一种多传感器的数据融合方法——领域搜索

本文提出一种简易的多数据融合方法

知网见

http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2019&filename=YQXB201908023&uid=WEEvREcwSlJHSldRa1FhcTdWa2FjcW90czZveGVyNmU5OTFpODNlcnE1UT0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MjYwMzR6bFZiN05QRHpUYkxHNEg5ak1wNDlIWjRSOGVYMUx1eFlTN0RoMVQzcVRyV00xRnJDVVJMT2VaZVJ0Rnk=

基于邻域搜索算法去解决这个问题。搜索原理广泛应用于工程实际,即在一个目标群体中寻找具有代表性的潜在最优解，搜索群体在时空域上具有一定的相关性，可通过一定的搜索规则使具备一定的感知性，其原理结构如下所示：

                       

式中代表X输入数据集的矩阵，t代表时间刻度，代表最小值取值函数，i,j分别为输入矩阵的大小，i在物理含义上代表传感器数量，j在物理含义上代表某t时刻传感器的某项数据值，如此便可以得到训练集的误差矩阵，对误差矩阵进行领域搜索，如下：

这里代表某t时刻相邻传感器得到误差数据比较值，为了进行矩阵运算我们需要将其进行转置并进行最小值比较，即：

         在上述基础上，我们得到了在四个姿态传感器相邻三时刻邻域数据中（即12个数据）某两值相减的最小误差值，对其进行反搜索解算，如下：

式中a、b、c为线性加权值，随着实验的效果可以进行调整，即为最后的目标值。

为了使搜索算法具有一定的普适性，提高其精度，可将上式进行改进，如下：

 

效果图

 

clear
clc
DATA1 = xlsread('data2.xlsx','Sheet1');
DATA2 = xlsread('data2.xlsx','Sheet2');
DATA3 = xlsread('data2.xlsx','Sheet3');
DATA4 = xlsread('data2.xlsx','Sheet4');
DATA5 = xlsread('data2.xlsx','Sheet5');
data1 = DATA1';
data2 = DATA2';
data3 = DATA3';
data4 = DATA4';
sousuo_data1 = [data1(1,:);data2(1,:);data3(1,:);data4(1,:)];
sousuo_data2 = [data1(2,:);data2(2,:);data3(2,:);data4(2,:)];
sousuo_data3 = [data1(3,:);data2(3,:);data3(3,:);data4(3,:)];
sousuo_data4 = [data1(4,:);data2(4,:);data3(4,:);data4(4,:)];
sousuo_data5 = [data1(5,:);data2(5,:);data3(5,:);data4(5,:)];
sousuo_data6 = [data1(6,:);data2(6,:);data3(6,:);data4(6,:)];
err = zeros(4,269);
sousuo= zeros(1,269);
for j=2:1:268
    err(:,j) = abs(abs(sousuo_data1(:,j-1)-sousuo_data1(:,j))-abs(sousuo_data1(:,j)-sousuo_data1(:,j+1)));
    [m,n]=min(err(:,j));
    sousuo(1,j) = sousuo_data1(n,j);
end
sousuo(1,1)=sousuo_data1(1,1);
sousuo(1,269)=sousuo_data1(1,269);
sousuo = sousuo';

plot(sousuo);
grid on
hold on
plot(DATA5);
xlabel('时间（10ms）','FontSize',16);
ylabel('测量值（°/s）','FontSize',16);