基于动态Kalman滤波的多传感数据融合算法研究.pdf

《基于动态Kalman滤波的多传感数据融合算法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、全面感知ComprehensivePerception基于动态Kalman滤波的多传感数据融合算法研究吴耀，李文钧，姜华，何风行（杭州电子科技大学电子信息学院，浙江杭州201408）摘要：提出一种基于动态Kalman滤波的多传感器数据融合算法。首先通过模糊理论和协方差匹配技术对传统的Kalman滤波算法中的噪声协方差进行调整，使模型的噪声更接近真实的噪声水平，这在很大程度上提高了Kalman滤波器对模型变化的适应能力。然后使用矩阵加权多传感器线性最小方差意义下的最优信息融合算法实现数据融合。最后通过仿真实验验证了本

2、文所提出的算法优于经典的卡尔曼滤波算法。关键词：数据融合；噪声协方差；卡尔曼滤波；传感器中图分类号：TP274文献标识码：A文章编号：2095-1302（2015）01-0027-030引言噪声，且P（k）满足：[1]多传感器数据融合结果的性能是一直存在的问题，针E{P（k）}=0（3）T对这个问题的其中一个解决办法是通过经典卡尔曼滤波算法，E{P（k）P（s）}=Q（k）δks（4）[2]它采用方差上界消除相关和统一的信息分配原则，避免了互其中：E为数学期望，T为转置，δkj为克罗内克函数。n协方差阵的计算来对多

3、传感器组合系统进行数据处理，后来式（2）中i表示第i个传感器，Y（ik）∈R为第i个传感[3-5]n又有人在此基础上提出了极大似然融合估计算法，但是要器的观测向量，Z（ik）∈R为第i个传感器的观测阵，M（ik）n求假设随机变量服从正态分布，以便构造似然函数。这在很∈R为对应传感器的观测噪声，满足均值为0的高斯分布，大程度上提高了多传感数据融合的准确度，但是，在实际的且M（k）满足：融合过程中经典卡尔曼滤波器技术存在着难以克服的发散问E{M（ik）}=0（5）T题等，当观测噪声和过程噪声不再是白噪声时，滤波器就会变

4、E{M（ik）Mi（s）}=T（ik）δks（6）得不稳定。其中：E为数学期望，T为转置，δkj为克罗内克函数。针对传统的卡尔曼滤波器与系统模型的耦合度强、鲁棒2经典Kalman滤波描述[6，7]性差以及难以克服的发散问题，本人在研究了大量现有的2.1经典Kalman滤波算法数据融合算法的基础之上，提出了一种基于动态卡尔曼滤波的1960年由卡尔曼首次提出卡尔曼滤波，Kalman滤波是一多传感器数据融合算法，在很大程度上提高了Kalman滤波种线性最小方差估计。Kalman滤波理论在很多领域都得到了器对模型变化的适应

5、能力，使滤波精度更高。最后通过仿真较好的应用，阿波罗登月飞行和C-5A飞机导航系统的设计是实验验证了本文所提出的算法优于经典的卡尔曼滤波算法。早期应用中的成功者。本文主要讲述景点卡尔曼滤波算法在多1系统总体概述传感数据融合领域的应用。首先，假设存在N个不同的传感器，它们的采样率是一对于第一节中的系统，经典Kalman滤波算法描述为：致的。多传感器动态系统的模型可描述为：X（k）=X（k/k－1）+H（k）[Y（k）－Z（k）X（k/k－1）]（7）X（k）=A（k）X（k－1）+B（k）P（k）（1）X（k/k－1

6、）=A（k）X（k/k－1）（8）TT-1Y（ik）=Z（ik）X（k）+M（ik），i=1，2，…，N（2）H（k）=（rk/k－1）Z（k）[Z（k）（rk/k－1）Z（k）+T（k）]（9）nTT其中：k表示离散时间，X（k）∈R是系统的n维状态向量，Ar（k/k－1）=A（k）r（k－1）A（k）+B（k）Q（k）B（k）（10）n（k）∈R是系统的状态转移矩阵，B（k）是噪声与状态向量之r（k）=[I－H（k）]Z（k）r（k－1）（11）间的转移矩阵，随机向量P（k）表示状态转移时系统的高斯2.2线性最

7、小方差加权数据融合算法在线性最小方差意义下的多传感器系统，有如下加权数————————————————据融合定理。收稿日期：2014-09-10n基金项目：国家电网公司科技项目“变电运维作业现场安全防护及定理1：已知有n个不同传感器，它们的随机向量Y∈R监控技术研究与应用”的N个无偏估计为Y（ik/k），i=1，2，…，n，且已知估计误差2015年/第1期物联网技术27全面感知ComprehensivePerception的协方差阵为Pij，i，j=1，2，…，m，则按矩阵加权线性最小模糊控制规则生成是将输入的模糊

8、量通过推理生成输出的模方差无偏融合估计Y0（k/k）为：糊量，最后的反模糊化过程则把输出的模糊量输出转化成精N确量的输出。反模糊化的主要方法有最大隶属度法、重心法，（12）Y0^kk/h=/BiYi^kk/hi=1其中，重心法是目前应用较多的反模糊化方法，本文采用的就最优加权阵Bi，i=1，2，…，m由下面的公式计算：是重心法，其计算公式如下：-1T-1-1