书签 分享 收藏 举报 版权申诉 / 11
立即下载 加入VIP,免费下载
当前位置： 首页 > 物理 > 计算；推算；计数 > 基于传感器网络的复杂环境下多目标信息融合方法.pdf

基于传感器网络的复杂环境下多目标信息融合方法.pdf

  • 上传人：g****
  • 文档编号：4216561
  • 上传时间：2018-09-07
  • 格式：PDF
  • 页数：11
  • 大小：462.43KB
    • 摘要
    申请专利号：

    CN201110361602.6

    		 申请日：

    2011.11.15
    公开号：

    CN102509020A

    		 公开日：

    2012.06.20
    当前法律状态：

    授权

    		 有效性：

    有权
    法律详情：

    授权|||实质审查的生效IPC(主分类):G06F 19/00申请日:20111115|||公开
    IPC分类号：

    G06F19/00(2011.01)I

    		 主分类号：

    G06F19/00
    申请人：

    哈尔滨工程大学
    发明人：

    林云; 李靖超; 李一兵; 叶方; 康健; 葛娟; 田雪宜
    地址：

    150001 黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室
    优先权：

    专利代理机构：

    		代理人：

    PDF完整版下载： PDF下载
    内容摘要

    本发明的目的在于提供基于传感器网络的复杂环境下多目标信息融合方法，分为以下步骤：选用适当的小波基函数将量测数据分解在若干个尺度上，在每个尺度上的低频子空间信号利用卡尔曼算法进行滤波，得到新的滤波数据，将每个尺度上的高频子空间中细节信号的极大值点去掉，得到新的滤波数据，将每个尺度上处理后的数据通过小波重构算法，得到原始量测数据在不同尺度上滤波后的结果。本发明具有高灵敏度、高精度、高准确率、高稳定性和高可靠性等特点。

    权利要求书

    1： 基于传感器网络的复杂环境下多目标信息融合方法， 其特征是 ： (1) 选用小波基函数将量测数据分解在尺度上 ； (2) 在每个尺度上的低频子空间信号利用卡尔曼算法进行滤波 ： 离散系统在尺度 i 下的状态方程和量测方程为 ： 在尺度 i 下， X(i， k) 为 k 时刻的 n 维状态矢量， 也是被估计矢量 ； Z(i， k) 为 k 时刻的 m 维量测矢量 ； Φ(i， k+1/k) 为 k 到 k+1 时刻的一步转移矩阵 (n×n 阶 ) ； w(i， k) 为 k 时刻 的系统噪声 ； H(i， k) 为 k 时刻的量测矩阵 (m×n 阶 ) ； G(i， k) 是系统噪声的加权噪声 ； v(i， k) 为 k 时刻的 m 维量测噪声， w(i， k) 和 v(i， k) 满足如下条件 ： 其中 Q(i， k) 和 R(i， k) 分别为系统噪声和量测噪声的方差矩阵， 它们分别是已知非负 阵和正定阵 ； δkj 是 Kronecker 函数， 卡尔曼滤波滤波包括时间更新和量测更新 ： 时间更新即预测估计 ： P(i， k/k-1) ＝ Φ(i， k/k-1)P(i， k-1/k-1)ΦT(i， k/k-1)+ T G(i， k-1)Q(i， k-1)G (i， k-1) 量测更新即滤波估计 ： K(i， k) ＝ P(i， k/k-1)HT(i， k)×[H(i， k)×P(i， k/k-1)HT(i， k)+R(i， k)]-1 P(i， k/k) ＝ (I-K(i， k)×H(i， k)]P(i， k/k-1) 式中 K(i， k) 为滤波增益阵 ； (3) 将每个尺度上的高频子空间中细节信号的极大值点去掉， 得到新的滤波数据 ； (4) 将每个尺度上处理后的数据通过小波重构方法， 得到原始量测数据在不同尺度上 滤波后的结果 ： 所述的小波重构方法为 ： 通过一个脉冲响应为 h(l) 的低通滤波器可以从尺度 i 上获得 尺度 i-1 上的低频子空间信号 xL(i-1， k)， 通过一个脉冲响应为 g(l) 的高通滤波器可以获 得尺度 i-1 上的高频子空间信号 xH(i-1， k) ： xL(i-1， k) ＝∑ lh(l)x(i， 2k-l) xH(i-1， k) ＝∑ lg(l)x(i， 2k-l)。

    说明书


    基于传感器网络的复杂环境下多目标信息融合方法

        【技术领域】
         本发明涉及的是一种目标跟踪与识别领域的信息融合方法。背景技术 目标的跟踪与识别是传感器网络的主要用途之一， 也是一个难点和关键问题， 在 许多领域例如交通监控、 机构安全和战场状况获取等方面具有广阔的应用前景。
         在信息时代， 传感器网络所提供的信息量很大， 电磁环境十分复杂， 这就要求信息 融合装置必须具有高灵敏度 ( 作用距离远 )、 高准确率、 高稳定性和高可靠性。一个传感器 网络往往可以获得关于目标的多个特征信息， 如目标的中心频率、 脉宽、 脉冲重复周期、 脉 冲到达时间等， 而一般的信息融合装置只利用了很少的一部分信息， 从而造成了传感器信 息的大量浪费。 另外， 由于信息的利用率不足， 判决依据单一， 往往容易造成误判和错判， 会 对整个跟踪和识别过程产生重大影响。 因而综合利用传感器网络提供的多个特征信息是十 分必要的， 这样既不浪费信息， 又能保证信息融合装置的高灵敏度、 高准确率、 高稳定性和 高可靠性。
         发明内容 本发明的目的在于提供一种高灵敏度、 高精度、 高准确率、 高稳定性和高可靠性的 基于传感器网络的复杂环境下多目标信息融合方法。
         本发明的目的是这样实现的 ：
         本发明基于传感器网络的复杂环境下多目标信息融合方法， 其特征是 ：
         (1) 选用小波基函数将量测数据分解在尺度上 ；
         (2) 在每个尺度上的低频子空间信号利用卡尔曼算法进行滤波 ：
         离散系统在尺度 i 下的状态方程和量测方程为 ：
         在尺度 i 下， X(i， k) 为 k 时刻的 n 维状态矢量， 也是被估计矢量 ； Z(i， k) 为 k 时 刻的 m 维量测矢量 ； Φ(i， k+1/k) 为 k 到 k+1 时刻的一步转移矩阵 (n×n 阶 ) ； w(i， k) 为 k 时刻的系统噪声 ； H(i， k) 为 k 时刻的量测矩阵 (m×n 阶 ) ； G(i， k) 是系统噪声的加权噪声 ； v(i， k) 为 k 时刻的 m 维量测噪声， w(i， k) 和 v(i， k) 满足如下条件 ：
         其中 Q(i， k) 和 R(i， k) 分别为系统噪声和量测噪声的方差矩阵， 它们分别是已知 非负阵和正定阵 ； δkj 是 Kronecker 函数，
         卡尔曼滤波滤波包括时间更新和量测更新 ：
         时间更新即预测估计 ： P(i， k/k-1) ＝ Φ(i， k/k-1)P(i， k-1/k-1)ΦT(i， k/k-1)+ T G(i， k-1)Q(i， k-1)G (i， k-1) 量测更新即滤波估计 ： K(i， k) ＝ P(i， k/k-1)HT(i， k)×[H(i， k)×P(i， k/k-1)HT(i， k)+R(i， k)]-1 P(i， k/k) ＝ [I-K(i， k)×H(i， k)]P(i， k/k-1) 式中 K(i， k) 为滤波增益阵 ； (3) 将每个尺度上的高频子空间中细节信号的极大值点去掉， 得到新的滤波数据； (4) 将每个尺度上处理后的数据通过小波重构方法， 得到原始量测数据在不同尺 度上滤波后的结果 ：
         所述的小波重构方法为 ： 通过一个脉冲响应为 h(l) 的低通滤波器可以从尺度 i 上 获得尺度 i-1 上的低频子空间信号 xL(i-1， k)， 通过一个脉冲响应为 g(l) 的高通滤波器可 以获得尺度 i-1 上的高频子空间信号 xH(i-1， k) ：
         xL(i-1， k) ＝∑ lh(l)x(i， 2k-l)
         xH(i-1， k) ＝∑ lg(l)x(i， 2k-l)。
         本发明的优势在于 ： 本发明具有高灵敏度、 高精度、 高准确率、 高稳定性和高可靠 性等特点。
         附图说明
         图 1 是本发明的多目标信息融合装置实现框图 ；
         图 2 是本发明流程图 ；
         图 3 是数据关联流程图 ；
         图 4 是融合决策流程图。 具体实施方式
         下面结合附图举例对本发明做更详细地描述 ：
         结合图 1 ～ 4， 本发明的目的是这样实现的 ： 信息融合装置首先将传感器网络传送 过来的多个目标的特征信息和状态信息进行多尺度维上的数据预处理， 将数据中的野值和 噪声去除。紧接着采用灰色关联算法对多个尺度维上的数据进行关联， 将最终的关联结果 与信息融合装置中的目标识别数据库进行对比， 利用灰色关联算法得出每个传感器所提供 的目标置信度， 获得传感器网络报告， 最后利用 DS 证据合成理论对传感器网络报告进行时 空域的二级判决， 得出最终的综合判决结果。
         本发明是一个具有高灵敏度、 高精度、 高准确率、 高稳定性和高可靠性的信息融合 装置， 利用传感器提供的大量特征信息进行多尺度维上的数据预处理和数据关联， 将所得 结果利用目标识别数据库形成传感器网络报告， 进行基于 DS 证据合成理论的时空域二级 判决， 最终得到精确的判决结果。多目标信息融合装置由传感器网络 (1)、 串口芯片 (2)、 可编程逻辑器件 FPGA(3)、 数字信号处理器 DSP(4) 和存储芯片 SDRAM(5) 等组成。
         当传感器网络 (1) 搜索到目标后， 将获得的目标的多个特征信息及状态信息作为 数据 0 传送给串口芯片 (2)， 串口芯片 (2) 将数据 0 量化后变成数据 1 传送给可编程逻辑芯 片 FPGA(3)。 可编程逻辑器件 FPGA(3) 对数据 1 进行多尺度维上的数据预处理和数据关联， 这里多尺度维上的数据预处理是指对数据 1 进行多尺度维上的滤波和野值剔除， 多尺度维 是指利用小波分解算法将量测数据分解到多个尺度上。可编程逻辑器件 FPGA(3) 将处理后 的数据 2 传送给数字信号处理器 DSP(4)， 数字信号处理器 DSP(4) 将数据 2 与目标识别数据 库对比， 按照灰关联算法得出目标的置信度， 并形成传感器网络报告， 采用基于 DS 证据合 成理论的时空域二级判决模型， 得到最终判决结果。数字信号处理器 DSP(4) 将最终的判决 结果作为数据 3 传送给存储器 SDRAM(5)。
         图 2 是多尺度维数据预处理流程图。
         在目标跟踪与识别过程中， 会不可避免的引入噪声和野值， 导致后面的状态更新 才生错误， 无法准确的跟踪和识别目标。因此需要首先在可编程逻辑器件 FPGA(3) 内对数 据 1 进行数据预处理， 即数据滤波和野值剔除， 提高量测数据的信噪比， 本发明采用多尺度 维上的卡尔曼滤波算法。 算法的基本思路 ：
         1 根据实际情况， 选用适当的小波基函数将量测数据分解在若干个尺度上。
         2 在每个尺度上的低频子空间信号利用卡尔曼算法进行滤波， 得到新的滤波数据。
         3 将每个尺度上的高频子空间中细节信号的极大值点去掉， 得到新的滤波数据。
         4 将每个尺度上处理后的数据通过小波重构算法， 得到原始量测数据在不同尺度 上滤波后的结果。
         卡尔曼滤波算法的基本原理 ：
         已知离散系统在尺度 i 下的状态方程和量测方程如下所示 ：
         在尺度 i 下， X(i， k) 为 k 时刻的 n 维状态矢量， 也是被估计矢量 ； Z(i， k) 为 k 时 刻的 m 维量测矢量 ； Φ(i， k+1/k) 为 k 到 k+1 时刻的一步转移矩阵 (n×n 阶 ) ； w(i， k) 为 k 时刻的系统噪声 ； H(i， k) 为 k 时刻的量测矩阵 (m×n 阶 ) ； G(i， k) 是系统噪声的加权噪声 ； v(i， k) 为 k 时刻的 m 维量测噪声。w(i， k) 和 v(i， k) 需要满足如下条件 ：
         其中 Q(i， k) 和 R(i， k) 分别为系统噪声和量测噪声的方差矩阵， 它们分别是已知 非负阵和正定阵 ； δkj 是 Kronecker 函数。
         卡尔曼滤波滤波原理包括时间更新和量测更新。
         时间更新 ( 即预测估计 ) ：
         P(i， k/k-1) ＝ Φ(i， k/k-1)P(i， k-1/k-1)ΦT(i， k/k-1)+ T G(i， k-1)Q(i， k-1)G (i， k-1) 量测更新 ( 即滤波估计 ) ： K(i， k) ＝ P(i， k/k-1)HT(i， k)×[H(i， k)×P(i， k/k-1)HT(i， k)+R(i， k)]-1P(i， k/k) ＝ [I-K(i， k)×H(i， k)]P(i， k/k-1)
         式中 K(i， k) 为滤波增益阵。
         小波算法的基本原理 ：
         由小波理论可知， 通过一个脉冲响应为 h(l) 的低通滤波器可以从尺度 i 上获得尺 度 i-1 上的低频子空间信号 xL(i-1， k)， 通过一个脉冲响应为 g(l) 的高通滤波器可以获得 尺度 i-1 上的高频子空间信号 xH(i-1， k) ：
         xL(i-1， k) ＝∑ lh(l)x(i， 2k-l)
         xH(i-1， k) ＝∑ lg(l)x(i， 2k-l)
         图 3 是数据关联流程图。
         数据关联是指判别来自不同传感器的量测或相同传感器的量测数据是否代表同 一个目标的过程。本发明采用熵权灰色数据关联算法， 关联概率的获取方法如下 ：
         传感器能够获取目标的多个特征信息， 如状态信息 (S)、 中心频率 (f)、 脉冲重复 周期 (T)、 脉宽 (τ)、 脉内特征 (C) 等， 设： 比较数列 xi ＝ {xi(j)|j ＝ 1， 2·， M}， 1 ＝ 1， 2·m(k) ： 表示 k 时刻有 m(k) 个量测数列。参考数列 X0 ＝ {X0(j)|j ＝ 1， 2·， M} ： 为参考目 标的特征信息。
         1、 计算指标绝对差 Δi(j)
         指标绝对差 Δi(j) ＝ {X0(j)-Xi(j)} ： 表示 X0 与 Xi 第 j 个指标的绝对差。
         2、 计算关联系数 ξi(j)
         其中，为所有量测所有指标差中的最小值，为所有量测所有指标差中的最大值。ρ 称为分辨系数， 取值范围为 [0， 1]， 通常取 ρ ＝ 0.5。 3、 计算熵权
         各个特征的权重反应了各个特征在整个观测过程中的重要程度。 一般权重由专家 主观经验给出， 没有科学可靠性。熵权可以自适应的根据特征信息给出特征的权重。其计 算过程如下 ：
         (1) 确定好初始数据矩阵 Δ
         Δ ＝ (Δij)m×n ＝ [Δi1Δi2， ·Δin]
         其中， i ＝ 1， 2， ·m ； j ＝ 1， 2， ·n， Δij 为第 i 个量测第 j 个特征的特征值。
         (2) 计算第 j 项指标下第 i 单元的指标值比重 pij
         (3) 计算第 j 个特征值的输出熵每个判别特征的熵值为 ：用熵值的最大值为 Emax ＝ lnm 对 Ej 进行归一化， 得到表征第 j 个特征相对重要性 确定程度的熵值 ：
         ej ＝ Ej /Emax
         (4) 计算第 j 个特征的变异度 Dj
         Dj ＝ 1-ej(j ＝ 1， 2， ·n)
         (5) 计算第 j 个特征的权重 αj
         4、 计算灰关联度 γi图 4 是融合决策流程图。 由灰关联度形成传感器报告的过程如下 ： 定义目标识别数据库中所有目标的集合为 传感器报告中各证据形成如下 ：
         其中 m(R) 为不确定性目标的基本概率赋值函数， γi 为第 i 个量测与目标识别框 架的灰关联度。
         DS 证据合成理论的时空域判决方法如下 ：
         1、 单个传感器的时域判决
         根据单传感器报告， 对于第 s 个传感器， s ＝ 1， 2， ·P， 依据 Q 个测量周期的累积量 测， 可得第 i 个命题 Ai(i ＝ 1， 2， ·， N) 的单个传感器时域判决结果为 ：
         其中，z ＝ 1， ·， Q。不确定目标的时域判决结果为 ：2、 多个传感器的空域融合判决
         对所有传感器的时域判决结果进行空域上的融合。第 i 个命题 Ai(i ＝ 1， 2， ·， N) 的多传感器的空域判决结果为 ：
         不确定目标的空域判决结果为 ：
         3、 判决原理 判决规则 ： 设有两焦元 若满足 ：
         则 A1 为判决结果， 其中 ε1， ε2 为预先设定门限， Θ 为不确定集合， 并且 A1、 A2 满足：

    举报
    举报     版权申诉
    版权申诉     PDF格式文档无特别注明外均可编辑修改；预览文档经过压缩，下载后原文更清晰！ 立即下载
    关 键  词：
    基于 传感器 网络 复杂 环境 多目标 信息 融合 方法
      专利查询网所有文档均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
    0条评论

    还可以输入200字符

    暂无评论，赶快抢占沙发吧。

    关于本文
    本文标题：基于传感器网络的复杂环境下多目标信息融合方法.pdf
    链接地址：https://www.zhuanlichaxun.net/p-4216561.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
    经营许可证编号:粤ICP备2021068784号-1