多智能体系统分布式一致及应用多传感器协同估计(3)

菜单

1.2 国内外研究现状

1.3 多传感器信息融合概述

1.3.1 信息融合的概念和特点

多传感器信息融合是指通过一定的规则将传感器网络中各个节点的检测数据进行协调优化组合，从而达到对目标的精确判断，即使部分传感器出现故障或者周围环境产生改变后整个传感器网络仍然有较好的检测精度。

单一的传感器由于外界噪声干扰及自身性能局限，在测量过程中可能产生较大的误差，严重时甚至会使得系统发生故障，而使用多传感器信息融合技术，可

(1) 生存能力强

在传感器网络工作时，若某些传感器发生故障不能使用，或者某些传感器受论文网

(2)增大系统的空间、时间覆盖范围

采用多个传感器，可以使得各个传感器的作用区域发生覆盖和重叠，进而增加了网络的空间作用范围，使得网络系统中的部分传感器节点可以探测到其他传感器无法探测到的盲点，扩展了系统的监测范围；此外，当某些传感器失灵而失范围。

(3)信息可信度高

最终估计信息的可信度；并且通过对观测目标多个测量值的有效融合，不但会提高信息的准确性，而且会大大改善传感器网络的探测性能。

(4)提高整个系统的实时性、经济性

1.3.2 信息融合算法

(1)加权平均法

最简单直观的信息融合算法是加权平均法，它的基本原理是：对多个传感器的检测数据进行加权求平均的处理，从而得到最终的估计结果。该算法能够处理动态冗余的原始数据，算法实现简单且实时性较好，但是加权系数的选定带有较强的主观性，比较合理的做法是考虑融合节点的实际情况来选择合适的权值。

(2)贝叶斯估计法

贝叶斯估计[34]、[35]是一种适用于静态环境中的信息融合的算法，可处理包含高斯白噪声的原始信息。具体做法是用不同的概率量化各种信息的不确定性，再将相互不相关的结果看作为一个样本空间的划分，通过贝叶斯概率公式进行处理，最后通过某些规则给出决策结果。该算法不便之处在于需要得知具体的先验概率(一般在实际应用中很难得到先验概率)，且计算量较大。

(3)卡尔曼滤波算法

卡尔曼滤波算法[36]、[37]、[38]能够对动态低级且包含噪声的原始信息进行处理，对于线性系统，可以用高斯白噪声对系统的过程噪声和传感器的观测噪声建模，则卡尔曼滤波算法能够提供唯一统计意义上的最优估计值。同时，滤波时对存储空间要求较小，因为它只需根据上一时刻的数据即可进行递推运算。

其他还有一些常用的融合算法，如D-S证据理论、神经网络、模糊控制等，由于每个算法都有各自的优缺点和适用范围，在实际应用中，常常需要根据具体情况，将几种不同的算法组合起来使用，从而获得较好的估计效果。

1.3.3 分布式融合估计机制

多传感器信息融合的融合方式先后经历了中心式算法、分散式算法和分布式算法三个过程，其中分布式问题的研究在信号处理，控制理论等多个领域有着很悠久的历史。

处理，得到全局状态估计，融合精度较高。但是在这种估计机制中，系统在路由选择、数据传输、拓扑管理等方面开销较大，鲁棒性和实时性也较差，工程上很难实现，并且，融合中心的存在也降低了算法的可靠性和容错性能。

式估计中，要求网络中所有节点全部连通，每个传感器均为信息处理中心，且都能够和所有其他传感器进行通讯，在该机制中，传感器节点具有全局一致性，不需要融合中心。但是随着网络中传感器节点数目的增加，计算复杂度增加、算法无扩展性，且全连通的方式会增大能耗，系统的实时性较差，实际应用中可操作性较差。源:自~751-·论`文'网·www.751com.cn/