《多传感器技术综述_现代测量技术与误差课程论文》由会员分享，可在线阅读，更多相关《多传感器技术综述_现代测量技术与误差课程论文（9页珍藏版）》请在金锄头文库上搜索。
1、多传感器技术综述 现代测量技术与误差分析课程论文【摘要】本文讨论了四类多传感器技术，着重介绍了多传感器信息融合技术的思想和实现方法，介绍了其在实际中的应用，并展望了未来多传感器系统的前景，并给出了多传感器技术有待研究的方向。【关键词】 多传感器技术；信息融合；展望一、 引言传感器是获取信息的工具。传感器技术是关于传感器设计、制造及应用的综合技术，是信息技术的三大支柱之一。传感器技术是当前代表国家综合科研水平的重要技术，传感器技术的具体应用是传感器技术转化的重要途径和方法。主要传感器技术有光电传感器技术、多传感器技术、生物传感器技术等。多传感器技术中研究最为广泛的是多传感器信息融合技术，自从其在
2、军事上成功应用后，大大提高了传感器系统的可靠性和鲁棒性、扩展时间上和空间上的观测范围、增强数据的可信任度、增强系统的分辨能力。二、 主要的多传感器技术目前多传感器技术主要是指多传感器信息融合技术。实际上，多传感器技术还包括多传感器阵列制作，多传感器系统的性能分析，多传感器系统的整体设计与管理等等。2.1 信息融合技术信息融合技术是指对来自多源的信息和数据进行检测、关联、估计和综合等多级多方面的处理,以得到精确的状态和身份估计,以及完整、及时的态势评估和威胁估计。比较成熟的多传感器信息融合方法主要有：经典推理、卡尔曼滤波、贝叶斯估计、DS证据推理、聚类分析、参数模板法、物理模型法、熵法、品质因素
3、法、估计理论法和专家系统法等；新近出现的信息融合方法主要有：模糊集合理论、神经网络、粗集理论、小波分析理论和支持向量机等 。在实际应用中，这些方法通常各取所长，相互交叉使用。2.2 多传感器阵列技术集成化是实现传感器系统智能化的一条重要途径。这种智能化传感器系统采用微机械加工技术和大规模集成电路工艺技术，用硅作为基本材料，把敏感元件、信号调理电路、微处理器单元等集成在一块芯片上而构成。多传感器阵列技术则是这一技术的延伸。目前，有关多传感器阵列技术的研究与应用取得了一些进展，但主要集中在声学阵列传感器、光学阵列传感、化学阵列传感等方面。2.3 多传感器系统的性能分析对于一个传感器系统来说，其性能
4、可分为静态性能和动态性能两部分。静态性能主要有：零位，灵敏度，量程，分辨率等；动态性能主要有：迟滞，重复性，线性度，精度，温度系数与温度附加误差等。多传感器系统因为各传感器的特性的不同使得系统的综合性能各有千秋，因此，多传感器系统的性能分析又有其特殊性。特别是系统的动态性能分析，给多传感器技术提出了新的挑战。例如非线性多传感器系统的误差计算问题同单一传感器相比，由于存在误差的交叉传递，因此其计算的复杂度明显提高，性能的分析难度也相应增大。2.4 多传感器系统的整体设计与管理多传感器系统设计就是根据系统的任务选择合适的传感器，按合适的组织方式把各传感器放置在合适的位置。目前多传感器系统中各传感器
5、的组织方式主要有：集中式、分散式和综合式 。传感器管理最基本的目的就是在合适的时候选择合适的传感器对合适的目标做合适的服务。其功能包括目标排列，事件预测、传感器预测、传感器对目标的分配，空间和时间范围控制以及配置和控制策略 。传感器管理的核心问题是根据一定的准则，建立一个易于量化的目标函数，再加上传感器资源的约束条件，然后对目标函数进行优化以获得传感器对目标的有效分配。目前，传感器的管理方法主要有：基于规划论的方法、基于信息论的方法、基于模糊和神经网络的方法、基于随机集合理论的方法、基于专家系统的方法等。此外，还有基于贝叶斯概率论和流程图方法、基于决策论的方法和自适应传感器管理方法等。三、 多
6、传感器信息融合多传感器信息融合技术又称为多传感器数据融合技术，就是利用计算机对各种信息源进行处理、控制和决策的一体化过程，是研究最为深刻、发展最为迅速、应用最为广泛的多传感器技术，下面对其详细介绍。3.1 多传感器信息融合的层次结构三层融合结构, 即数据层、特征层和决策层。 数据层融合首先将全部传感器的观测数据融合, 然后从融合的数据中提取特征向量, 并进行判断识别。这便要求传感器是同质的(传感器观测的是同一物理现象), 如果多个传感器是异质的(观测的不是同一个物理量),那么数据只能在特征层或决策层进行融合。数据层融合不存在数据丢失的问题, 得到的结果也是最准确的,但对系统通信带宽的要求很高。
7、特征层融合指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。决策层融合是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。由于对传感器的数据进行了浓缩,这种方法产生的结果相对而言最不准确, 但它对通信带宽的要求最低。对于多传感器融合系统特定的工程应用,应综合考虑传感器的性能、系统的计算能力、通信带宽、期望的准确率以及资金能力等因素,以确定哪种层次是最优的。另外, 在一个系统中,也可能同时在不同的融合层次上进行融合。3.2 多传感器信息融合实现方法信息融合
8、的方法分成三大类:一是基于随机模型的融合方法；二是基于最小二乘法的融合方法;三是智能型的融合方法。基于随机模型的融合方法主要有贝叶斯推理、证据理论、鲁棒估计、递归算子；基于最小二乘法的融合方法主要有卡尔曼滤波、最优理论；智能型的融合方法主要有模糊逻辑方法、神经网络方法、遗传算法、人工智能方法、粗集理论、支持向量机、小波分析理论等。常用的多传感器信息融合算法有：（1）加权平均法。这是一种最简单最直观的数据融合方法，即将多个传感器提供的冗余信息进行加权平均后作为融合值。该方法能实时的处理动态的原始传感器读数，它的缺点是需要对系统进行详细的分析，以获得正确的传感器权值，调整设定权系数的工作量很大，并
9、且带有一定的主观性。（2）聚类分析法。根据事先给定的相似标准，对观测值分类，用于真假目标分类、目标属性判别等。聚类分析定义相似性函数或关联度量以提供任何两个特征向量间“接近”程度或不相似程度的值,依隶属度将样本归并到某类。可分成硬聚类和模糊聚类和可能性聚类等方法。（3）贝叶斯估计法。是融合静态环境中多传感器低层数据的一种常用方法，融合时必须确保测量数据代表同一实体（即需要进行一致性检测），其信息不确定性描述为概率分布，需要给出各传感器对目标类别的先验概率，具有一定的局限性。（4）多贝叶斯估计方法。将环境表示为不确定几何的集合，对系统的每个传感器作一种贝叶斯估计，将各单独物体的关联分布组成一个联
10、合后验概率分布函数，通过列队的一致性观察来描述环境。（5）卡尔曼滤波。它使用于动态环境中冗余传感器信息的实时融合。当噪声为高斯分布的白噪声时，卡尔曼滤波提供信息融合的统计意义下的最优递推估计。对非线性系统模型的信息融合，可采用扩展卡尔曼滤波及迭代卡尔曼滤波。（6）统计决策理论。将信息不确定性表示为可加噪声。先对多传感器进行鲁棒假设测试，以验证其一致性；再利用一组鲁棒最小最大决策规则对通过测试的数据进行融合。（7）D-S证据推理。是贝叶斯方法的推广，用信任区间描述传感器信息，满足比贝叶斯概率理论更弱的条件，是一种在不确定条件下进行推理的强有力的方法，使用于决策层融合。（8）模糊神经网络。多传感器
11、提供的环境信息具有不确定性,其信息融合实质上是不确定性推理过程。若指定01间的实数表示传感器提供目标观测信息的真实度,则构成模糊集合。基于模糊规则,对模糊集合进行模糊推理,可获得环境信息的融合结果。基于模糊神经网络多传感器融合的一般结构和处理过程如下:（9）粗集理论。基于贝叶斯估计和D-S推理的融合方法,需先确定先验概率。用神经网络进行融合存在样本集的选择,信息融合时模糊规则不易建立,隶属函数难以确定。采用基于粗糙集理论的融合方法,把每次传感器采集的数据看成等价类,利用粗糙集理论的化简和相容性,可对传感器数据进行分析,剔除相容信息,求出最小不变核,找出对决策有用的决策信息,得到最快的融合算法。
12、四、多传感器技术应用的主要领域4.1 图像处理与识别图像处理与识别应用面非常广。但由于成像传感器的不同、景物本身的问题以及各种干扰的存在，使得摄取的图像存在某些失真与程度不同的变质，多传感器技术在图像与识别中的应用就是解决如何从多幅图像中恢复出原始真实的图像。其图像的来源可以是同一个传感器不同时刻的拍摄的，也可以是不同传感器拍摄的。图像的识别是建立在图像真实性的基础上，它从图像中提取出图像特征，然后根据这些特征进行判别，以判定病人的病情、未来的天气情况、目标识别等。由于图像处理与识别除了图像的融合与特征提取之外，还涉及到分类与二值判别等方面，因此其所用到的融合方法几乎涉及到所有的方法。而且通常
13、采用不同方法交叉配合的方法，以获得更好的图像识别效果。4.2 航迹跟踪航迹跟踪就是根据来自不同传感器的信息估计出各目标的位置与运动方向、速度和加速度。在军事上，这可以对敌方、友方和己方的飞机、导弹进行跟踪，帮助指挥中心对战场进行态势估计与威胁估计，指挥各兵种进行协同作战，充分发挥己方兵力优势，尽早、尽快地将敌方歼灭，并保护己方的设施不受攻击。在民航方面，多传感器技术可以帮助飞机准确着陆，避免飞机在空中靠得过近而发生撞机事件，帮助轮船在航行过程中不脱离航线，避免触礁或轮船相撞等恶性事件。此外，航迹跟踪还包括多传感器多参量检测。多传感器多参量检测的目的就是准确地定量地估计出系统的多个运行状态。它广
14、泛应用于工业控制、环境治理和产品质量检测等方面。航迹跟踪中的信息融合方法根据数据的处理方式可以分为三种：点迹融合、融合跟踪和航迹融合。航迹跟踪中的状态估计主要用到的是Kalman滤波技术 、模糊技术、神经网络技术 、D-S证据理论和极大似然估计等。4.3 故障诊断故障诊断是利用诊断对象的各种运行状态信息和已有的各种知识，进行信息的综合处理，最终得到关于系统运行状况和故障状况的综合评价，以避免系统因在发生故障情况下运行而引起不可堪想的损失，保证设备在发生故障时的快速修复。故障诊断所包括的范围很广，它包括机械设备运行故障诊断和人体健康诊断，同时也包括故障诊断系统本身的故障诊断，因此在国民生产与生活
15、中占有非常重要的地位。用于故障诊断的多传感器技术很多，从证据理论到贝叶斯决策，从聚类分析到模糊集合，从粗集理论到神经网络，所有的信息融合技术几乎都涉及到了。4.4 系统建模系统模型分为机理模型、统计模型和混合模型。多传感器技术在系统建模中的应用就是由多个传感器收集必要信息，再进行回归分析或统计分析，以确定系统数学模型或近似数学模型。一般来说，多传感器数据融合建模方法大体分为两大类：一种是基于传统的多元统计理论，如主元法、聚类分析法、最小二乘法及其扩展算法等；另一种是通过一定的前期训练，得到一种具有自我学习功能的算法，如神经网络等。五、 多传感器技术展望尽管数据融合技术近年来取得了飞速发展，但它
16、仍然是一门新发展的学科，很多理论还不健全，随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术、并行计算软件和硬件技术等相关技术的发展，它将不断完善。（1) 建立数据融合的基础理论,这包括进一步研究融合技术的数学基础,对于同类信息相融合的数值处理:主要研究其各种最优、次优分散式算法；对于不同类型信息相融合的符号处理方法,引进其它领域的一些新技术:如具备学习功能的新型AI技术、进化算法、小波分析技术、进化神经网络等。（2）开展对兼有稳健性和准确性的融合算法和模型的研究。多传感器数据融合从本质上说是一个参数估计问题,或者说是一个算法问题。信号处理技术及其软件的实现方法在数据融合中占了相当大的比重。应加强对国内外研究成果的跟踪,借鉴成功经验,着重研究相关处理、融合处理、
