基于通信故障的多传感器系统融合估计算法研究报告

《基于通信故障的多传感器系统融合估计算法研究报告》由会员分享，可在线阅读，更多相关《基于通信故障的多传感器系统融合估计算法研究报告（13页珍藏版）》请在金锄头文库上搜索。

1、基于通信故障的多传感器系统融合估计算法研究报告基于通信故障的多传感器系统融合估计算法研究报告1. 原理简介 在实际的多传感器系统进行数据融合时，传输线路由于各种各样的原因总会一些故障，而导致某些传感器的数据无法及时传送到中信处理器，为了检测哪些传感器传输出现故障，首先给出经过改进后的无反馈层次结构的融合模型。该模型就是在正常的最优联合融合算法的基础上增加一个标志寄存器Bi，该操作根据硬件电路的设计来实现。寄存器Bi初始状态为低电平，当中心处理器接收到传感器i的信息时，立刻给相应的寄存器一个高电平信号，则相应的寄存器Bi被置为1，否则Bi保持0。利用Kalman滤波的方法对数据进行预测估计，得到

2、结果信息融合。利用公式 （1） （2）2. 仿真结果 从图1中可以看出，故障情况下最优融合估计比正常情况下的融合估计较不稳定。在某些时间点估计偏差较大。可以看出当传输出现故障时，IOCFA算法的精确度低于正常情况。但他具有实时检测以及故障处理的功能。图1 NOCFA与IOCFA算法融合估计效果图 根据附件1传输故障统计表可以看出在第55、66次采样时传输故障为0个由图可以看出，此时图形IOCFA与NOCFA的值相等，且误差为0，如图2、3所示。图2 局部放大图图3 NOCFA与IOCFA算法融合估计误差图图4 IOCFA算法跟踪到（部分）出现通信故障的传感器示意图 求取两种算法的曲线均值，得到

3、两种的误差，如表1所示。表1 两种算法的据对误差均值算法NOCFAIOCFA差值均值2.90461.97440.93033. 存在疑问老师给的论文中，给出了IOCFA算法跟踪到出现故障的传感器示意图。这个图在程序中怎么表示？附录1 仿真程序代码% 通信故障时Kalman最优滤波融合算法% 公式步骤：%（1）在k+1时刻产生1*N的随机向量（u=randn(1,N)）;%（2）对每个随机变量中的元素进行判断，如果u（i）=E(E是一个任意的实数，在本节仿% 真中取E=0)，则将相应的标志寄存器Bi置1；否则为0；%（3）如果Bi全为0，则转到（1）重新产生随机向量；否则继续；%（4）继续融合算法

4、% 要求：% 能够比较滤波后估计与预测值的差别，能够比较出它的优越性。% 作者： 时间：2013年8月7日%clearclose allclcx0=5;x_gj0=5;p0=10;fai=0.98;q=0.5;h=0.98;r=0.2;N=5;l=100;E=0;s=0;s1=0;%产生仿真信号数据for k=1:l a=0; while(1) u=randn(1,N); for i=1:N if u(i)E B(k,i)=0; a=a+1; else B(k,i)=1; end end if a=N a=0; continue else break end end for i=1:N w(k

5、,i)=sqrt(q)*u(i); v(k,i)=sqrt(r)*u(i); if k=1 x(k,i)=fai*x0+w(k,i); %表示第i个传感器的k时刻的状态 z(k,i)=h*x0+v(k,i); else x(k,i)=fai*x(k-1,i)+w(k,i); %状态方程 z(k,i)=h*x(k,i)+v(k,i); %观测方程 end endend%Kalman滤波估计for k=1:l for i=1:N if k=1 x_yc(k,i)=fai*x_gj0; p_yc(k,i)=fai*p0*fai+q; K(k,i)=p_yc(k,i)*h*inv(h*p_yc(k,i

6、)*h+r); x_gj(k,i)=x_yc(k,i)+K(k,i)*(z(k,i)-h*x_yc(k,i); p_gj(k,i)=(1-K(k,i)*h)*p_yc(k,i); else x_yc(k,i)=fai*x_gj(k-1,i); p_yc(k,i)=fai*p_gj(k-1,i)*fai+q; K(k,i)=p_yc(k,i)*h*inv(h*p_yc(k,i)*h+r); x_gj(k,i)=x_yc(k,i)+K(k,i)*(z(k,i)-h*x_yc(k,i); p_gj(k,i)=(eye(1)-K(k,i)*h)*p_yc(k,i); end endend%信息融合fo

7、r k=1:l for i=1:N s(k,i)=inv(p_gj(k,i)*B(k,i); % 5个传感器对列求和 s_nor(k,i)=inv(p_gj(k,i); %s_nor传感器正常情况下的值 end p_rh(k)=inv(sum(s(k,:); p_rhnor(k)=inv(sum(s_nor(k,:); for i=1:N s1(k,i)=p_rh(k)*inv(p_gj(k,i)*x_gj(k,i)*B(k,i); %乘以B(i)进行传感器非故障的选择 s1_nor(k,i)=p_rhnor(k)*inv(p_gj(k,i)*x_gj(k,i); end x_rh(k)=su

8、m(s1(k,:); x_rhnor(k)=sum(s1_nor(k,:); y(k)=abs(x_rh(k)-x_rhnor(k); y(k)=(x_rh(k)-x_rhnor(k); endfor k=1:l for i=1:N if B(k,i)=0 a(k,i)=i; else a(k,i)=nan; end endend%图形输出与比较 figure(1);hold on;grid on;%axis(20 40 0 10);plot(x_rh,b.-);plot(x_rhnor,r*-);title(IOCFA与NOCFA的比较)legend(IOCFA,NOCFA)hold off

9、;figure(2);hold on;grid on;%axis(20 40 0 5);plot(y,r*-);title(两种算法的估计差值)legend(融合时刻)hold off;EX_rh=mean(x_rh);EX_rhnor=mean(x_rhnor);EY=mean(y);e=EX_rh-EX_rhnor; figure(3);hold on;grid on;axis(20 40 0 6);plot(a,r*);title(IOCFA算法跟踪到出现通信故障的传感器示意图) 附录2 传输故障个数统计表表2 传输故障个数统计表序号传感器传输状态故障个数统计10011122010004

10、3100112410000451011026001103711000381010129100103101001121101000412110012131001031410000415110003160100131701100318101003190111022011101121000104220110122300100424111011250001132611110127010004281100122901100330101102310111113210000433010013341111013501101236110003371001123811110139010013400010134111001242111011431001034411101145110012