楊劍鋒,周 宇,侯 濤,陳小強(qiáng)
(蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院,甘肅蘭州730070)
多傳感器信息融合(multi-sensor information fusion,MSIF)是在20世紀(jì)70年代初因軍事需求而發(fā)展起來的一個(gè)新興研究領(lǐng)域。由于科學(xué)技術(shù)的迅猛發(fā)展和交通運(yùn)輸控制系統(tǒng)的復(fù)雜化與智能化,該技術(shù)在鐵路運(yùn)輸領(lǐng)域同樣得到了推廣和應(yīng)用。但是,目前基本上還沒有建立比較完整的多傳感器多信息融合的理論系統(tǒng)框架。2004年,Mahler提出了有限集合統(tǒng)計(jì)學(xué)(finite set statistics,F(xiàn)ISST)理論——隨機(jī)集理論的特例,從概率論的角度統(tǒng)一表述了信息融合技術(shù)的主要方面,并應(yīng)用于除信息融合以外的其他領(lǐng)域,如,圖像處理、系統(tǒng)辨識(shí)和非線性時(shí)間序列預(yù)測(cè)等[1,2]。
目前,信息融合關(guān)心的是如何建立合適的不確定性模型,而不大關(guān)心與模型和融合結(jié)果相關(guān)的可靠性問題[3]。為了避免融合性能的降低,在信息融合的過程中有必要加入可靠性因素。本文針對(duì)信息特征的可靠性提出信息的二次融合,并在第一次的獨(dú)立傳感器信息融合中加入信息特征可信度約束和不可信信息的剔除;在第二次的多傳感器信息融合中采用一種改進(jìn)的順序融合方法。
獨(dú)立傳感器是用來接收和感知來自實(shí)體目標(biāo)的信息,根據(jù)不同的情況,派生出各自的一系列指標(biāo)參數(shù)。圖1是傳感器的數(shù)學(xué)模型,可以看出觀測(cè)空間獲得來自實(shí)體和目標(biāo)的數(shù)據(jù),其中,有狹義觀測(cè)的對(duì)象,且包含觀測(cè)中不可避免的噪聲[4]。
圖1 傳感器信息融合原理Fig 1 Information fusion theory of sensor
而多傳感器信息融合系統(tǒng)則是通過有效地利用多傳感器資源,來最大限度地獲取被探測(cè)目標(biāo)和環(huán)境的信息量。因此,將獨(dú)立傳感器看作一類線性連續(xù)時(shí)間的動(dòng)態(tài)系統(tǒng)
式中 t為時(shí)間;X(t)∈Rn×1為系統(tǒng)目標(biāo)狀態(tài)向量;A∈Rn×n為系統(tǒng)轉(zhuǎn)移矩陣;D∈Rn×m為輸入矩陣;V(t)∈Rm×1為零均值高斯白噪聲向量;Q(t)∈Rm×m為噪聲協(xié)方差陣。選取融合中心周期為T,以T為標(biāo)準(zhǔn)對(duì)連續(xù)動(dòng)態(tài)系統(tǒng)進(jìn)行離散化,可得
式中 tk=kT為第k個(gè)離散時(shí)刻;X(tk)∈Rn×1為tk時(shí)刻目標(biāo)狀態(tài)向量;Φ(tk,tk-1)∈Rn×n為系統(tǒng)轉(zhuǎn)移狀態(tài)矩陣;W(tk,tk-1)∈Rn×1為高斯白噪聲序列,且滿足下列條件
根據(jù)以上的離散化思想,并將各測(cè)量時(shí)刻映射到以融合中心的采樣時(shí)間為基準(zhǔn)的基準(zhǔn)軸上。那么,經(jīng)測(cè)量映射后系統(tǒng)融合周期內(nèi)各信息間的狀態(tài)關(guān)系可以表示為
其中,W(ki,ki-1)是零均值高斯白噪聲序列,其協(xié)方差為 Q(ki,ki-1)。
設(shè)T周期內(nèi)獨(dú)立傳感器的測(cè)量數(shù)據(jù)為X(ki),令X*(ki)為其預(yù)測(cè)值,根據(jù)文獻(xiàn)[5]中關(guān)于獨(dú)立傳感器信息關(guān)聯(lián)度的描述,有
式中 σ為標(biāo)準(zhǔn)差;X為測(cè)量值的算術(shù)平均值;N為測(cè)量點(diǎn)。令 Vk=|X(k)-X*(k)|,那么,當(dāng) Vk滿足條件:Vk≥3σ,則判定改點(diǎn)為奇異值點(diǎn),剔除后以X*(ki)的值來代替該點(diǎn)的測(cè)量值。
傳感器信息特征優(yōu)化是指從原始的信息特征集合中選取特征子集的過程,其主要任務(wù)就是研究如何從眾多特征中求出那些對(duì)該信息最有效的、最可靠的特征,從而實(shí)現(xiàn)特征空間維數(shù)的壓縮。以下是Relief的改進(jìn)算法遍歷迭代循環(huán)算法(All ReliefF),對(duì)重要的特征變量進(jìn)行選取融合[6]。
輸入:傳感器信息特征以向量的形式輸入(向量的每一項(xiàng)代表信息的一個(gè)特征)。
輸出:信息的特征向量以權(quán)值向量形式輸出(其中,每一個(gè)權(quán)值代表相應(yīng)的特征向量)。
1)特征選擇開始,先定義一個(gè)權(quán)值向量W,且每一維初始化為0;
3)從i=1開始循環(huán)迭代,一直到i=m(m是已經(jīng)設(shè)定好的迭代次數(shù));
隨著大眾旅游的興起以及對(duì)文化的需求,人民生活水平的提高和國內(nèi)消費(fèi)的升級(jí),文化旅游成為新型旅游業(yè)態(tài)迅速崛起的代表[1]?!吨袊幕糜伟l(fā)展報(bào)告2017》指出,目前,文化旅游已經(jīng)進(jìn)入了以資本、創(chuàng)意和技術(shù)為主導(dǎo)的文旅2.0時(shí)代。文旅2.0時(shí)代的顯著特征是“無中生有、變廢為寶”,其中創(chuàng)新能力在文旅產(chǎn)業(yè)發(fā)展中起著越來越重要的作用。文旅2.0時(shí)代發(fā)展的重要特征之一是旅游演藝砥礪前行。2016年以來,作為文化旅游產(chǎn)業(yè)的一個(gè)重要領(lǐng)域,旅游演藝產(chǎn)業(yè)日趨成熟并開始進(jìn)入調(diào)整期[2]。張家界作為國際著名旅游城市,如何在競(jìng)爭(zhēng)激烈的旅游演藝市場(chǎng)中穩(wěn)定并發(fā)展旅游演藝品牌,是一個(gè)亟待解決的問題。
4)從數(shù)據(jù)集合中隨機(jī)選擇一個(gè)樣本Ri;
6)尋找Ri的k個(gè)最近的同類樣本Hj;
7)對(duì)每一個(gè)不同于樣本Ri所在類的類別C,尋找Ri在類C中的k個(gè)最近的樣本Mj(C);
8)設(shè)a代表類別C中的特征維數(shù),a的范圍?。?,n](n是特征總維數(shù))循環(huán),并執(zhí)行
9)特征選擇結(jié)束。
在求取每只傳感器的信息估計(jì)值 ^X(k|k)以后,可以進(jìn)行信息分類求取每個(gè)特征與其余各個(gè)特征的總體相關(guān)性大小以后,就可以準(zhǔn)確判斷該特征的冗余程度。設(shè)Ci是第i類特征信息,P是樣本數(shù),N是特征維數(shù),Xn是訓(xùn)練樣本。樣本均值為
方差為
則由 ∑ =(Vij)i,j=1,…,N可以生成相關(guān)矩陣
然后,分別計(jì)算每個(gè)特征對(duì)于其余N-1特征的相關(guān)系數(shù)之和
根據(jù)不同特征的j值對(duì)信息特征進(jìn)行分類,并利用類內(nèi)方差平方和的值來表示某特征下同類樣本的差異。多傳感器線性動(dòng)態(tài)系統(tǒng)的異步采樣系統(tǒng)的最優(yōu)順序融合估計(jì)器為[7]
其中,1≤i≤N,k0=k-1,且有
最后令X(k|k)=^X(ki|kN),就可以獲得目標(biāo)狀態(tài)X(k)基于全局信息的估計(jì)值 ^X(k|k)。
考慮一個(gè)由6只傳感器組成的傳感器系統(tǒng)[8],其融合采樣周期為T=0.6s,假設(shè)傳感器1在融合周期內(nèi)0.1處采樣,傳感器2在0.2 s處采樣,依次類推傳感器6在0.6 s處采樣。傳感器采樣信號(hào)模型如下
仿真結(jié)果如圖2,可以看到,信息冗余要低于信息順序融合。除噪前后采集信號(hào)比較如圖3所示。
圖2 信息冗余度Fig 2 Information redundancy
圖3 除噪比較Fig 3 Comparison of de-noising
本文提出了基于信息特征可靠性的連續(xù)傳感器的二級(jí)融合方法,該算法是以信息的可靠性為目標(biāo),并在融合過程中有效的控制信息的冗余度。首先,對(duì)單個(gè)傳感器在其采樣周期內(nèi)進(jìn)行奇異值剔除實(shí)現(xiàn)信息的第一步除噪。然后,運(yùn)用改進(jìn)的融合算法對(duì)所有傳感器信息進(jìn)行特征提取和特征分類。本文的改進(jìn)信息融合算法,實(shí)現(xiàn)簡單,但是在數(shù)據(jù)的處理運(yùn)算問題上不能達(dá)到很好的時(shí)效性,如何提高數(shù)據(jù)的處理速度和保證數(shù)據(jù)處理結(jié)果的有效性將會(huì)是本文信息融合方法未來的研究方向。
[1]何 友,王國宏,彭應(yīng)寧.多傳感器信息融合及應(yīng)用[M].北京:電子工業(yè)出版社,2000.
[2]彭冬亮,文成林,徐曉濱,等.隨機(jī)集理論及其在信息融合中的應(yīng)用[J].電子與信息學(xué)報(bào),2006,28(1l):60-61.
[3]韓崇昭,朱洪艷,段戰(zhàn)勝.多源信息融合[M].北京:清華大學(xué)出版社,2006:1-13.
[4]Bar-Shalom Y,Chen H,Mallick M.One-step solution for the multistep out-of-sequence measurement problem in tracking[J].IEEE Transactions on Aerospace and Electronic Systems,2004,40(1):27-37.
[5]趙圣占,高成文,吳曉琳,等.遙測(cè)數(shù)據(jù)處理的野值剔除方法研究[J].強(qiáng)度環(huán)境,2005,32(1):60-61.
[6]劉 明,袁保宗,苗振江.一種雙目標(biāo)排序?qū)臃诸惼魅诤戏椒ǎ跩].自動(dòng)化學(xué)報(bào),2007,33(12):1276-1283.
[7]Lu Xiaorong,Sachse W,Graber I.Use of an automatic modeler and a small receiver array for acoustic emission source location[J].Ultrasonics,1998,36:539-547.
[8]Howlett PG,Pudney PJ.Energy-efficient train control[M].London:Springer,1995.