一種多傳感器選擇性量測數據融合估計算法制造技術

本發明專利技術屬于多傳感器融合估計領域，公開了一種多傳感器選擇性量測數據融合估計算法。針對當前常規的數據融合算法應用于目標跟蹤估計中存在的數據傳輸量大等缺點，本發明專利技術所提出的算法會選擇各傳感器量測數據中部分有價值數據提交給融合中心，提高數據的利用效率，在滿足一定目標估計精度同時，大大降低結點之間數據的傳輸量。對于量測數據如何選則，本發明專利技術的方法基于人工神經網絡與遺傳算法相結合的思路，通過遺傳算法優化，使多傳感器跟蹤系統在總的數據帶寬一定時獲得較好的目標跟蹤估計效果。因此，本發明專利技術對于解決實際目標跟蹤估計問題具有重要的現實意義。

【技術實現步驟摘要】
一種多傳感器選擇性量測數據融合估計算法
本專利技術屬于多傳感器融合估計領域，涉及一種多傳感器選擇性量測數據融合估計算法。
技術介紹
多傳感器融合估計問題是將傳統的目標狀態估計與數據融合理論相結合，基于多個傳感器測量結果而進行的目標跟蹤估計。針對水下環境的目標跟蹤，由于常用的傳感器如聲納的測量精度不高，加入多傳感器的數據融合技術能夠有效提高目標估計精度。此外，在水下環境中多個傳感器節點之間的通信往往會受到限制，因此針對目標跟蹤問題，研究如何在傳感器節點間的數據傳輸帶寬受限的情況下，對多傳感器量測數據進行融合來保障較好的跟蹤效果，是一個具有理論研究意義以及相關實際應用價值的問題。當前常規的數據融合算法主要包括兩類：分布式融合和集中式融合。分布式融合是指每個傳感器在接收到量測數據后會進行預處理，然后將處理后的中間結果提交給融合中心，再進行融合，其優點是節點間的數據傳輸量非常低，但對目標的跟蹤估計效果不佳；集中式融合是指將所有的傳感器原始量測數據都提交給融合中心進行處理，理論上具有最優的融合結果，但該算法的數據傳輸量大，對不同結點間的數據傳輸帶寬提出了很高的要求，在實際的水下目標跟蹤估計中實現起來比較的困難。為了在數據傳輸量受限的情況下對目標進行融合估計，本專利技術提出了一種基于選擇性量測數據融合的算法。考慮到實際應用中每一時刻傳感器往往獲取的是一組量測數據，例如圖像數據，一般只有部分量測數據包含著目標的信號，而其余的量測數據往往反映的是噪聲和背景信息。該算法僅僅只是選擇原始量測數據中比較有價值的一部分提交給融合中心，在滿足一定目標估計精度同時，大大降低結點之間數據的傳輸量。
技術實現思路
本專利技術提出了一種多傳感器選擇性量測數據融合估計算法，在目標跟蹤中融合多傳感器數據，兼顧更好的跟蹤效果和較低的數據傳輸量。并通過引入遺傳算法進行優化，使多傳感器跟蹤系統在總的數據帶寬一定時獲得較好的目標跟蹤估計效果。本專利技術所提出的算法應用于同質多傳感器目標跟蹤系統，傳感器類型主要是針對獲取圖像信息的傳感器。該算法解決的問題是在各傳感器結點總的數據帶寬一定時，如何對傳感器量測數據進行融合來獲取較好的目標跟蹤估計效果。為了達到上述目的，本專利技術的技術方案為：本專利技術所提出的多傳感器選擇性量測數據融合跟蹤算法的數據融合結構如圖1所示，與集中式融合類似，整個數據融合算法同樣是將每個傳感器所獲取的量測數據提交給融合中心，在融合中心處進行量測數據的融合，然后基于融合后的量測數據對目標進行跟蹤估計。不同的是，本專利技術所提出的算法并非將所有的原始量測數據都提交給融合中心，而是僅僅提交有價值的量測數據。如何選取有價值的量測數據則是本專利技術所提出算法的重點，本專利技術采用人工神經網絡與遺傳算法相結合的思路，以人工神經網絡為整個量測數據選取的計算框架，并通過遺傳算法來進行優化，使多傳感器跟蹤系統在總的數據帶寬一定時獲得較好的目標跟蹤估計效果。由于本專利技術所考慮的是獲取圖像信息的傳感器，因此對于有價值傳感器量測數據的選取，本專利技術選取傳感器所獲取圖像信息中的一塊感興趣區域提交給融合中心。在圖像中，目標所成像的位置應包含在這塊感興趣區域內，并且為了最大限度利用有限的數據帶寬，多個傳感器感興趣區域所包含數據傳輸量的總和應該等于總的數據帶寬上限。為簡單起見假設感興趣區域形狀為正方形，其邊長可以由總的數據帶寬確定。該區域的中心位置Xc可以依據當前k時刻傳感器的原始量測數據Zk和當前目標位置的預測信息確定。由于很難用解析式的方式確切的得出中心位置Xc的計算方式，因此可以利用非線性系統中的人工神經網絡N來得到，其輸入為一組原始量測數據Zk以及目標位置的預測信息輸出為感興趣區域的中心位置Xc。為了使選擇的量測數據滿足在總的數據帶寬一定時獲得最優的目標跟蹤估計效果，本專利技術采用遺傳算法的方式進行離線訓練。這里以仿真的量測數據Zk和目標位置信息Xk作為訓練集，以跟蹤的均方根誤差RMSE的倒數作為適應度函數，來優化人工神經網絡N的相關權值和偏置。本專利技術所提出的結合遺傳算法的多傳感器選擇性量測數據融合估計算法包含離線部分和在線部分兩塊，其流程圖如圖2所示。其中算法的離線部分步驟為：步驟一，建立若干個人工神經網絡N并對其相關參數進行初始化。步驟二，以當前時刻k訓練集中的各個傳感器量測數據Zk和目標位置的預測作為輸入值，通過步驟一中建立的若干個人工神經網絡并行計算，得到相應的感興趣區域中心位置Xc。步驟三，將各傳感器所選擇的量測數據提交融合中心進行融合。步驟四，利用濾波器對目標狀態進行估計。步驟五，當前時刻k＝k+1，重復步驟二至步驟四流程，對目標進行若干幀的跟蹤估計，計算應用各個人工神經網絡所得到的估計均方根誤差。步驟六，以步驟五中得到的均方根誤差的倒數作為適應度函數，以各個人工神經網絡作為種群中的個體，進行遺傳算法中的選擇、交叉、變異的操作，確定新一代的各個人工神經網絡。步驟七，重復步驟五和步驟六，進行若次迭代，獲得經遺傳算法優化后的人工神經網絡N’。算法的在線部分步驟為：步驟一，各個傳感器獲取當前k時刻的量測數據Zk和目標位置的預測步驟二，由離線算法得到的人工神經網絡N’計算各個傳感器的感興趣區域中心位置Xc。步驟三，將各傳感器所選擇的量測數據提交融合中心進行融合。步驟四，利用濾波器對目標狀態進行估計，獲得最終目標跟蹤估計結果。與現有常規的多傳感器數據融合估計算法相比，本專利技術所提出的結合遺傳算法的多傳感器選擇性量測數據融合估計算法能夠兼顧更好的跟蹤效果和較低的數據傳輸量，提升傳感器量測數據的利用效率。另外，因為其中的遺傳算法是以跟蹤精度作為適應度函數，因此優化后的人工神經網絡應用于傳感器量測數據選取能夠獲得較好的融合估計效果。本專利技術所提出的算法通過遺傳算法的優化，在多傳感器系統總的數據帶寬上限一定時，能夠獲取較好的跟蹤估計效果。附圖說明圖1為本專利技術所提出的一種多傳感器選擇性量測數據融合估計算法的數據融合結構。圖2為本專利技術所提出的一種多傳感器選擇性量測數據融合估計算法的步驟流程圖。具體實施方式下面結合附圖對本專利技術的實施進行詳細的說明，并給出具體的操作方式以及實施步驟，本專利技術同樣也可以通過其它不同的具體實例進行實現。這里的實例采用計算機仿真的方式產生訓練數據和測試數據，分別應用于本專利技術算法的離線算法和在線算法。這里假設共有n個同質傳感器觀測域相同并已完成配準，每個傳感器在k時刻均獲得nx×my的圖像信息Zk。假設量測信息來源于目標信號和量測噪聲兩部分。通過計算機仿真生成目標每一時刻的運動狀態，再依據目標實際的狀態生成每個傳感器的量測數據Zk，假設每一輪仿真時長為K幀。本專利技術所提出的算法分為離線算法和在線算法兩部分，離線算法負責處理訓練集數據來訓練相應的參數，在線算法則是處理測試數據來對目標進行融合估計。其流程圖如圖2所示。其中算法的離線部分步驟為：步驟一，建立m個人工神經網絡N，其中每個人工神經網絡分為輸入層，隱含層和輸出層三層結構。輸入層接收輸入變量，包括傳感器圖像信息Zk中每個像素的灰度值以及目標位置的預測包括XY軸兩個坐標值，總共nx×my+2個輸入單元。隱含層神經單元假設為h個，輸出層神經單元為2個，輸出變量為傳感器感興趣區域的中心位置Xc的XY軸兩個坐標值。再對人工神經網絡N的本文檔來自技高網...

【技術保護點】
1.一種多傳感器選擇性量測數據融合估計算法，其特征在于，該算法會選擇各傳感器量測數據中部分有價值數據提交給融合中心，在融合中心處進行量測數據的融合，然后基于融合后的量測數據對目標進行跟蹤估計。

【技術特征摘要】
1.一種多傳感器選擇性量測數據融合估計算法，其特征在于，該算法會選擇各傳感器量測數據中部分有價值數據提交給融合中心，在融合中心處進行量測數據的融合，然后基于融合后的量測數據對目標進行跟蹤估計。2.根據權利要求1中所述一種多傳感器選擇性量測數據融合估計算法，其特征在于，該算法是以人工神經網絡為有價值量測數據選取的計算框架，并結合遺傳算法來進行優化，使多傳感器跟蹤系統在總的數據帶寬一定時獲得較好的目標跟蹤估計效果；具體為：該算法以量測數據和目標位置預測值為輸入通過人工神經網絡N計算來獲取傳感器感興趣區域，該區域則確定了各傳感器中需要提交給融合中心的有價值的量測數據，再采用遺傳算法的方式進行離線訓練，以仿真的量測數據Zk和目標位置信息Xk作為訓練集，以跟蹤的均方根誤差RMSE的倒數作為適應度函數，優化上述人工神經網絡N的相關權值和偏置。3.根據權利要求2中所述一種多傳感器選擇性量測數據融合估計算法，其特征在于，算法包含離線部分和在線部分兩部分其中算法的離線部分步驟為：步驟一，建立若干個人工神經網絡N并對其相關參數...

【專利技術屬性】
技術研發人員：劉妹琴，黃志成，張森林，樊臻，何衍，
申請(專利權)人：浙江大學，
類型：發明
國別省市：浙江,33