0.       引言 

多傳感器數(shù)據(jù)融合就是充分利用多傳感器信息資源，采用計算機(jī)技術(shù)進(jìn)行分析與綜合，以完成各種決策行為。它比單傳感器系統(tǒng)在測量精度、探測范圍和測量的可靠性方面又有了明顯的提高。數(shù)據(jù)融合中我們常用的方法是加權(quán)平均估值算法^[1]，但此種方法也存在一定的缺陷，在噪聲很強(qiáng)的探測環(huán)境中其結(jié)果會存在一定的誤差，影響監(jiān)測結(jié)果的真實性，在這里，本文引入了模糊推理原理，將其應(yīng)用到多傳感器數(shù)據(jù)融合中來提高融合結(jié)果的準(zhǔn)確性。

1.       模糊推理原理及融合的實現(xiàn) 

模糊推理的方法可以融合具有不確定性的多傳感器數(shù)據(jù)，它的實質(zhì)是將一個給定輸入空間通過模糊邏輯的方法映射到一個特定輸出空間的計算過程。結(jié)構(gòu)包括四個部分：規(guī)則庫、推理機(jī)、模糊化和解模糊^[2]。規(guī)則庫根據(jù)已有的知識和經(jīng)驗建立，一般以IF-THEN形式描述；推理機(jī)實際上是一個規(guī)則匹配過程，是將現(xiàn)有的狀態(tài)與規(guī)則庫里的規(guī)則進(jìn)行比較，然后確定各個規(guī)則應(yīng)用的可信度；模糊化是將實際變量用模糊變量或者將實際數(shù)值用模糊數(shù)值予以表示的過程，涉及模糊變量的定義、隸屬函數(shù)的選取、范圍的劃分等；解模糊是模糊化的逆過程，是將模糊變量轉(zhuǎn)化為實際變量的過程。

由于傳感器工作時所處環(huán)境具有不確定性以及其自身條件的限制等，采集到的數(shù)據(jù)一般都有某種程度的不確定性^[3]，這種一般用測量方差來度量，本文中，我們根據(jù)傳感器監(jiān)測結(jié)果和測量方差對傳感器進(jìn)行模糊化處理。另外，各傳感器測量到的數(shù)據(jù)所得到的結(jié)果也有一定的不確定性，也有方差，同樣也可以進(jìn)行模糊化處理。它在數(shù)據(jù)融合中的應(yīng)用原理如下圖所示。

圖1模糊推理在多傳感器數(shù)據(jù)融合中的應(yīng)用

融合是按以下步驟來實現(xiàn)的：

（1）輸入變量模糊化

假設(shè)一共設(shè)置了n個不同類型的傳感器，分別測量同一個參數(shù)，各傳感器方差已知，可以得到其測量值。由隨機(jī)變量的特點可知，隨機(jī)變量的分布是由其均值和方差所確定的正態(tài)分布，因此，隸屬函數(shù)選用高斯函數(shù)較為合適。為了便于系統(tǒng)實現(xiàn)，在此選用三角形隸屬函數(shù)，該函數(shù)的中心是傳感器測量均值，即單次測量時得到的數(shù)值，函數(shù)曲線的寬度根據(jù)誤差的分布規(guī)律，選定為標(biāo)準(zhǔn)方差的2倍，設(shè) 為單次測量時得到的數(shù)值。隸屬函數(shù)表達(dá)式如下：

                           圖2 測量不確定性的模糊表示

（2）輸出變量模糊化

輸出變量模糊化的實現(xiàn)與輸入變量的模糊化類似，為了實現(xiàn)方便，也采用三角形隸屬函數(shù)，然而三角形的中心位置是待定函數(shù)，因此為了減少待求參數(shù)的數(shù)目，三角形的寬度設(shè)置利用已有的方法，以最小的傳感器方差作為輸出變量的方差，這樣輸出隸屬函數(shù)就只有一個中心位置需要去確定。輸出函數(shù)的表達(dá)式如下式所示：

（3）數(shù)據(jù)融合值的計算區(qū)間

根據(jù)己有的數(shù)據(jù)融合算法可知，經(jīng)過融合處理后的數(shù)據(jù)融合值是各個測量值的函數(shù)或者線性加權(quán)，所以融合值必在各測量值所確定的范圍之內(nèi)，這樣，輸出隸屬函數(shù)的中心位置就在輸入最小值與最大值所確定區(qū)間內(nèi)變化，因此mi的計算區(qū)間是：

其中：

利用模糊推理進(jìn)行多傳感器數(shù)據(jù)融合的流程圖見下圖所示。利用模糊推理進(jìn)行數(shù)據(jù)融合的要點是在傳感器測量值所確定的范圍之內(nèi)移動輸出隸屬函數(shù)的位置，根據(jù)它與輸入隸屬函數(shù)交點的位置確定各輸入數(shù)據(jù)的兼容度，然再后利用AND或者OR運(yùn)算計算對應(yīng)的總兼容度，總兼容度最大的位置就是所求融合值。

圖3 模糊推理數(shù)據(jù)融合流程圖

2.       實例 

在進(jìn)行上述操作的過程當(dāng)中，我們需要注意在傳感器測量值所確定的范圍之內(nèi)，移動輸出隸屬函數(shù)的位置，根據(jù)其與輸入隸屬函數(shù)交點的位置，確定與各個輸入的兼容度，再利用AND或OR運(yùn)算計算對應(yīng)的總兼容度，總兼容度最大的位置就是待求的融合值。這個處理方法可用下面的例子來說明。

設(shè)有兩個傳感器測量同一距離，其測量值分別是11和8(實際值是10)，方差分別是1和4，構(gòu)成的三角形隸屬函數(shù)如圖3所示。

取輸出隸屬函數(shù)的方差為1(輸入方差最小者)，若輸出隸屬函數(shù)的中心位置在9，則輸出與兩個輸入的交點分別為A和B，對應(yīng)的兼容度分別為：0.5000和0.8333，采用加法(OR)運(yùn)算時的總兼容度是:

乘法(AND)運(yùn)算的總兼容度為:

圖4 上例構(gòu)成的三角形隸屬函數(shù)

圖5 位置與總兼容度的關(guān)系圖

這兩個值分別表示在位置為9時，用輸出表示或代替兩個輸入的程度。從圖3可知，輸入變量所確定的區(qū)間為4到13，在此范圍內(nèi)移動輸出隸屬函數(shù)的位置，分別計算(乘法)總兼容度，得到總兼容度與輸出隸屬函數(shù)中心位置之間的關(guān)系如圖4所示。經(jīng)過解模糊運(yùn)算，得到的結(jié)果是10.1446。而對上述數(shù)據(jù)用算術(shù)平均計算的結(jié)果是9.500，加權(quán)平均的結(jié)果是10.40000。

3.       仿真驗證

為進(jìn)一步驗證本方法的有效性，文中取兩組數(shù)據(jù)，進(jìn)行分析，并與有關(guān)方法的結(jié)果進(jìn)行比較。

其中表1為5個傳感器時的測量數(shù)據(jù)與方差，表2為10個傳感器的測量數(shù)據(jù)與方差。

表1 測量數(shù)據(jù)與方差

表2 測量數(shù)據(jù)與方差

采用不同方法的計算結(jié)果分別如表3和表4所示：

表3 表1中數(shù)據(jù)融合結(jié)果的比較

表4 表2中數(shù)據(jù)融合結(jié)果的比較

通過表3和表4的比較結(jié)果我們可以看出模糊推理方法的融合精度是最高的，它比算術(shù)平均和加權(quán)平均的精確度高，跟一致性方法的精度接近，但是在有些要求精確度高的情況下，模糊推理算法是最好的，所以模糊推理是一種比較有效的精確度較高的數(shù)據(jù)融合方法。

4.       結(jié)論

多傳感器數(shù)據(jù)融合中，由于傳感器自身條件的限制和傳感器監(jiān)測環(huán)境干擾的影響，其在數(shù)據(jù)測量上會有一定程度的不確定性^[4]，利用模糊量將這種不確定性表示出來，通過模糊推理過程中輸入量與輸出量之間的關(guān)系的計算，可以將數(shù)據(jù)融合轉(zhuǎn)化成為確定輸出隸屬函數(shù)位置的問題來進(jìn)行解決，即將模糊推理技術(shù)應(yīng)用到多傳感器數(shù)據(jù)融合中，根據(jù)融合結(jié)果的特點，將求解位置問題轉(zhuǎn)化為求解在一個已知區(qū)間內(nèi)的極值問題，通過實驗論證可知融合的精度在此算法的基礎(chǔ)上有了較大的提高，但是需要注意的是該方法的計算過程相對復(fù)雜，計算時間較長，其實現(xiàn)的實時性還需要進(jìn)一步的改進(jìn)。

聯(lián)系作者：文小強(qiáng)，太原科技大學(xué)47信箱，13834556416.

E-mail:wenxiaoqiang2011@126.com