管理进化

加权数据融合的方法有哪些


加权数据融合是对多源冗余信息进行加权平均,结果作为融合值,是一种直接对数据源进行操作的方法。加权数据融合的方法有:加权平均法、卡尔曼滤波、人工神经网络法等三种方法。对于加权数据融合方法的具体内容我们将在文章中展开。

加权平均法

加权平均法,利用过去若干个按照时间顺序排列起来的同一变量的观测值并以时间顺序数为权数,计算出观测值的加权算术平均数,以这一数字作为预测未来期间该变量预测值的一种趋势预测法。

加权平均法是指标综合的基本方法,具有两种形式,分别为加法规则与乘法规则。

卡尔曼滤波

卡尔曼滤波(Kalman filter)是一种高效率的递归滤波器(自回归滤波器),它能够从一系列的不完全及包含噪声的测量中,估计动态系统的状态。

卡尔曼滤波会根据各测量量在不同时间下的值,考虑各时间下的联合分布,再产生对未知变数的估计,因此会以只以单一测量量为基础的估计方式要准。卡尔曼滤波得名自主要贡献者之一的鲁道夫·卡尔曼。

卡尔曼滤波在技术领域有许多的应用。常见的有飞机及太空船的导引、导航及控制。卡尔曼滤波也广为使用在时间序列的分析中,例如信号处理及计量经济学中。

卡尔曼滤波也是机器人运动规划及控制的重要主题之一,有时也包括在轨迹最佳化。

卡尔曼滤波也用在中轴神经系统运动控制的建模中。因为从给与运动命令到收到感觉神经的回授之间有时间差,使用卡尔曼滤波有助于建立符合实际的系统,估计运动系统的状态,并且更新命令。

卡尔曼滤波的算法是二步骤的程序。在估计步骤中,卡尔曼滤波会产生有关状态的估计,其中也包括不确定性。只要观察到下一个量测(其中一定含有某种程度的误差,包括随机噪声)。会透过加权平均来更新估计值,而确定性越高的量测加权比重也越高。算法是迭代的,可以在实时控制系统中执行,只需要的输入量测、以往的计算值以及其不确定性矩阵,不需要其他以往的资讯。

使用卡尔曼滤波不用假设误差是正态分布,不过若所有的误差都是正态分布,卡尔曼滤波可以得到正确的条件机率估计。

也发展了一些扩展或是广义的卡尔曼滤波,例如运作在非线性糸统的扩展卡尔曼滤波及无损卡尔曼滤波(unscented Kalman filter)。底层的模型类似隐马尔可夫模型,不过潜在变量的状态空间是连续的,而且所有潜在变量及可观测变数都是正态分布。

人工神经网络法

神经网络具有很强的容错性以及自学习、自组织及自适应能力,能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力,恰好满足了多传感器数据融合技术处理的要求。

在多传感器系统中,各信息源所提供的环境信息都具有一定程度的不确定性,对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准,这种确定方法主要表现为网络的权值分布上,同时,可以采用经*定的学习算法来获取知识,得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能,即实现了多传感器数据融合。

智齿客服