一種廣義數據融合方法
【技術領域】
[0001] 本發明涉及數據融合技術領域，尤其涉及一種新型的廣義數據融合方法，用于改 善數據的性能，提高數據的有效性。
【背景技術】
[0002] 數據融合（data fusion)技術起源于1973年美國國防部資助開發的聲納信 號處理系統，其概念在20世紀70年代出現在一些文獻中。美國研發成功聲納信號處 理系統之后，在20世紀80年代，為了滿足軍事領域中作戰的需要，多傳感器數據融合 MSDF(Multi-sensor Data Fusion)技術應運而生。1988 年，美國將 C3I (Command，Control， Communication and Intelligence)系統中的數據融合技術列為國防部重點開發的二十項 關鍵技術之一。
[0003] 信息融合技術的實現，關鍵在于融合算法。對于多傳感器系統來說，因為信息具有 多樣性和復雜性，因此，信息融合方法的基本要求是應該具有魯棒性和并行處理能力，還包 括對運算速度和精度的要求，對與前續預處理系統和后續信息識別系統的接口性能、與不 同技術和方法的協調能力的要求，以及對信息樣本的要求等。信息融合已成為現代信息處 理的一種通用工具和思維模式。以模糊理論、神經網絡、證據推理等為代表的所謂智能方法 占有相當大的比例。
[0004] 傳統的數據融合是指多傳感器的數據在一定準則下加以自動分析、綜合，以完成 所需的決策和評估所進行的信息處理過程。多傳感器數據融合目前尚未形成完整的理論體 系和非常有效的融合算法。存在的問題是數據融合方法簡單，一般只是把兩組或多組數據 集或解集簡單地直接疊加或合并，融合效果不理想。
【發明內容】
[0005] 為解決現有技術中存在的上述問題，本發明提供了一種新型的廣義數據融合方 法，實現多個數據的集合，或綜合多個數據成為一個完整的性能更好的數據集，提高數據的 有效性和實用性。
[0006] 為實現上述目的，本發明采用以下技術方案。
[0007] -種廣義數據融合方法，其特征在于，所述方法包括以下步驟：
[0008] 步驟1，構建廣義融合求解問題模型；
[0009] 步驟2,求解狀態解算方程，獲得狀態解算值；
[0010] 步驟3,建立相對狀態量遞推方程，獲取遞推后的估計值;
[0011] 步驟4,組合^歷元時的直接求解狀態值與遞推后的估計值-獲得狀態最優解值 Λ X11 ；
[0012] 步驟5,重復運用迭代求解，獲得一組優化解。
[0013] 進一步地，步驟1所述構建廣義融合求解問題模型的方法包括以下步驟：
[0014] 建立求軌跡解（Xi, Zi), i = 1，2, 3…ne的模型：
[0017] 模型由兩部分組成：上面是直接求解部分，其中P,，Ill是絕對測量值或觀 測值，(X i, yi, Zi, xs_j, ys_j, zs_j)為狀態量求解函數關系式，gi (Xi, Yii Zi)為約束函數關 系式，1為最終歷元數，m為信號源數目，k為約束方程數量；下面是遞推部分，其中 AX1, AY1, AZ1為低階狀態量，是狀態變量的相對變化量，或狀態變量的導數值或微分值； f2 ( AXihf3(Ayi),;^ (Azi)分另Ij為遞推關系式；g2( Axi, Ayi, Azi)為低階狀態量之間的 相關約束函數式，<^表示各分量之間的約束關系。
[0018] 進一步地，如果上述模型的兩部分采用不同的坐標系，則將兩部分統一到同一坐 標系下進行解算；或先在不同坐標系下分別完成解算，再把數據統一到同一坐標系下，然后 進行組合。
[0019] 進一步地，步驟2所述求解狀態解算方程獲得狀態解算值的方法包括以下步驟：
[0020] 若狀態解算方程為非線性形式，采用非線性直接求解算法求解如下非線性狀態解 算方程：
[0021] f (χ；) = P i+v；, i = I, 2, . . . , ne
[0022] 其中，f (Xi)為狀態量求解關系式，Xi為函數狀態變量，P i為測量量，v i為隨機噪 聲，i為歷元序號，I為方程個數；
[0023] 首先，求X，使
[0024]
[0025]
[0026]
[0027] S. T. g (xn) = c+ υ
[0028] 式中，I1(Xn)為目標函數，g(xn)為約束函數關系式，c為約束方程右端項，υ為隨 機噪聲。
[0029] 進一步地，步驟3所述建立狀態量遞推方程獲取遞推后狀態量的最優預估值&的 方法包括以下步驟：
[0030] 建立低階狀態量的遞推方程，獲取高階狀態量的新值，并與直接從解算方程求解 獲得的狀態解算值組合；低階狀態量是與狀態量相關的導數或微分值，或差分信息；當預 估下一歷元狀態預估量時，在當前最優狀態估計值的基礎上，加上可觀測的狀態量的一階 或高階導數值與時間間隔的乘積，獲得下一歷元的高階狀態預估量；用狀態量遞推公式表 示如下：
[0031] X11 ^=Z(xti_m,xn_mn,...,X n^
[0032] 式中，Z( ·)表示遞推關系式；
[0033] 當遞推關系符合運動學時，用如下關系式表示：
[0034]
[0035] 式中，4為1歷元時狀態變量的一階導數值，毛為、歷元時狀態變量的二階導數 值，u ^tn歷元時的隨機噪聲，歷元時狀態量遞推預估值，為tnl歷元時狀態 量的最優估計值，At為歷元間的間隔時間；
[0036] 融合起始階段初始狀態估計量4未知，用前幾個歷元的狀態測量值代替，或用經 逼近處理后的逼近值替代。
[0037] 進一步有，步驟4所述組合、歷元時的直接求解狀態值與狀態估計值;獲得狀態 最優解值&的方法包括以下步驟：
[0038] 首先，將tn歷元時的狀態預估量X,,和tn歷元時的直接求解狀態值X n模糊組合起 來，采用廣義延拓逼近方法求《Μ，α2，α3:
[0039]
[0040]
[0041] 式中，ω。、ωι、ω2為權系數，^2，& 3是待求量α ρ α 2，α 3的約束區間數，
[0042] 然后，求1^歷元時的狀態最優區間估計量^ :
[0043] Xfi = Ol+ Ojil + a 41。：
[0044] 進一步地，步驟5所述重復運用迭代求解獲得一組優化解的方法包括以下步驟：
[0045] 采用迭代法獲得下一歷元tn+1的最優狀態估計值λ·?+ι , _y"4l, ζ"+ι ;
[0046] 重復執行迭代法ne次，獲得一組優化軌跡解_(x,兄，z, )，i = I, 2, 3…ne。
[0047] 與現有技術相比，本發明具有以下有益效果：
[0048] 本發明提出的廣義融合方法，在數據融合過程中，把低階狀態量遞推獲得的預估 計值直接融合到求解獲得的高階狀態解值上去。當低階狀態量測量精度較高時，經過逐次 互相校準進行數據合成后，能明顯提高狀態量合成值的精度，得到目標狀態量更準確的表 示或估計。本發明應用于傳感器數據處理，可以把單一傳感器的多波段信息或不同類別傳 感器所提供的信息加以綜合，消除多傳感器信息之間可能存在的矛盾，改善信息或數據提 取的及時性和可靠性，提高數據的使用效率。
【附圖說明】
[0049] 圖1為本發明實施例廣義融合方法的求解數學模型。
【具體實施方式】
[0050] 下面結合附圖與具體實施例對本發明做進一步詳細說明。
[0051] 為了便于理解本發明的技術方案，在給出實施例之前首先介紹一下本發明所述廣 義數據融合方法的原理。
[0052] 本發明在已有的數據融合成果的基礎上，提出一種求解有一定關聯關系的多組方 程組解集或離散數據集的最優融合估計問題的方法，即廣義融合求解方法。它能夠把多組 解或多組離散數據綜合起來，成為一組能綜合各自優勢或長處的最優數據序列集，即尋找 融合數據序列集的一組最優估計值序列。傳統的數據融合方法，一般是把兩組或多組數據 集或解集簡單地直接疊加或合并，這樣合并后數據性能改善效果不明顯。本發明把短周期 的、較小隨機誤差的數據序列集的相對變化量融合到隨機誤差較大、長周期誤差較大的數 據序列集中去，這樣便能獲得偏差較小，隨機誤差也較小的數據序列集。所述相對變化量可 以是差分值、微分量或其導數值。當差分值、微分量或其導數值比較精確時，都能收到好的 效果。本發明所述的廣義融合求解方法，通過直接求解狀態方程或量測方程得到一組數據， 采用由低階狀態量遞推獲得另一組數據，把低階狀態量遞推獲得的預估計值直接融合到求 解獲得的高階狀態解值上去。在融合過程中，還要逐次進行互相校正數值、互相修正誤差的 數據處理過程。當低階狀態量測量精度較高時，經過逐次互校進行數據合成后，能明顯提高 狀態量合成值的精度，得到目標狀態量更準確的表示或估計。本發明應用于傳感器數據處 理，是把單一傳感器的多波段信息或不同類別傳感器所提供的信息加以綜合，消除多傳感 器信息之間可能存在的矛盾，加以互補，改善信息或數據提取的及時性和可靠性，提高數據 的使用效率。
[0053] 圖1為本發明所述實施例的流程圖。具體包括以下步驟：
[0054] Sl、構建求解問題模型。
[0055] 建立求軌跡解（Xi, y;，Zi), i = 1，2, 3…ne的模型：
[0056]
[0057]
[0058] 模型（1)由兩部分組成。上面部分是直接求解部分，其中P ,，Il1是絕對測量值 或觀測值，A (Xi, yi, Zi, xs_j, ys_