[发明专利]多传感器系统数据融合精度的提高方法

权利要求书

1.一种多传感器系统数据融合精度的提高方法，其特征在于包括如下步骤：

基于多传感器系统分布式数据融合原理框架，在传感器系统局部估计分量中设置一个加权因子λ，并根据λ的解算参数α、β设置相匹配的参数模糊整定器；各传感器独立采集量测点迹经局部卡尔曼滤波后，将得出的局部状态估计1到L个局部状态估计输入数据融合预处理模块，数据融合预处理模块根据卡尔曼滤波估计误差自相关矩阵的定义，提取各局部估计误差自相关矩阵的第1行第1列分量，在线解算用于量化描述各局部估计误差大小关系的误差比系数r和误差比系数变化率rc；误差比例系数r和误差比系数变化率rc经模糊化接口转换为误差比变量R、误差比变化率变量RC，并输入参数模糊整定器；参数模糊整定器根据λ的解算参数α、β工作原理设计的模糊规则库模糊推理，在线整定α、β取值，针对各种出现的R、RC取值给出对应的倍数变量A、指数变量B的模糊查询表，供在线查询的A、B取值，将α、β的具体值经过清晰化接口输出至加权因子解算模块；加权因子解算模块调用r、α和β的实时运算结果在线解算λ，自适应调节λ的取值；最后，数据融合解算模块引入加权因子λ，通过改进后的数据融合方法实时解算，得出最终全局状态估计。

2.如权利要求1所述的多传感器系统数据融合精度的提高方法，其特征在于：多传感器系统由L个传感器分系统进行独立测量滤波后得到的L组局部状态估计组成，并通过数据融合解算得出全局状态估计。

3.如权利要求2所述的多传感器系统数据融合精度的提高方法，其特征在于：传感器1到传感器L独立采集量测点迹并进行局部卡尔曼滤波，将得出的传感器的第n个采样周期的L组局部状态估计和对应的L组个局部估计误差自相关矩阵P⁽¹⁾(n)，P⁽²⁾(n)，…，P^(L)(n)输入至数据融合预处理模块，式中，n为传感器第n个采样周期数，Z_n为传感器截至第n个采样周期观测量集合{z(1)，z(2)，…，z(n)},为第n个采样周卡尔曼滤波算法利用观测量集合Z_n对系统状态变量x(n)进行最优估计得出的状态估计值，1至L为L个传感器分系统的序号。

4.如权利要求3所述的多传感器系统数据融合精度的提高方法，其特征在于：数据融合预处理模块在线解算带加权因子的传感器m的第n个采样周期的误差比系数r和误差比系数变化率rc的实时值r^(m)(n)、rc^(m)(n)；根据卡尔曼滤波估计误差自相关矩阵的定义，第n个采样周期各局部估计误差自相关矩阵的第1行第1列分量体现了当前时刻估计量的位置误差特性且该分量恒为正，基于此原理，设计构建了r和rc实时解算公式，量化描述各局部估计误差大小关系，其中，m表示1至L号传感器分系统中带加权因子的第m号传感器。

5.如权利要求4所述的多传感器系统数据融合精度的提高方法，其特征在于：基于卡尔曼滤波分布式数据融合原理，设计构建了加权因子λ的实时解算公式，通过在线模糊来整定带加权因子的传感器m的属于第n个采样周期的λ实时值λ^(m)(n)的解算参数α、β的实时值α^(m)(n)、β^(m)(n)，并结合该时刻误差比系数r的实时值r^(m)(n)，从倍数和指数关系上在线自适应修订λ的取值大小。

6.如权利要求5所述的多传感器系统数据融合精度的提高方法，其特征在于：针对模糊整定器的每个输入、输出空间，分别定义与r、rc、α、β相对应的误差比变量R、误差比变化率变量RC、倍数变量A和指数变量B的四个语言变量。

7.如权利要求6所述的多传感器系统数据融合精度的提高方法，其特征在于：对参数模糊整定器中四个语言变量R、RC、A、B，设计了覆盖整个语言变量论域的分布隶属函数。

8.如权利要求7所述的多传感器系统数据融合精度的提高方法，其特征在于：在隶属函数分布设计中，将R划分为四档，RC划分为七档，A划分为四档，B划分为七档。