一種多傳感器數(shù)據(jù)信息的融合算法

陳湘萍，劉南平，蔡 舉

（1.貴州大學 電氣工程學院，貴州 貴陽 550003；2.天津師范大學 物理與電子信息學院，天津 300387；

3.河北工業(yè)大學 信息工程學院，天津 300401）

一種多傳感器數(shù)據(jù)信息的融合算法

陳湘萍1，劉南平2，蔡 舉3

（1.貴州大學 電氣工程學院，貴州 貴陽 550003；2.天津師范大學 物理與電子信息學院，天津 300387；

3.河北工業(yè)大學 信息工程學院，天津 300401）

為解決在多傳感器信息融合技術中出現(xiàn)的測量維數(shù)和置信度較低、系統(tǒng)的探測能力和生存能力較差以及空間和時間的范圍較窄等問題，提出了一種改進的PSO算法.該算法主要包括對傳感器自身特點的分析，以及建立一個綜合傳感器信息增量和處理時間的目標函數(shù)的過程.從實驗仿真結果可以看出，該算法可以有效地剔除性能不符合系統(tǒng)標準的傳感器，從而更加有效、準確地進行數(shù)據(jù)融合.

多傳感器；數(shù)據(jù)融合；PSO算法

傳感器是一種檢測裝置，能感受到被測量的信息，并能將檢測感受到的信息按一定規(guī)律變換成為電信號或其他所需形式的信息輸出，以滿足信息的傳輸、處理、存儲、顯示、記錄和控制等要求.多傳感器 信 息 融 合 （Multi－Sensor Imformation Fusion，MSIF）［1－3］是指對傳感器的數(shù)據(jù)進行多級別、多方面、多層次的處理，從而產生新的有意義的信息，而這種新信息是任何單一傳感器所無法獲得的.多傳感器信息融合由美國國防部在20世紀70年代提出，近30多年來，隨著信息融合技術得到了巨大的發(fā)展，包括我國在內的許多國家都將它列為重點發(fā)展的關鍵技術.

實現(xiàn)多傳感器信息融合的關鍵技術是選擇最優(yōu)的傳感器或傳感器組，從而減少目標環(huán)境的不確定性，這種不確定性可以用基于信息論的方法度量.目前，主要方法包括：Hintz和Mc Intyre等將信息論中的熵用于調度單傳感器對多目標的跟蹤［4］；Manyika和Durrant－Whyte對數(shù)據(jù)融合和傳感器管理建立了概率信息模型［5］，給出了不同情況下的數(shù)據(jù)融合方式；Pierre Dodin等以 Kull－back－Leibler熵作為目標函數(shù)，對目標和傳感器進行有效配對，通過不同仿真證明了方法的有效性.

雖然傳統(tǒng)尋優(yōu)方法在理論上能夠得到最優(yōu)解，但受到問題維數(shù)的制約很難滿足實際要求，PSO（Particle Swarm Optimization）算法是近期提出的一種全新的全局優(yōu)化算法，在求解多維數(shù)、非線性和不可微的復雜問題上具有良好表現(xiàn)，因其程序實現(xiàn)簡潔，需調整參數(shù)少，而發(fā)展迅速.本研究運用全局搜索能力更強的改進PSO算法——QD－PSO［5－7］處理由時間組成的目標函數(shù)，并進行尋優(yōu)，以實現(xiàn)傳感器組的管理.實驗證明：該算法潛在的并行性和分布性為處理海量數(shù)據(jù)提供了技術保證，在傳感器管理中具有良好的應用前景.

1 算法原理

1.1 多傳感器信息融合算法

現(xiàn)代融合算法是根據(jù)人工智能理論和現(xiàn)代信息論等發(fā)展起來的一類融合算法，常用的算法主要有聚類分析（Cluster Analysis）、模糊邏輯（Fuzzy Logic）、神經網(wǎng)絡（Neural Networks）、小波理論（Wavelet Theory）、粗糙集理論（Rough Set Theo－ry）、支持向量機（Support Vector Machines）和PSO算法等方法，表1是部分信息融合算法的相關信息.

表1 信息融合算法Table1 Data fusion algorithm

融合結構若從信息輸入和輸出的角度進行劃分，可以統(tǒng)稱為數(shù)據(jù)特征決策模型，通常分為5類.屬性級數(shù)據(jù)融合結構和DFD（Data Feature Decision）結構的關系如圖1所示.

圖1 屬性級數(shù)據(jù)融合結構和DFD結構關系Figure 1 Relation between class attribute data fusion and DFD structure

1.2 標準PSO算法

粒子群優(yōu)化算法是近10年提出的一種全局優(yōu)化算法，其數(shù)學公式可表示為：

其中，x id是粒子當前的位置向量，vid是粒子的運動速度向量，p id為粒子個體位置最優(yōu)值，p gd為群體最優(yōu)值，即群體中所有粒子在所有搜索過的解空間中適應度最高的向量，i＝1，2，…，m表示群落由m個粒子組成，g表示群體中個體位置最優(yōu)值的個數(shù)，d＝1，2，…，D表示d維空間，ω是慣性權重，c1和c2是非負的學習常數(shù)，rand1（）和rand2（）是介于［0，1］之間的隨機數(shù).

1.3 QD－PSO算法

由于標準PSO存在缺陷，因此，可以根據(jù)粒子群的基本性質，運用具有全局收斂的QD－PSO算法來降低這一問題發(fā)生的概率，具體數(shù)學過程如下.首先，進行粒子狀態(tài)更新操作：

1.4 基于QD－PSO算法的總體流程

步驟1：初始化.確定QD－PSO算法的各項參數(shù)，在搜索范圍內隨機初始化x id v id，其中粒子的維數(shù)d即為待選擇傳感器的數(shù)目N.

步驟2：計算各傳感器被使用的概率，按目標函數(shù)式計算每個粒子的適應值.

步驟3：將每個粒子的適應值與其經歷過的最好值進行比較，如果更好，則將其作為當前粒子的個體最優(yōu)值.

步驟4：將每個粒子的個體最優(yōu)值與群體最優(yōu)值進行比較，如果更好，則將其作為群體最優(yōu)值.

步驟5：更新每個粒子的速度和位置.

步驟6：若未達到終止條件，則轉步驟2.

2 仿真實例

應用8個傳感器來區(qū)分目標的類型，設目標有2種可能的情況：A1＝敵方航母，A2＝我方航母.

對傳感器A1和A2進行事件監(jiān)測，并根據(jù)式（1）計算得到傳感器模糊信息屬性，即參數(shù)性能，如表2所示.

表2 傳感器參數(shù)性能表Table 2 Sensor parameters

表2中，t代表時間，μ代表10個傳感器檢測A1和A2的隸屬度，m代表傳感器模糊信息增量.

選擇種群大小為150，令c1＝c2＝12，Vmax＝2 000，根據(jù)QD－PSO算法的流程更新微粒的航行速度和位置，并按照系統(tǒng)的不同要求選擇不同的傳感器組.當傳感器處理時間是重要的參數(shù)時，設其權重為ω1∶ω2＝1∶10，則所選傳感器組實驗結果如表3所示.

表3 ω1∶ω2＝1∶10時，所選傳感器組實驗結果Table 3 Experimental result whenω1∶ω2＝1∶10

當傳感器信息增量比較重要時，設其權重為ω1∶ω2＝10∶1，所選傳感器組試驗結果如表4所示.

表4 ω1∶ω2＝10∶1時，所選傳感器組實驗結果Table 4 Experimental result whenω1∶ω2＝10∶1

當傳感器信息增量和處理時間同等重要時，設其權重為ω1∶ω2＝1∶1，所選傳感器組如表5所示.

表5 ω1∶ω2＝1∶1，所選傳感器組實驗結果3Table 5 Experimental result whenω1∶ω2＝1∶1

通過以上實驗對比可以看出，根據(jù)設置權重的不同，所選擇的傳感器組也不盡相同，從而使系統(tǒng)的性能達到要求.由此可見，通過QD－PSO算法可以有效地剔出信息增量小且處理時間長的傳感器.

3 結論

多傳感器信息融合算法技術在信息融合中的地位越來越重要，基于QD－PSO的傳感器優(yōu)化方法可以使信息融合更準確地執(zhí)行，使融合在信息源的可靠性、信息的冗余度和互補性以及進行融合的分級結構不確定的情況下，以近似最優(yōu)的方式對傳感器數(shù)據(jù)進行融合.

［1］ 應寧，陸大金.多傳感器數(shù)據(jù)融合模型評述［J］.清華大學學報：自然科學版，1996，36（9）：14－20.

［2］ 王欣.多傳感器數(shù)據(jù)融合算法研究［D］.西安：西安電子科技大學，2008：19－32.

［3］ 何友，王國宏，陸大繪，等.多傳感器信息融合及應用［M］.北京：電子工業(yè)出版社，2000：19－25.

［4］ Hintz K J，McIntyre G A.Goal lattices for sensor management［C］／／Russian Communication Engineers.Communication System.System on Applications of Sensor Data Fusion，University of Southern California，Los Angeles，California.New York：SPIE Proceedings，1999：249－255.

［5］ Manyika J M，Durrant－Whyte H F.Data Fusion and Sensor Management：a Decentralized Information－theoretic Approach［M］.New York：Ellis Horwood，1994：25－30.

［6］ Bergh V D，Engelbrecht A P.Cooperative learning in neural networks using particle swarm optimizers［J］.South Africa Computer Journal，2000，26（5）：84－90.

［7］ David L H，Llinas J.An introduction to multisensor date fusion［C］／／Proceedings on multisensor date fusion.Analysis of the multi－sensor－multi－target tracking resource allocation problem，MIT，Boston，Massachusetts.Toronto：Proceedings of the IEEE，1997：6－23.

［8］ Leung H，Hu Z，Blanchette M.Evaluation of multiple target track initiation techniques in real radar tracking environment［J］.Radar，Sonar and Navigation，1996，143（4）：246－254.

Data fusion algorithm based on multiply sensors

CHENXiangping1，LIUNanping2，CAIJu3

（1.The Electrical Engineering College，Guizhou University，Guiyang 550003，Guizhou Province，China；
2.College of Physics and Electronic Information，Tianjin Normal University，Tianjin 300387，China；
3.School of Information Engineering，Hebei University of Technology，Tianjin 300401，China）

In order to solve the problems of low measurement dimensions and confidence，bad behavior of detection capability and survivability of the system，narrower range of space and time which appear in multi－sensor information fusion，an improved PSO algorithm has been proposed.The analysis of own characteristics of the sensor，and the establishment of an integrated sensor information gain and processing time of the objective function are included.The simulation results show that the sensors which do not meet the standard of system can be effectively eliminated so that more effective and accurate data fusion can be carried out.

multiply sensors；data fusion；PSO algorithm

TP18

A

1671－1114（2011）01－0042－03

2010－05－23

陳湘萍（1965—），女，高級工程師，主要從事計算機測控技術方面的研究.

劉南平（1971—），男，副教授，主要從事智能信息處理方面的研究.

（責任編校 紀翠榮）