fraunhofer IPA研制的最新一代服务机器人，和前两代产品相比，尽管也配有激光测距传感器和视觉系统，但在控制方法、传感器、中间件、运动学、皮肤和人机界面等方面做了很多改进[15-17]。
2.移动机器人多传感器信息融合技术的研究
移动机器人在自主导航定位过程中，必须以有效且可靠的环境感知为基础。由于各类传感器信息的物理性能局限性、不完备性和不确定性，利用具有冗余性和互补性的多传感器信息融合技术能全面地描述周围的工作环境并提高系统的可靠性。目前，多传感器信息融合技术常用的方法包括加权平均，卡尔曼滤波，贝叶斯估计，统计决策理论，神经网络，模糊推理和Dempster-Shafer（D-S）证据理论[18]-[25]。针对移动机器人所处的动态工作环境，以贝叶斯概率描述不确定因素在实际应用中鲁棒性较好，但算法通常需要先验假设且计算量大，因此具有一定的局限性；D-S证据理论满足比贝叶斯理论更弱化的条件假设，可以不需要先验知识，通过证据信息对假设做出判断，得到各个假设的基本信度赋值。虽然D-S证据理论可以有效处理不确定信息，但处理冲突信息能力不够。作为D-S证据理论的发展，证据推理（Evidential Reasoning）方法在处理不确定或不完整和冲突信息方面适应性更强，已成功应用于不确定系统建模和多源信息融合[24][25]。
针对室内环境下服务机器人系统建立及定位问题进行研究，首先面向家庭环境多任务需要，建立服务机器人系统，然后基于证据推理方法的移动机器人多传感器信息融合技术对其定位理论进行分析和证明，在实验室环境下对新平台进行定位算法验证。
3.基于证据推理方法的移动机器人多传感器信息融合技术
根据已知环境地图的栅格矩阵，推理每个栅格被障碍物占用的置信度。其映射关系为： 其中M， N表示二维空间中栅格的数量，R表示实数空间，Belief表示某个栅格被障碍物占用的置信度。在证据推理框架下，首先确定辨识框 中的基本焦元 和 ，定义 表示某个栅格为空， 表示该栅格被障碍物占用。在某t时刻超声波传感器或红外PSD传感器采集的数据信息作为一条证据源，构造证据置信度函数 ，在辨识框 中用 表示不确定信息。通过证据推理算法融合所有传感器的置信度函数值，得到每个栅格被障碍物占用的置信度值，确定整个工作环境数据栅格的置信度分布图。在数据融合过程中可根据工作环境信息动态调整不同传感器证据信息的相对权值。此外，在本项目中还可以利用护理机器人士工作环境顶部的摄像头和驱动轮上的编码器信息动态修正数据融合结果。
4.结论
项目在已有研究工作的基础上，结合移动机器人现有的自主导航技术，以护理机器人样机为平台，重点研究室内移动服务机器人的多传感器信息融合、路径规划与运动控制技术。对于提高家庭生活支援机器人的自主定位能力和运动控制精度，使其走出实验室逐步产业化具有重要的理论价值和实际意义。
参考文献：
[1]张炜.环境智能化与机器人技术的发展[J].机器人技术与应用.2008，3：13～16.
[2]张钹.机器人的智能化.国家863计划智能机器人主题专家组.迈向新世纪的中国机器人.辽宁科学技术出版社，2001：30～32.
[3]赵立军.室内服务机器人移动定位技术研究[D]：博士学位论文.哈尔滨：哈尔滨工业大学，2009.
[4]Nilsson N J. A mobile automation： An Application of Artificial Intelligence Techniques. Proceedings of the 1st In ternational Joint Conference on Artificial Intelligence. 1969：509～520.
浅析多传感器信息融合技术 第4篇
多传感器信息融合也称为信息融合或数据融合,指的是对不同知识源和多个传感器所获得的信息进行综合处理,消除多传感器信息之间可能存在的冗余和矛盾,利用信息互补,降低不确定性,以形成对系统环境相对完整一致的理解,从而提高智能系统决策和规划的科学性、反应的快速性和正确性,进而降低决策风险的过程。由其定义可见,多传感器信息融合避免了单一传感器的局限性,可以获取更多信息,得出更为准确、可靠的结论。
2、多传感器信息融合的原理
多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。如果把单传感器信号处理或低层次的数据处理方式看作是对人脑信息处理的一种低水平模仿,那么多传感器信息融合就是对人脑信息处理的一种高水平模仿。多传感器信息融合的基本原理就像人脑综合处理信息的过程一样,它充分利用多个传感器资源,通过对这些传感器及其观测信息的合理支配和使用,把多个传感器在时间或空间上的冗余或互补信息依据某种准则来进行组合,以获得被测对象的一致性解释或描述[1]。
3、多传感器信息融合的分类
信息的数据融合是对多源数据进行多级处理,每一级处理都代表了对原始数据的不同程度的抽象化,它包括对数据的检测、关联、估计和组合等处理。信息融合按其在传感器信息处理层次中的抽象程度,可以分为三个层次:像素层融合、特征层融合及决策层融合[2]。
3.1 像素层融合
它是最低层次的融合,是在采集到的传感器的原始信息层次上(未经处理或只做很少的处理)进行融合,在各种传感器的原始测报信息未经预处理之前就进行信息的综合和分析。其优点是保持了尽可能多的战场信息;其缺点是处理的信息量大,所需时间长,实时性差。
3.2 特征层融合
属于融合的中间层次,兼顾了数据层和决策层的优点。它利用从传感器的原始信息中提取的特征信息进行综合分析和处理。也就是说,每种传感器提供从观测数据中提取的有代表性的特征,这些特征融合成单一的特征向量,然后运用模式识别的方法进行处理。这种方法对通信带宽的要求较低,但由于数据的丢失使其准确性有所下降。
3.3 决策层融合
指在每个传感器对目标做出识别后,将多个传感器的识别结果进行融合。这一层融合是在高层次上进行的,融合的结果为指挥控制决策提供依据。决策层融合的优点是:具有很高的灵活性,系统对信息传输带宽要求较低;能有效地融合反映环境或目标各个侧面的不同类型信息,具有很强的容错性;通信容量小,抗干扰能力强;对传感器的依赖性小,传感器可以是异质的;融合中心处理代价低。
4、多传感器信息融合的融合结构
多传感器信息融合通常是在一个被称为信息融合中心的信息综合处理器中完成,而一个信息融合中心本身可能包含另一个融合中心。由于多传感器信息融合可以是多层次、多方式的,所以研究融合的拓扑结构十分必要。根据信息融合处理方式的不同,可以将多传感器信息融合的拓扑结构分为集中型、分散型、混合型、反馈型等[3]。
4.1 集中型
集中型融合结构的融合中心直接接收来自被融合传感器的原始信息。由于在此结构中传感器仅起到了信息采集的作用,不预先对数据进行局部处理和压缩,所以对信道容量要求较高。一般这种结构适用于小规模的融合系统。
4.2 分散型
分散型信息融合系统中,各传感器完成一定量的计算和处理任务后,将压缩后的传感器数据送到融合中心,融合中心将接收到的多维信息进行组合和推理,最终得到融合结果。这一结构的优点是结构冗余度高、计算负荷分配合理、信道压力轻,但由于各传感器进行局部信息处理,可能会导致部分信息的丢失。这种结构适合于远距离配置的多传感器系统。
4.3 混合型
混合型信息融合结构吸收了分散型和集中型信息融合结构的优点,既有集中处理,又有分散处理,各传感器信息均可多次利用。这一结构能得到比较理想的融合结果,适用于大型的多传感器信息融合,但其结构复杂,计算量很大。
4.4 反馈型
当系统对处理的实时性要求很高的时候,如果总是试图强调以最高的精度去融合多传感器信息融合系统的信息,则无论融合的速度多快都不可能满足要求,这时,利用信息的相对稳定性和原始积累对融合信息进行反馈再处理将是一种有效的途径。当多传感器系统对外部环境经过一段时间的感知,传感系统的融合信息已能够表述环境中的大部分特征,该信息对新的传感器原始信息融合具有很好的指导意义。
5、多传感器信息融合的特点
(1)提高了信息的可信度。(2)增加了目标特征矢量的维数。(3)降低了获得信息的费用。(4)减少了信息获取的时间。(5)提高了系统的容错能力。(6)提高了整个系统的性能。
6、多传感器信息融合的研究方向
(1)确立具有普遍意义的信息融合模型标准和系统结构标准。(2)将信息融合技术应用到更广泛的新领域。(3)改进融合算法以进一步提高融合系统的性能。(4)开发相应的软件和硬件,以满足具有大量数据且计算复杂的多传感器融合的要求。
7、结语
多传感器信息融合技术的研究虽然刚刚开始几十年,但它已渗透到现代化战争和民用的各个领域。随着工业大系统的蓬勃发展和未来信息战的需求,以及相关学科的不断发展,多传感器信息融合将会得到更深入的理论研究,也将拥有更广阔的应用前景。
摘要：本文介绍了多传感器信息融合的定义、原理、分类和结构,简要地叙述了多传感器信息融合的特点及其研究方向。
关键词：多传感器,信息融合,研究方向
参考文献
[1]王耀南,李村涛.多传感器信息融合及其应用综述[J].控制与决策,2001.
[2]何友,谭庆海.多传感器系统分类研究[J].火力与指挥控制,1998.
多传感器技术 第5篇
数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提.本文采用改进的`模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪.仿真实验结果说明了本文方法的有效性.
作 者：韩红 韩崇昭 朱洪艳 刘允才 作者单位：韩红(上海交通大学自动化系,上海,30;西安交通大学综合自动化研究所,西安,710049)
韩崇昭,朱洪艳(西安交通大学综合自动化研究所,西安,710049)
刘允才(上海交通大学自动化系,上海,200030)
多传感器技术 第6篇
关键词：无线传感器网络 移动锚节点 定位算法
0 引言
无线传感器网络（Wireless Sensor Network， WSN）是由大量的静止或移动的传感器以自组织和多跳的方式构成的无线网络，以协作地感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息， 并最终把这些信息发送给网络的所有者。
无线传感器网络所具有的众多类型的传感器，可探测包括地震、電磁、温度、湿度、噪声、光强度、压力、土壤成分、移动物体的大小、速度和方向等周边环境中多种多样的现象。潜在的应用领域可以归纳为： 军事、航空、防爆、救灾、环境、医疗、保健、家居、工业、商业等领域。
传感器的准确定位既是监测目标位置信息的前提，也是实现网络拓扑管理、目标跟踪、目标轨迹预测等网络功能的基础。如何以较少的网络成本获得较多的锚节点位置信息，在网络成本与定位性能之间取得平衡是实际应用中值得研究的问题。目前比较实用的定位方式是利用一些带有GPS装置的移动锚节点按照有效规划的移动路径遍历整个监测区域，通过发送包含自身坐标的信标数据包来定位区域中的未知节点。该方法有效避免了无线传感器网络的资源浪费。对于该定位方式，移动锚节点的路径规划问题是需要解决的基本问题。
1 国内外研究现状
无线传感器网络移动锚节点定位技术领域主要集中在两个方面，即移动锚节点的路径规划问题以及移动锚节点的定位算法。
2 移动锚节点路径问题
移动锚节点的定位算法中，移动锚节点发送包含其自身位置信息的信标数据包，在其移动过的路径上形成多个虚拟锚节点，未知节点利用通信范围内的虚拟锚节点的坐标信息进行定位。有不少研究人员在移动锚节点路径方面做了研究，也取得了相应的成绩。移动锚节点路径问题大致可分为两类：静态移动锚节点路径和动态移动锚节点路径。
2.1 静态移动锚节点路径
静态移动锚节点路径是指：移动锚节点按照预先规划好的路径在网络中移动，研究正六边形移动路径的移动锚节点定位算法中，假设监测区域是正方形，移动锚节点在监测区域中按照正六边形的移动路径移动，移动锚节点每隔周期广播包含自身坐标信息在内的信标数据包。信标数据包的广播位置形成了若干个相邻的正三角形。未知节点接收通信范围内的移动锚节点信标信息，当收到满足条件的信标信息后，未知节点用相应的定位算法计算自身位置。以上提到的算法相对于动态路径规划简单易于实现，但是它们无法根据节点分布状态而灵活地变化。
2.2 动态移动锚节点路径
动态移动锚节点路径，即根据网络中节点的分布情况和移动锚节点当前位置来确定移动锚节点下一个位置。移动锚节点根据接收到的网络信息自适应调节移动路径。动态路径是不规则的图形，它利用未知节点分布信息动态调整，并且使移动路径较短，从而弥补了静态路径的短处。
3 移动锚节点的定位算法
移动锚节点的定位算法分为两类：一类是静态锚节点与移动锚节点定位未知节点，另一类只是移动锚节点定位未知节点。
3.1 静态锚节点与移动锚节点定位未知节点
MBAL和APP定位算法是典型的静态锚节点与移动锚节点的定位算法，移动锚节点通过未知节点发送的定位请求消息周期性地选择下一个移动位置，并广播包含自身坐标。未知节点通过RSSI测距方法并接收到三个以上不共线的锚节点坐标来计算出自身位置。然后，变换为静态锚节点与移动锚节点定位未知节点。
3.2 移动锚节点定位未知节点
利用移动锚节点发射信号的强度、位置信息和贝耶斯估计方法进行未知节点的位置估计。
4 小结
可以发现，尽管也有使用移动锚节点辅助定位的算法研究，但是大部分的研究主要停留在静态移动锚节点的路径规划上，并且路径规划大多针对单个移动锚节点，这种路径规划存在虚拟锚节点共线，移动路径较长和定位时间较长等问题。能精确定位的算法比较少且大多数研究都是假设在理想环境下，即没有障碍物的环境下，忽略了实际应用中存在障碍物的情况。因此障碍物环境下无线传感器网络多移动锚节点定位算法研究，使移动锚节点能在绕开障碍物的前提下，完成对网络中未知节点的精确定位，达到定位精确度高、定位覆盖范围广且定位时间短三个基本要求。
参考文献：
多传感器海面目标协同探测技术 第7篇
机载或星载电子侦察传感器和成像侦察传感器是当前获取情报的2种主要手段[1,2,3]。电子侦察传感器利用专用的电子侦察设备对敌方雷达和通信等辐射源发出的电磁信号进行搜索、截获、分选、定位和识别,以确定这些设备或系统的类型、所在位置甚至其所属平台身份等信息,其特点是覆盖区域广、辐射源定位精度低。成像侦察传感器利用可见光、红外等被动方式或微波照射的主动方式( SAR) 获取目标二维或三维像,具有瞬时覆盖范围小和定位精度高等特点,成像侦察的目标识别能力直接与载荷分辨率有关,低分辨率时只能辨识目标粗的归类,高分辨率时可识别目标型号甚至身份。电磁辐射特征和成像特征从不同角度共同刻画了目标在全电磁谱段的不同属性,两者之间存在着多层次的互补性[2]。本文在前人的研究基础上,从实际工程应用的角度出发,设计了电侦和成像传感器协同探测典型工作流程,分类论述了多传感器协同探测所涉及的关键技术及其工程可用性,并从传感器特性、工作模式和网络环境等方面对未来发展趋势进行了展望。
1 多传感器协同探测流程设计
由于覆盖范围广,电子侦察传感器首先对潜在的目标区域电磁信号进行大范围内的搜索、截获并进行分析、定位、信号分选和目标分选,在确定目标存在后向成像侦察传感器提供相应的引导信息( 目标指示信息) ; 成像侦察传感器收到引导信息后,首先完成侦察任务的规划处理,然后依据规划结果对目标区域实时搜索和成像; 两类传感器分别对所获取的目标数据进行特征提取,电子侦察传感器提取目标( 平台) 所载辐射源的RF、PRF、PW、AM以及DOA[4]等信息,成像侦察传感器提取目标的频域特征、几何特征、散射点特征以及空域信息; 基于2种手段获取的目标辐射特征和成像特征,分别进行目标识别,电子侦察目标识别首先对辐射源进行识别,然后根据其聚类特点进一步完成平台识别,成像侦察目标识别完成平台识别; 在多目标环境下为了解决同源性问题,还需要解决2类数据间的数据关联问题; 最后基于2种传感器目标识别结果,完成决策级的目标融合识别。电子侦察传感器与成像侦察传感器协同探测海面目标的工作流程如图1所示。流程中涉及到多传感引导、数据关联、目标综合识别和目标定位优化部署等若干项关键技术。
2 多传感器协同探测关键技术
2. 1 传感器引导技术
电侦传感器引导成像传感器时,需要解决侦察任务规划和传感器搜索模式选择问题。空天侦察任务规划问题涉及对象要素较多,包括平台特性( 包括轨道、航路、机动能力、通信能力、能量或燃料约束等) 、载荷使用约束( 包括侧摆能力、存储器容量约束、开关机时间、开关机次数和幅宽特性等) 以及空天地资源使用约束( 测控范围及窗口、数传能力和中继能力等) 。空天侦察任务规划的功能是针对侦察需求,根据空天侦察资源的状态和侦察任务的目标与要求,综合考虑天基侦察平台、临近空间侦察平台和空中侦察平台的协同,根据各种侦察载荷的信息获取特点,确定其使用的条件和范围,将资源配置给相互竞争的多个任务,并确定侦察载荷的工作时间和工作模式等规划要素,以排除不同任务之间侦察资源使用冲突,最大化地满足侦察任务需求,生成合理的侦察计划方案[5]。任务规划的本质是最优分配问题,在实际工程应用中,首先建立空天地资源和侦察任务模型,其次是以侦察任务需求为目标函数,以资源、载荷和平台使用要求为约束条件,采用运筹学、最优化理论方法求得任务—资源之间的最优分配解。
通常,电子侦察传感器有较大的覆盖范围即视域( FOV) ,而成像传感器有较小的视域,电子侦察传感器对成像传感器的引导,是指当电子侦察传感器得到有关目标的方位角和俯仰角后指示给成像传感器,后者的视域范围迅速转向前者指示的范围,且使后者的视域中心指向前者提供的目标方位角和俯仰角所指位置。在假定电子侦察传感器的方位角估计误差和俯仰角估计误差服从高斯分布,且电子侦察传感器对成像侦察传感器引导期间海面目标运行引起的实际方位角和俯仰角偏差在一定区间内服从均匀分布的前提下,从对成功引导概率贡献最大的原则出发,文献[6]给出了一种传感器搜索模式,如图2所示。
图2中FOVa-ESM和FOVe-ESM分别为电子侦察传感器的方位和俯仰视域范围,FOVa-IMG和FOVe-IMG分别为成像侦察传感器的方位和俯仰视域范围,Azimuth和Elevation分别是电子侦察传感器指示给成像侦察传感器的方位角和俯仰角。在引导搜索开始时,成像传感器的方位视域中心对准Azimuth,俯仰视域中心对准Elevation,然后按图中所示的动态搜索模式进行搜索,其中的数字为搜索顺序。在实际应用中,侦察传感器也可从距己方近的方位和俯仰范围内进行搜索,考虑到敌方的威胁程度,也可从距我方目标最近的方向上开始,由近至远搜索。
2. 2 多传感器数据关联技术
通常,电子侦察传感器和成像侦察传感器都能够获取目标的方位角信息φ和俯仰角信息ε。在多目标环境下需要解决多传感器量测数据的同源性问题,也即数据关联问题。
假设2部同步工作的传感器的角度测量分别为,量测噪声为独立的、零均值加性高斯白噪声,方差为这里φ和ε 分别代表方位角和俯仰角。为传感器1指向传感器2的三维距离矢量,其长度即为2部传感器之间的基线长度,设为D为传感器2指向传感器1的三维距离矢量，为传感器1指向目标的LOS矢量,为传感器2指向目标的LOS矢量。与的夹角为θ1,的夹角为θ2。R'和R分别为这2部传感器到目标的径 向距离,它们的平 面示意图 如图3所示。
没有量测噪声的理想情况下,对应同一目标的2个LOS( Line of Sight) 矢量的交叉点就是目标位置,此时这2个矢量间的空间距离为零。由于量测噪声和估计误差的存在,对应同一个目标的2个LOS矢量往往不在同一个平面上,此时它们的空间距离不为零,2个LOS矢量间的最短空间距离称之为漏距,用m表示。针对2部传感器,可构造如下的关联统计量[7,8]:
这里E[]代表数学期望,E[m2]可由已知的D、θ1、θ2、R'、R、方位角、俯仰角和角度量测误差标准差计算得到,其中斜距R'、R和夹角θ1、θ2可分别通过2个LOS矢量的三角测量交叉定位得到。这里,d2m近似服从自由度为1的χ2分布。此时,2部传感器的数据关联问题可变成假设检验问题。
2. 3 多传感器综合目标识别技术
通常多传感器目标综合识别的质量在很大程度上取决于单传感器目标识别的准确度。电子侦察传感器获取的是海面目标平台配备的辐射源射频、重复频率、脉宽和幅度等辐射特征参数,其目标识别过程是将这些参数和数据库存储的标准模板进行比较,在某一准则( 如模糊匹配、灰关联分析等) 下如果侦察数据越接近数据库中的某个模板数据,那么判为该类型目标的可能性就越大,也即其识别过程是一种模板匹配过程,至此完成了辐射源的识别,在此基础上还需进一步判明辐射源所属平台的身份类型,后者属于平台识别过程,辐射源识别到平台识别需完成识别层次的转换。电子侦察识别概率主要影响因素有电子侦察发现信号的测量精度、电子侦察目标特征数据库的完整性、准确性和识别匹配算法的容差能力等。成像侦察传感器获取的是目标平台的轮廓、形状等几何结构特征,其识别过程包括图像预处理( 光学图像和SAR图像有所区别) 、图像的特征提取和分类器设计训练等,光学侦察成像传感器受天气和光照等条件限制较大,SAR侦察成像传感器受背景杂波影响较大,上述因素均对后续的目标识别结果带来影响,那么影响成像侦察传感器目标识别概率的主要因素有成像质量、构建目标特征模板库时目标光照、姿态敏感性训练样本数量、背景杂波滤除算法性能、图像特征提取算法性能和识别匹配算法鲁棒性等。
针对不同的工程应用背景和侦察传感器数据特点,采用适合的融合识别算法[9],充分利用多源目标身份信息进行优化综合,以获得目标身份的有效识别。目前研究较多的目标综合识别算法主要有:Bayes推理和D-S证据理论[1,10,11]等,与主观Bayes方法相比,D-S证据理论既能处理随机性所导致的不确定性,又能处理模糊性导致的不确定性,而且具有不需要先验概率和条件概率等优点[1]。当单个传感器按递归方式在时间域得到目标识别的累积基本概率赋值及累积不确定性后,可对M个传感器的时域累积信息按Dempster组合规则进行空域融合。用组合规则对传感器i和传感器l的时域累积信息进行空域融合,可得传感器i和传感器l最终的时—空累积目标识别融合结果[10]:
式中,
由传感器i和传感器l得到的累积时—空不确定性为:
式中,k为采样时刻; j为不同的测量状态。式( 4) 构成了基于D-S证据理论的目标识别递归时空融合模型。多源目标识别融合算法采用D-S证据理论的情况下影响最终识别概率的主要因素有目标识别框架的合理性、在识别框架内定义的基本概率赋值获取的科学性等。
2. 4 传感器平台优化部署技术
电子侦察传感器和成像侦察传感器( 除SAR外) 通常都以被动方式工作,即自身不主动发射电磁波,而通过接收目标辐射或反射的电磁波来探测目标,其中一种常用的目标定位技术是基于DOA的测向交叉定位技术。测向交叉定位体制下,目标定位误差除了与传感器角度量测系统误差和随机误差有关外,还与目标对应各传感器之间的方向余弦直接有关,即目标定位误差与目标的空间位置和传感器位置的相对几何布局有关。换言之,传感器间的不同几何布局对同一个空间位置上的目标的定位精度是不一样的,通过优化部署传感器平台与目标之间的相对几何布局,可大大提高目标定位精度。
利用空天平台对海面运行目标进行协同探测时,可通过优化规划单/多传感器平台的飞行轨迹来提高对目标的定位精度。文献[12]在最小定位模糊椭圆约束下,基于交会角给出了传感器优化部署的准则,如图4所示。
图4中,l为目标到2个传感器基线的垂直距离与传感器基线长度D的比值。当l > 0. 5时,目标与2部被动传感器呈等腰三角形时得到局部最优交会角; 当l < 0. 5时,目标位于以2部传感器基线为直径的圆上( 除2个传感器的位置外) 时得到局部最优交会角; 当l = 0. 5,目标与2部被动传感器呈等腰直角三角形时得到局部最优交会角,这里局部最优交会角对应目标定位精度局部最高的位置。在最小定位模糊椭圆准则下,当且仅当目标位于图中的实线( 或圆弧) 上时,可以得到局部最高精度的目标定位值。同样还可知,随着l的逐步减小( 即沿着实线弧段逐渐接近2部传感器的位置) ,定位误差逐步减小,定位精度逐步提高,理论上可无限接近全局最小值。在实际工程应用中可通过优化配置多个被动侦察传感器平台来得到较高的目标定位精度,上述结论同样可适用于单传感器平台的情景,在粗略获取目标位置的前提下,可通过优化传感器平台运动轨迹和合理利用不同采样时刻的角度量测值进行交叉定位,以尽可能地满足最优交会部署条件,即可得到较高的目标定位精度。
3 发展前景
随着航空航天技术和电子信息技术的发展,对空天侦察传感器的探测手段、功能性能和工作模式都带来不断的增强和变化。
1传感器分辨率越来越高。光学和SAR成像传感器将呈现空间分辨率高和目标定位误差小的特点,电侦传感器将呈现宽频谱、谱段分辨率高和目标定位误差小的特点。这些新特点将大大提高目标协同探测和识别的效能。
2传感器工作模式多样化。光学成像传感器将有全色、多光谱、高光谱和超光谱等多种成像模式,机载SAR/GMTI技术目前已较成熟,未来星载SAR / GMTI技术将不断完善和成熟。随着平台负载能力的提升和综合孔径技术的应用,单传感器多平台分布式协同探测模式可发展为多传感器单平台协同探测模式,进而对目标的探测、跟踪和识别效率将大大提高。
3天基信息网络由单星模式、星座模式到空天地一体网络化模式发展,将太空、临近空间、空中、海面、地面的作战单元和节点紧密集成,为各类节点用户提供全时无缝接入服务。一体化网络对前端目标探测、多传感器协同和后端信息处理等环节之间的流程更加顺畅和衔接度更高。
4机载或星载平台信息处理能力增强。通过微组装、高性能计算和容错等技术实现地面系统完成的信息综合处理功能,一方面能够缩短信息传输时延、减低星地网络数传压力; 另一方面也提出了高效、可靠的在线信息处理要求。
4 结束语
多传感器信息融合技术应用研究 第8篇
多传感器信息融合技术是战场侦察监视系统中的关键技术,它将分布在战场空间的各级各类传感器联接成一个有效的网络,实现信息的互联互通、信息互补、综合融合,完成各种战场侦察监视任务,使战场情况更加透明,战场侦察监视系统中多传感器信息融合的作用是把战场空间那各种传感器获取的多源信息融合起来,以获取比单一情报源更多的信息和更好的信息质量和情报可信度,极大提高系统信息获取、传递、汇集、处理、分发的能力和情报应用的效益。信息融合在军事上的应用包括在各种战略、战役和战术C4ISR系统上的各个领域、多项任务,例如使用多传感器的自主式武器(如自主战车)、作战平台(如舰艇、飞机)和预警飞机,有人侦察飞机、无人侦察机或分布式传感器广域监视系统及各类情报收集处理系统等。
多传感器信息融合技术在战场侦察监视系统中的广泛应用主要表现在预警情报处理、地面传感侦察、图像情报处理以及机载平台的多传感器集成与融合等方面。
1 信息融合技术在ISR中的应用
1.1 预警情报处理
1.1.1 战略预警系统
预警和导弹防御系统是对敌来袭的主要兵器发出警告,为及时向敌对国家发动反击行动,摧毁其对我构成严重威胁的大规模杀伤武器和重要政治、军事、经济目标,需要及时确定发射导弹的敌对国家和地区以及发射点位置和发射时间,为我反击武器确定打击目标提供信息。并与武器系统进行铰链,运用兵器进行拦截。战略预警的主要对象是弹道导弹、战略轰炸机和巡航导弹等时间敏感性目标,尽早得知敌来袭武器的发射点、发射时间、攻击目标位置、落地时间、落点位置、落点时间和飞行方位信息,弹道飞行方向和威胁等级判断,提供足够的预警时间。以便及时采取应对措施,发布作战指令,部署反导、防御和反击计划。主要包括初段、中段和末端等探测,通过不同传感器组合、接力完成探测,提供武器拦截。 由文献可知,根据对象的不同和探测范围的不同,战略预警系统可分对弹道导弹预警和对战略轰炸机预警2部分。对弹道导弹预警的主要技术手段包括弹道导弹预警雷达和预警卫星;对战略轰炸机预警的主要技术手段包括地面远程警戒雷达和预警飞机。现代战略预警系统由采用的空间、空中预警、地面雷达警戒、空间探测与跟踪、无线电技术侦察和电子对抗等预警技术,战略预警系统的主要技术装备有地面远程警戒雷达、预警飞机、弹道导弹预警雷达和预警卫星。广泛涉及到空间技术、遥感技术、电子技术等各个领域,特别是多传感器信息融合技术的综合运用,为形成有效的预警能力提供有力的支撑。
1.1.2 预警体系
预警系统区别于一般侦察情报系统的主要特点在于其信息的时效性要求非常高。预报精度、预警时间、漏警率和虚警率是预警系统主要性能指标。其主要预警探测体系包括4层,第1层:星载探测系统(高轨道预警卫星+低轨道预警卫星组网)担负国家全空域周边国家和地区以及西太平洋的空、天目标预警探测任务。第2层:地基天波超视距、远程相控阵预警雷达、光电空间目标监视系统。担负对周边国家和地区600 km以远的各类来袭目标以及空间目标的探测预警任务。第3层:预警机、飞艇载、气球载预警系统、地波超视距雷达及机动三坐标雷达。担负国土和领海战区预警探测任务,为反击武器提供情报。第4层:地基、舰载常规雷达网,与反击武器紧密相联,担负对目标的精确测量,向反击武器直接提供情报。信息处理分系统接收来自预警探测分系统的信息,进行综合处理,以判定目标的威胁程度,形成有效的预警信息。
1.1.3 信息融合
预警探测情报处理分为3级。① 战术级数据融合系统,该系统与探测器集成在一起,探测到的原始数据经过其处理后上报,同时将分送给防卫反击的武器单元;② 区域性战役级信息融合系统,接收来自原始数据融合系统的信息,进行综合处理,在确认目标威胁后,将信息上报,同时分发给有关部队和武器单元;③ 战略预警信息融合系统接收来自各级的预警数据融合系统的信息,以及部分原始数据融合系统的信息,进行综合处理,确认威胁后,将信息送往最高指挥机构,由指挥机构下达作战指令。
1.2 地面传感侦察系统
战场地面传感器是20世纪中后期出现的一种被动式、全天时、全天候、能适应各种环境工作的新型侦察设备,主要依靠各种传感器物理特性(主要为声学、震动、红外、磁、压力、图像、化学等),事先隐蔽布设于敌人活动地域、地段、要道上,昼夜不间断地对敌进行连续探测、监视,并将探测信息通过传感器发射机瞬间突发出去,源源不断地传送至后方信息处理终端或情报处理设备,而这些报警信息来源不一、形式不一,可能是互补的,也可能是矛盾的,通过传感器信息融合,充分利用多传感器资源,将多个传感器在时间和空间上互补辅助或冗余信息按照某种算法或准则进行融合,以获得对检测对象一致性描述,成为发挥地面传感器系统效能的关键。
地面战场侦察传感系统信息融合技术主要包括对传感器获取的多种情报信息进行融合处理,获取目标的速度、方向、数量等相关属性,进行目标属性识别技术,从而判断敌人的规模、企图以及态势。
1.3 雷达联网探测系统
雷达联网探测是防空预警的主要手段,多雷达传感器信息融合是获取各种雷达的信息,在不同层次上进行不同级别的信息融合。多雷达传感器信息融合技术常常应用在分布式传感器网络的广域监视系统,敌情指示和区域预警探测系统。在多雷达传感器信息融合中,根据信息表征的层次,其基本方法可分为3类:数据层融合、特征层融合、决策层融合。数据层融合主要进行时间和空间对准,进行目标关联和点迹航迹估计,之前,必须知道从各个传感器得到的信息是否属于同一目标,必须了解现场的目标状况,才能进行进一步的目标识别。数据校准就是统一各传感器的时间和空间参考点,若各传感器在时间和空间上是独立的异步工作的,则必须事先进行时间和空间校准,以形成融合所需的统一的时间和空间参考点。数据校准可分为空间坐标变换和时间同步。空间坐标变换由于各传感器可能处于同一测量平台,也可能处于不同的位置,所以在进行数据相关性判断之前,必须将从各个传感器得到的数据转换到同一坐标系下(通常将信息处理中心或作战中心作为坐标原点)。时间坐标变换由于从多个传感器得到的信息并不一定是同时的,所以在进行相关性判定之前,必须进行时间上的同步。时间同步通常采用内插或外推的方法。数据相关是对数据校准后的数据进行相关性判断,以决定不同传感器的不同测量是否属于对同一目标的测量。特征层融合是从各传感器中得到的信息为雷达侦察探测获取的目标方位、航向、航速和基本属性,通过提取目标特征,对目标的属性进行判断、分析。决策层融合主要是判断目标的威胁和意图,以及战场情况的变化趋势。
1.4 图像情报的综合处理
图像情报(IMINT)又称图片情报,是指通过各种侦察系统获取的光电、红外和雷达图像。战场图像情报是由战场侦察平台和侦察所获得的侦察图像及其相关的情报产品,它包括白光、微光、红外(行扫、前视红外)的影像,各种平台的电视侦察影像,各种机载平台的合成孔径雷达和逆合成孔径雷达的雷达图像,还包括由地面人工侦察所获得的人工图像情报。侦察图像能获得多角度、多方位的情报,资源丰富,信息量大,直观性好,为指挥决策人员大量采用,成为武器打击和指挥决策的依据。
1.4.1 遥感影像
随着遥感技术的发展,获取遥感数据的手段越来越丰富,多种不同的遥感器所获可见光、红外、微波以及其他电磁波的影像数据与日俱增,这些数据在空间、时间、光谱、方向和极化等方面对于同一地区构成多源数据。另外还有航空摄影以及成像光谱仪所得到的遥感资料,已导致传感器空间分辨率、光谱分辨率的大幅度提高。大量的多型式的遥感影像提供了充足的资料,但如何充分融合来自各种类型遥感影像信息,以克服遥感影像自动解译中单一信息源不足的问题,目前尚是一大难题,它直接影响到大量遥感数据的使用效益。因此,遥感影像融合已成为海量遥感影像数据处理的瓶颈问题。
1.4.2 图像融合
多传感器图像融合是20世纪80年代提出的新概念,它综合了传感器、图像处理、信号处理、信息显示、计算机、人工智能等多种现代高技术。它利用多传感器、多探测手段以及多通道信源大容量图像信息融合,具有提高时空覆盖面、目标分辨率、测量维数等探测性能。特别是融合了含紫外、可见光、近红外、红外、毫米波、微波等很宽波段的多传感器信息,其作用和效果是很明显的。从数据来源角度来分,多源图像情报的融合可分为多传感器融合和多时相融合。多时相融合一般指同一信息来源的数据由于时相不同,将同一地区由于时相变化而产生的不同之处加以互相弥补的方式;而多传感器融合顾名思义是指由不同信息来源的数据进行处理提取出靠单一数据源不能得到的相应结果,它分为高空间分辨率影像与高光谱影像的融合、合成孔径雷达影像与光学影像之间的融合等等。
典型的多源图像情报的融合为合成孔径雷达和光学遥感影像的融合。SAR工作于微波波段,其波长相对可见光较长,受大气和云层的影响干涉较小,作为主动式遥感它不受光照条件的影响,可以全天时、全天候工作;另外,与光学遥感影像所不同的是,SAR影像记录地面物体对雷达波的反射特性,其量化数据大小受地表粗糙度、地物复介电常数、入射角、极化方式和角反射器等多种因素的影响,由于地物复介电常数主要与地物目标含水量的大小有关,而居民地内部容易构成角反射器,雷达影像对水体、居民地和植被比较敏感。通过将SAR影像与光学影像融合,结合二者优点可以实现对地物目标的更佳分析和解译。
2 结束语
现代高技术条件下的信息化战争中,对战场情报的争夺与控制,获取战场空间信息优势的对抗更加激烈,特别是高技术武器装备和信息化军事系统的广泛应用,数字化战场空间分布的目标种类和数量都极大地扩展,陆海空天电的各种侦察监视传感器也被广泛应用并发挥越来越大的作用,多传感器信息融合对确立全面的战场信息优势更加重要。为获取战场空间的信息优势,需在战场空间建立一个从空中到地面,从海面到水下的,涵盖声、光、电、热、振、磁等侦察传感器的多层次、分布式、网络化的侦察监视体系,对战场实施全天时、全天候、宽频谱、不间断的侦察监视,对各类战场情报进行实时、全面、准确的融合处理,为指挥员提供决策支持,完成情报产品的分发与共享。
摘要：近年来,情报、监视和侦察领域的多传感器信息融合技术研究飞速发展,应用领域不断扩展,显示出巨大的优越性,发挥了重要作用。战场的数字化对战场侦察监视领域的多传感器信息融合的质量和效率都提出了更高的要求。根据多传感器信息融合技术的研究现状,从运用的角度出发,结合当前建设中存在的一系列问题,对战场侦察监视领域多传感器信息融合技术的主要作用和工作特点进行了比较深入的研究,分析了多传感器信息融合技术在战略预警探测、地面传感侦察、雷达组网监视、图像情报处理和机载多传感器集成等ISR领域的应用特点和前景。
关键词：传感器,多传感器信息融合,监视,侦察
参考文献
[1]康耀红.信息融合理论和应用[M].西安:西安电子科技大学出版社,1997.
[2]赵全仁,邱志明,窦守健,等编著.武器装备论证导论[M].北京:兵器工业出版社,1998.
[3]赵晓辉.无线传感器网络在美军目标部队中的应用[J].无线电工程,2007,37(7):1-3.
多传感器技术 第9篇
关键词：无线传感器,多信道通信,技术研究
前言
在网络资源的应用过程中, 多信道通信资源是提升网络资源使用质量的重要因素, 因此, 在利用多信道通信资源进行通信技术研究的过程中, 对无线传感器装置的具体使用质量进行研究, 能够有效增强无线传感器的操作性能。
一、多信道通信技术在无线传感器应用过程中存在的问题
1.1传感器操作系统方面存在的问题
一些无线传感器在进行操作的过程中, 对节点的控制缺乏必要的关注, 使得当前的传感器无法更好的适应竞争环境的要求, 另外传感器在实施协议认定的过程中, 对通信通道的管理缺乏足够的关注, 使得当前的协议不能完整的保证信道协议质量的提高[1]。
另外, 一些通信通道在节点的管理方面质量较低, 使得当前的节点只能较为理想的在通信机制中进行调节, 不能利用通信通道实施协议的认定。
在进行传感器应用的过程中, 一些操作人员对传感器装置的通信渠道关注程度较低, 使得当前的通信渠道无法很好的应对信道操作过程中的问题, 使得当前的信道资源比较容易受到节点密度的影响。
1.2传感器装置方面存在的问题
目前, 很多操作人员对当前的传感器装置的竞争机制缺乏关注, 造成现有的管理机制无法更大程度上适应协议的竞争要求, 造成当前的竞争机制难以保证对信道资源实施合理控制[2]。
一些团队在进行资源管理的过程在, 使用静态管理的机制进行无线传感器装置的利用, 使得当前的传感器装置不能按照静态分配的方式进行分配机制的构建。还有些网络资源在使用的过程中, 对当前资源的拓展性能缺乏足够的了解, 使得当前的只能选资源难以保证在较为理想的空间内实施节点密度的增强, 如果当前某一信道资源可以利用信道的调整实现竞争机制的构建, 则容易造成当前的无线传感装置受到质量层面的影响, 因此, 节点的质量控制很大程度上容易受到分配机制的影响。
二、提升无线传感器在多信道通信过程中应用质量的方法
2.1科学实施多信道频谱装置的有效感知
首先, 进行无线传感器操作的团队, 需要对当前的传感器装置进行网络资源的有效管理, 既要保证当前的传感器具备较强的无线基础, 也要使现有的传感器资源可以利用当前的运行系统实现运行质量的增强[3]。要保证现有的无线传感器操作装置可以进行信息资源的有效管控, 使现有的信息资源可以增强真实程度。
除此之外, 当前的无线传感器必须保证能够具备较强的准确性, 使传感器可以在应用的过程中对频谱实施有效的判断, 并对相关技术成果进行累积。可以利用当前的传感器使用效果, 对外部环境下的感知技术, 对现行技术的可靠性特点进行保证, 以便当前的信息资源可以利用准确性的增强实现表现机制的有效构建。
2.2正确调整测量装置
可以在后续的测算过程中, 对测量的机制进行合理操作, 使当前的信息资源可以按照频谱技术的相关条件进行发展机制的完善。要根据现有的频谱技术发展情况, 对技术的具体成熟度实施有效管理, 使当前的检测工作可以更好的同信道资源实施联合, 在此之外, 需要对技术操作过程中的具体特点实施了解, 使现有的技术优势可以得到更大程度的简化处理, 并根据无线传感器的操作需要进行信息空间的创设, 以便网络环境的突出优势能够在信道领域实现优化。
此外, 如果节点的数量不能保证同通信资源进行适应, 则需要利用当前的经济竞争机制对节点的具体竞争环境进行管理, 以便竞争制度可以利用传感器装置实现竞效能的增强。要结合信道协议的具体特点, 对现有节点的竞争因素实施研究, 以便能够按照无线传输的需要, 对当前实施频谱感知过程中的因素进行管理, 提升频谱感知质量在技术应用领域的实践效果。要加强对现有测量装置的科学性测算, 以便相关问题的解决能够通过技术性标准的完善得到更大程度是优化处理。
三、结论
从无线传感器的使用入手, 面对网络资源华进行的多信道通信技术进行研究, 针对存在的问题实施应对策略的构建, 对新形势下提升无线传感器的应用质量, 具有十分重要的意义。
参考文献
[1]陈迅.无线传感器网络通信协议及定位算法研究[D].复旦大学, 2007.
[2]蔡营.WIA-PA工业无线网络多信道MAC机制研究[D].西南大学, 2013.
无人机多传感器信息融合的关键技术 第10篇
无人机 (UAV) , 又被称为空中机器人, 指的是基于地面站控制系统或者可以实现预定轨迹自主飞行来完成各种飞行任务的无人驾驶飞行器[1,2]。
根据英国国家航空局 (CAA) 和欧洲航空安全局 (EASA) 按照重量对现存各类无人机的划分, 主要有微型无人机 (MAV) 、小型无人机 (SUAV) 和大型UAV 3类[3]。另外, 按照飞行方式UAV还可以分为固定翼式、旋翼式和扑翼式3类。固定翼式无人机不适合在复杂或者狭小的环境中飞行, 扑翼式无人机所涉及的仿生飞行远远达不到工程实用性要求, 所以旋翼式UAV作为主流机型在研究无人机的热潮中受到各国的重视。旋翼式无人机既可以实现垂直起降又可以在空中定点悬停, 并且更容易在空间上实现小型化, 旋翼式SUAV具有受地形影响小、易回收的优点, 被广泛应用于军事领域以及民用领域[4]。世界许多发达国家都已开始将旋翼式SUAV的各项技术列为研究重点。
2 旋翼式无人机的多传感器导航系统
无人机中的导航系统是其重要的组成部分。“导航”就是正确引导飞行体沿着预定的航线在规定的时间内到达目的地。为了完成这个任务, 需要随时知道飞行体的瞬时地理位置、飞行速度、飞行体的姿态航向等参数。这些参数称作导航参数[5]。从本质上来说, 求出无人机的姿态、速度和位置, 就是求出机体坐标系Oxbybzb与导航坐标系Oxnynzn之间相对关系的过程。机体坐标系是指固连在机体上的坐标系, 坐标原点O位于无人机重心处, xb轴沿机体横轴向右, yb轴沿机体纵轴指向前, zb轴垂直于Oxbyb平面沿机体竖轴向上。而导航坐标系Oxnynzn是指在导航时根据导航系统工作的需要而选取的作为导航基准的坐标系。在小型无人机的导航中, 常用的坐标系有地心坐标系、地理坐标系、地球坐标系等。其中, 地球坐标系是固连于地球的坐标系, 原点在地球中心O, xe轴指向格林威治经线, ye轴指向东经90°方向, ze轴与地轴重合。而在低纬度地区, 最常用的导航坐标系是地理坐标系, 其原点O与机体重心重合, xt轴指向东向, yt轴指向北向, zt轴沿铅垂线的反方向指向天, 因此, 地理坐标系也被称为东北天坐标系[6,7,9], 如图1所示。
惯性导航系统 (INS) 是一种完全自主式导航方法, 其工作原理是牛顿力学定律。由载体内部安装的设备测量载体的运动加速度, 经过积分运算得到载体速度和位置等导航信息。由于它完全依靠设备自主完成导航任务, 和外界不发生任何光电联系, 从而隐蔽性好, 工作不受气象条件的影响, 而且能连续提供导航信息[8]。惯性导航是当前航空、航天和航海领域中广泛使用的、最重要的导航方法。
任何一种导航设备的性能和应用范围都有一定的局限性, 不可能完全满足现代飞行器的导航要求, 为了满足其导航要求, 途径之一就是组合不同特点的导航设备, 采用相互优势互补的模式, 实现组合导航。随着航空、航天、航海技术的发展, 对导航系统的性能要求越来越高, 惯性导航系统往往无法满足工程应用的要求, 组合导航系统已成为当前重要的有效导航方案, 高精度和高可靠性是组合导航系统的基本衡量指标。惯导系统的位置误差是随工作时间而积累的, 但其在初始条件正确给定的条件下, 短时精度很高并且可以提供连续实时的全参数 (位置、速度、姿态) 导航信息。因此在组合导航系统中, 往往以惯导系统作为主导航系统, 而将其它导航定位误差不随时间积累的导航系统, 如无线电导航系统RNS、全球定位系统GPS、天文导航系统CNS、地形及景象匹配导航系统TATMNS等作为辅助导航系统[9]。
就传感器件来说, 小型无人机导航往往使用多种传感器系统, 如在1996年的IARC竞赛中获得冠军的美国麻省理工学院/美国波士顿大学/德雷伯实验室的空中机器人项目采用的是差分GPS、陀螺仪、加速度计、声纳高度计和磁罗盘的组合导航方案;佐治亚理工大学的无人机采用的是两组陀螺仪和加速度计、差分GPS、双轴磁力计、声纳、嵌入式测距仪、雷达高度计的组合导航方式[10]等。在各成功的小型无人机项目中, 大多使用了惯性传感器和差分GPS的组合来测量无人机的位置信息, 有的则兼以声纳、雷达等测距装置辅助;对于姿态信息, 几乎所有无人机项目都选择了陀螺仪与罗盘 (或磁力计) 的组合。随着传感器件的进步和算法的改进, 基于重量和体积的考虑, 许多无人机项目都在努力减少传感器的数量, 如仅仅使用惯性测量元件和GPS来获得小型无人机姿态、速度和位置信息。在Hex-Rotor无人机中就使用INS/GPS组合导航系统, 可以获得较高精度的导航信息。
3 多传感器信息融合技术
组合导航系统的实质是一个多传感器的导航信息优化处理系统, 因此信息融合技术就成为组合导航的关键技术之一。由于信息融合研究内容的广泛性和多样性, 很难对信息融合给出一个统一的定义。目前普遍接受的有关信息融合的定义, 是1991年由美国三军组织实验室理事联合会 (JDL) 提出, 1994年由澳大利亚防御科学技术委员会 (DSTO) 加以扩展的[11]。它将信息融合定义为一种多层次、多方面的处理过程, 包括对多源数据进行检测、相关、组合和估计, 从而提高状态和特性估计的精度, 以及对战场态势和威胁及其重要程度进行适时的完整评价。一般意义上的多源信息融合技术是一种利用计算机技术, 对来自多种信息源的多个传感器观测的信息, 在一定准则下进行自动分析、综合, 以获得单个或单类信息源所无法获得的有价值的综合信息, 并完成其最终任务的信息处理技术。这一处理过程称为融合, 表示把多源信息“综合或混合成一个整体”的处理过程。
多传感器信息融合实际上是对人脑综合处理复杂问题的一种功能模拟。在多传感器系统中, 各种传感器提供的信息可能是不同的特征:时变或时不变, 实时的或非实时的, 快变的或缓变的, 模糊的或确定的, 精确的或不完整的, 可靠的或非可靠的, 相互支持或互补的, 也可能是相互矛盾的或冲突的。多传感器信息融合的基本原理就像人脑综合处理信息的过程一样, 通过对各种传感器及其观测信息的合理支配与使用, 将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来, 产生对观测环境的一致性解释和描述。信息融合的目标是基于多个传感器分离观测信息, 通过对信息的优化组合导出更多有效信息。这是最佳协同作用的结果, 它的最终目的是利用多个传感器共同或联合操作的优势, 来提高整个传感器系统的有效性。多传感器信息融合系统则是通过有效地利用多传感器资源, 来最大限度地获取被探测目标和环境的信息量。多传感器信息融合与经典的处理方法之间也存在着本质的差别, 其关键在于信息融合所处理的多传感器信息具有更复杂的形式, 而且通常在不同的信息层次上出现。
我国在多传感器数据融合技术方面开展的工作比较晚, 但是也有很多研究所和高校已经开始了这方面的研究和实验。航空航天部254厂早期仿制美国的“百舌鸟”中就有信息融合的部分。电子工业部29所研制出的被动雷达导引头中的信息融合部分已经达到了先进的水平。哈尔滨工程大学也进行了研制被动雷达导引头的工作, 其中也包括信息融合处理机的部分, 并且作为整个系统的上位机和控制端进行工作[13]。尽管如此, 在信息融合理论的研究和应用发展方面, 我国的技术水平与国外先进国家相比仍然具有较大的差距, 需要进一步研究并且加大投入力度以赶超国外的先进技术。现在信息融合在国内出现了很多热门方向, 许多研究人员在机动目标跟踪、分布检测融合、分布信息融合、多传感器综合跟踪与定位等方面进行了大量的研究工作。
3.1 多传感器信息融合算法
利用多个传感器所获取的关于对象和环境全面、完整的信息, 主要体现在融合算法上。因此, 多传感器系统的核心问题是选择合适的融合算法。对于多传感器系统来说, 信息具有多样性和复杂性, 因此, 对信息融合方法的基本要求是具有鲁棒性和并行处理能力。一般情况下, 基于非线性的数学方法, 如果它具有容错性、自适应性、联想记忆和并行处理能力, 则都可以用来作为融合方法。
多传感器数据融合虽然未形成完整的理论体系和有效的融合算法, 但不少应用领域根据各自具体的应用背景, 已经提出了许多成熟并有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类:随机类方法有加权平均法、卡尔曼滤波法、贝叶斯估计法、D-S (Dempster-Shafer) 证据推理、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、专家系统等[14,15,16]。
3.2 多传感器信息融合系统的结构模型
从多传感器系统的信息流通形式和综合处理层次上看, 状态融合的结构模型主要有4种:
(1) 集中式融合结构。
集中式结构将传感器录取的检测报告传递到融合中心, 在那里进行数据对准、点迹相关、数据互联、航迹滤波、预测与综合跟踪。这种结构的最大优点是信息损失最小, 但数据互联比较困难, 并且要求系统必须具备大容量的能力, 计算负担重, 系统的生存能力也较差。
(2) 分布式融合结构。
分布式融合结构的特点是:每个传感器的检测报告在进入融合以前, 先由它自己的处理器产生局部多目标跟踪航迹, 然后把处理过的信息送至融合中心, 中心根据各节点的航迹数据完成航迹-航迹相关和航迹合成, 形成全局估计。这类系统应用很普遍, 特别是在现代作战系统中, 它不仅具有局部独立跟踪能力, 而且还有全局监视和评估特性。
(3) 混合式融合结构。
混合式融合同时传输探测报告和经过局部节点处理过的航迹信息, 它保留了上述两类系统的优点, 但在通信和计算上要付出昂贵的代价。对于安装在同一平台上的不同类型传感器组成的传感器群用混合式结构更合适, 例如机载多源信息融合系统。
(4) 多级式融合结构。
在多级式结构中, 各局部节点可以同时或分别是集中式、分布式或混合式的融合中心。它们将接收和处理来自多个传感器的数据或来自多个跟踪器的航迹, 而系统的融合节点要再次对各局部融合节点传送来的航迹数据进行相关和合成, 即目标的检测报告要经过两级以上的位置融合处理。典型的多级式系统有海上多平台系统、岸基或陆基战役或战略C3I系统等。多级式融合结构模型如图2所示。
摘要：以Hex-Rotor无人机为研究平台, 介绍机载多传感器信息融合这一关键技术, 探讨信息融合技术的理论与方法。
多传感器技术 第11篇
关键词 数据融合 D-S规则 目标识别 矩阵分析
中图分类号：TP212.9 文献标识码：A
0引言
当各传感器对它们各自的判决并不能百分之百确信时，可以采用一种基于统计方法的数据融合分类算法，即Dempster-Shafer算法。该算法能捕捉、融合来自多传感器的信息，这些信息在模式分类中具有能确定某些因素的能力。使用D-S规则来融合各传感器事件（也称之为命题）的知识，最后找到各命题的交集及与之对应的概率分配值。
1算法概述
每个传感器都能接收一类观察量，这些可观察量都体现了目标及它们所在环境的某些信息。各传感器对这些可观察量再利用各分类算法（传感器级融合）进行分类。这里对每个传感器k（k=1，…，n）赋予一个0-1之间的概率分配值m，这个概率分配值反映了对该判决的确信程度。概率分配值越接近1，说明该判决越有明确的证据支持，从而对物体类型的不确定程度就越低。然后各传感器的各概率分配值通过D-S规则融合，从而再选出某种假设，使该假设能被在各传感器上已经得到的绝大多数证据所支持。
假设n个互斥且穷尽的原始子命题存在，比如目标的类型是a1或a2…或an。这个命题集组成了整个假设事件的空间，我们称之为识别框架 。对该命题集里的每个子命题都可以赋予一个概率分配值m（ai）。如果碰到不是所有的概率分配值都能直接赋给各子命题或他们的并时，可以把剩下的概率分配值全部分配给u（它代表了由不知道所引起的不确定，以后该概率分配值可以进一步的细化）
如果遇到交命题是空集的情况，那么该交命题所对应的概率分配值应设为0，其他非空的交命题所对应的概率分配值应同乘以一个因子K，使得所有概率分配值的和为1，即如果交命题c的概率分配值是这种形式时：
这里定义为空集，如果K为1，则说明mA和 mB是完全矛盾的，此时用D-S规则来融合两个得到完全矛盾信息的传感器是不可能的。
当有三个或更多的传感器信息需要融合时，可以再一次使用D-S规则，方法是把前两个传感器融合后的交命题及对应的概率分配值作为一组新的概率分配值，然后用前面讨论的类似方法将第三个传感器的命题及对应的概率分配值与其相融合。
2基于矩阵分析的D-S规则数据融合
将n个待识别目标以及框架u的m组后验可信度分配构成矩阵：
式（3）表示各传感器被支持的综合程度，被支持的综合程度越高，则在数据融合中的重要程度也越高。根据各传感器数据的重要程度对数据进行融合，得到式（7），从而得到最后的融合结果。
3识别实例与分析
下面用一个三目标双传感器的例子来说明如何运用该法则进行融合。假设存在三个目标 ：a1=轻型汽车，a2 =重型汽车，a3 =履带车；
这里的u表示传感器A、B探测目标由于不知道所引起的不确定性。
D-S融合规则时，首先形成一个矩阵，矩阵中的每个元素是相应命题的概率分配值
这两批数据的不一致因子K为：
运用D-S规则对传感器A、B获取的各目标类型概率分配值进行融合：
传感器A、B以及融合后的基本概率值如表1所示，可以看出，通过D-S规则数据融合，探测到类型轻型汽车的基本概率值明显提高，不确定性值大大下降，所得到的结果确实较各传感器分别决策的结果要好，这说明了该方法应用于数据融合目标识别中应用具有良好的有效性和容错性。
4结语
多传感器技术 第12篇
1.1 多传感器信息融合具体方法
在多传感器信息融合中, 其最重要的部分就是信息融合的方法。信息融合的研究内容是非常丰富的, 涉及的面较广。多传感器信息融合的实现是要通过各种具体的融合方法来进行。在一个多传感器系统中, 系统所获得的各类信息通过各种信息融合方法被处理, 并形成了一致的结果。目前, 对各种传感器都进行融合处理的通用方法还没有出现, 一般都是根据具体的场合来定具体方法。目前, 应用的较为普遍的融合方法有: (1) 加权平均法。这种方法主要就是加权那些来自于不同传感器的冗余信息, 最后得到的加权平均值就是所谓的融合的结构, 这种方法对信息进行处理是较为简单的一种融合方法。采用这种方法进行信息处理必须先对系统和传感器进行详细的分析, 从而得到正确的权值。 (2) 基于参数估计的信息融合方法。这种方法主要包括最小二乘法、贝叶斯估计和多贝叶斯估计、极大似然估计等。在静态环境中较为常用的是极大似然估计, 它将似然函数达到极值时的估计值作为融合信息的取值。在静态环境中, 另一个较为常用的方法就是贝叶斯估计, 这种方法为概率分布信息描述, 使用处理的信息为可加高斯噪声的不确定性信息。多贝叶斯将每个传感器都作为一个贝叶斯估计。对多传感器信息的定量融合通常采用基于参数估计的融合法来进行。 (3) 模糊逻辑。多传感器数据融合过程中的不确定性可以利用模糊逻辑表示在推理过程中。近些年来, 在移动机器人避障、路径规划和目标识别等方面运用模糊集合推理。通常情况下, 模糊逻辑不是单独使用的, 它是与其它的融合方法一同使用。 (4) 人工神经网络。神经网络将输入的数据进行非线性变换, 从而使得聚类分析技术所进行的从数据到属性的分类顺利完成。基于神经网络的多传感器信息融合具有以下特点:具有统一的内部知识表示形式, 通过特定的学习算法可以将神经网络获取的传感器信息进行融合, 获得相应的网络参数;将知识规则转换成数字的形式, 从而便于建立知识库;不用建立系统精确的数学模型, 非常适合于非线性测试情况;还具有大规模并行处理能力, 使得系统信息处理速度很快, 有很强的容错性和鲁棒性。
1.2 多传感器信息融合的层次
1.2.1 数据层融合
数据层融合就是将多分数据或信息进行处理, 组合出更有效、更符合用户需求的数据的过程。数据层融合能够节省能量、提高数据收集效率、增强数据准确性、获取综合性信息等。数据层融合的优点在于尽可能使现场环境信息被保存起来, 至于信息丢失或遗漏等现象根本不会发生, 能够提供其它融合层次所不能提供的细微信息。虽然如此, 但是其也具有一定的局限性, 需要处理巨大的传感器信息, 因此, 处理代价高, 用时长, 实时性差, 抗干扰能力差等。
1.2.2 特征层融合
特征层融合利用从传感器获得的原始数据中提取的充分表示量或充分统计量作为其特征信息, 然后对其进行分类、聚类和综合。特征层融合的优点在于既将数据的重要信息保持住, 又实现了信息压缩, 对于处理过程的实时性的提高有很大的帮助。特征层融合可分为目标状态数据融合和目标特性融合。前者实现了传感器数据的预处理, 实现参数相关和状态向量估计;后者实现了特征层联合识别。特征层融合也具有一些不足, 主要表现在信息损失不可避免, 因此, 对预处理提出较严格的要求。
1.2.3 决策层融合
决策层融合是指挥控制决策的依据, 因此其必须采用适当的融合技术来进行。决策层融合的优点在于:灵活性很高、实时性较好;对于环境或目标各个侧面的不同类型信息能够有效地反映出来;系统对信息传输带宽要求较低;一个或者多个传感器出现问题, 不会影响其获得正确的结果, 因此其容错性较强;融合中心处理代价低;抗干扰能力强;各传感器可以是同质的, 也可以是异质的。
融合的信息与信息源越接近, 获得的精度就越高。因此, 随着融合层次的提高, 虽然会降低对各传感器的同质性要求, 增强系统容错性, 但是融合时会减少信息保存的细节, 降低精确度。因此, 必须综合考虑系统实现的可能性、通信保障能力和传感器子系统局部处理能力等问题, 从而为选用融合过程提供依据。
2. 基于多传感器信息融合的移动机器人系统设计
移动机器人就是模拟人类的一种行为。在移动机器人中, 较为重要的一个部分就是传感器系统。随着科学技术的快速发展, 新型传感器不断涌现, 加之传感器种类的增多、结构的不断微型化、性能的提高, 这些对移动机器人多传感信息系统的应用有很大的帮助。
2.1 传感器建模
多传感器信息系统中, 有两种因素制约每个传感器提供的信息特征, 这两种因素分别为环境状态和传感器本身的特性, 其中传感器本身的特性主要是指由传感器的工作原理和结构所限定的传感器特性, 如传感器的灵敏度、分辨率、作用范围、抗各种干扰的能力等。为了定量地描述传感器的特性以及各种外界条件对传感特性的影响, 要对传感器建模, 它是分析多传感器信息融合技术的基础之一。图1所示是典型的传感器系统信号检测和状态估计模型。
2.2 移动机器人多传感器信息统和算法
多传感器数据融合是一项近几年来发展起来的新技术, 其主要特点是用多个传感器对同一对象进行测量, 得到该对象的多源信息, 并将这些信息进行融合处理, 得到比单一传感器更准确更完全的测量值。本文采用的是自适应加权融合算法, 它是一种使用方便的融合算法, 它不要求知道传感器测量数据的任何先验知识, 只是依靠多传感器提供的测量数据, 就可得出均方误差最小的融合值。融合后数据的均方误差不仅小于依靠单个传感器估计的均方误差, 而且小于采用多传感器均值作估计的均方误差。
摘要：本文对移动机器人多传感器信息融合技术进行了分析, 并采用自适应加权融合算法对多超声波传感器数据与红外传感器数据进行融合。
关键词：移动机器人,传感器,信息融合
参考文献
[1]梁华.移动机器人路径规划与视觉系统基础研究[D].浙江大学, 2002.
[2]唐振民.智能移动机器人及群体关键技术研究[D].南京理工大学, 2002.
[3]许永华.基于信息融合和多行为决策的自主机器人导航系统[D].中南大学, 2002.
[4]洪伟.移动机器人系统中分布式传感器信息融合方法及路径规划问题的研究[D].吉林大学, 2004.
