数据级与特征级上的数据融合方法研究

本文针对多传感器数据融合研究中所涉及的理论与应用问题进行了深入的研究。首先对数据融合的定义、基本原理、融合层次、功能模型、融合方法等几个方面进行了综述。从融合的层次结构出发,数据融合技术可分为数据级、特征级和决策级三个融合层次。不同层次的融合具有不同的特点,其数据融合的具体原理和算法也不同。本文分别研究数据融合中的数据级和特征级的原理、算法及其应用,探索不同融合层次上有效的融合模型、相应的算法及其应用。 在数据级处理中,针对同类多传感器测量中含有的噪声,提出了多传感器数据自适应加权融合估计算法,该算法不要求知道传感器测量数据的任何先验知识,依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,并在理论上证明了该估计算法的线性无偏最小方差性。计算机上的仿真结果表明了本算法的有效性,其融合结果在精度、容错性方面均优于传统的平均值估计算法。 在特征级处理中,针对设备故障诊断应充分利用各种信息获得关于系统运行状态和故障状况的综合评价的特点,提出了将数据融合技术用于实现对设备的故障诊断;基于人工神经网络(ANN)具有联想记忆、分类和优化决策等功能和在实际使用中响应速度快的优点在模式识别和分类中所具有的独特优势,用来完成特征级上的融合处理;给出了特征级人工神经网络实现故障诊断的融合模型,并把该模型用于一个电子电路的故障诊断实例中,采用传统BP网络、改进的BP网络、RBF网络三种网络模型进行了故障诊断仿真,仿真结果验证了人工神经网络特征级融合的具有很强的故障诊断能力,并对三种网络的诊断能力进行了分析、比较,表明RBF网络学习速度更快,更适合用于特征级融合实现对设备的故障诊断。