基于分批估计的自适应加权数据融合算法

doi:10.16180/j.cnki.issn1007-7820.2022.05.004

电子科技 ›› 2022, Vol. 35 ›› Issue (5): 19-25.doi: 10.16180/j.cnki.issn1007-7820.2022.05.004

基于分批估计的自适应加权数据融合算法

施震华¹,张娜¹,包晓安¹,宋杰²

1.浙江理工大学信息学院,浙江杭州 310018
2.武汉理工大学经济学院,湖北武汉 430070

收稿日期:2020-12-22 出版日期:2022-05-25 发布日期:2022-05-27
作者简介:施震华(1995-),男,硕士研究生。研究方向:嵌入式与物联网技术。|张娜(1977-),女,副教授。研究方向:软件工程、软件测试。|包晓安(1973-),男,教授。研究方向:自适应软件、软件测试与智能信息处理。
基金资助:
国家自然科学基金(6207050141);浙江省自然科学基金青年基金(LQ20F050010);浙江省重点研发计划(2020C03094)

Adaptive Weighted Data Fusion Algorithm Based on Batch Estimation

SHI Zhenhua¹,ZHANG Na¹,BAO Xiaoan¹,SONG Jie²

1. School of Information Science and Technology,Zhejiang Sci-Tech University,Hangzhou 310018,China
2. School of Economics,Wuhan University of Technology,Wuhan 430070,China

Received:2020-12-22 Online:2022-05-25 Published:2022-05-27
Supported by:
National Natural Science Foundation of China(6207050141);Natural Science Foundation of Zhejiang(LQ20F050010);Research and Development Program of Zhejiang(2020C03094)

摘要/Abstract

摘要：

针对多传感器数据融合问题,文中提出了一种基于分批估计的自适应加权数据融合算法。该算法采用时间序列和空间序列对采集的数据分批求其方差,利用数据一致性检测对噪点进行剔除,进而得到自适应因子。随后采用自适应加权法对数据进行融合,得到预测值。文中模拟物联网数据进行仿真实验。结果表明,在处理数据时运用分批估计的自适应加权多传感器数据融合技术,能够提高传感器测量的精确度和系统的可靠性,基于分批估计的自适应加权平均法比传统自适应方法的均方根误差减少了10%,精度提高了2.3%。

关键词: 自适应加权, 多传感器融合, 分批估计, 数据融合, 物联网, 数值一致性检测, 时间序列, 空间序列

Abstract:

In this study, an adaptive weighted data fusion algorithm based on batch estimation is proposed for multi-sensor data fusion. The algorithm uses time series and spatial sequences to find the variance of the collected data in batches, and uses data consistency detection to eliminate noise, and then obtains the adaptive factors. Subsequently, the adaptive weighting method is used to fuse the data to obtain the predicted value. The simulation experiments with IoT data show that the adaptive weighted multi-sensor data fusion technology of batch estimation can improve the accuracy of sensor measurement and the reliability of the system when processing data, and the adaptive weighted average method based on batch estimation is 10% less than the root mean square error of traditional adaptive method and the accuracy is improved by 2.3%.

Key words: adaptive weighting, multi-sensor fusion, patch estimation, data fusion, internet of things, numerical consistency detection, time series, spatial sequence

中图分类号:

TP391

施震华,张娜,包晓安,宋杰. 基于分批估计的自适应加权数据融合算法[J]. 电子科技, 2022, 35(5): 19-25.

SHI Zhenhua,ZHANG Na,BAO Xiaoan,SONG Jie. Adaptive Weighted Data Fusion Algorithm Based on Batch Estimation[J]. Electronic Science and Technology, 2022, 35(5): 19-25.

图/表 8

表1

图1

图2

表2

表3

图3

图4

表4

参考文献 19

[1]	刘春, 卫吉祥, 李维华, 等. 改进的自适应卡尔曼滤波在北斗伪距单点定位中的研究[J]. 电子测量与仪器学报, 2020, 34(10):142-148.
	Liu Chun, Wei Jixiang, Li Weihua, et al. Research on improved adaptive Kalman filter in Beidou pseudorange single point positioning[J]. Journal of Electronic Measurement and Instrumentation, 2020, 34(10):142-148.
[2]	张世辉, 王红蕾, 陈宇翔, 等. 基于深度学习利用特征图加权融合的目标检测方法[J]. 计量学报, 2020, 41(11):1344-1351.
	Zhang Shihui, Wang Honglei, Chen Yuxiang, et al. An object detection method based on deep learning using feature map weighted fusion[J]. Acta Metrologica Sinica, 2020, 41(11):1344-1351.
[3]	王茜, 王颖超, 曹菲. 基于随机自适应方法的多传感器融合算法[J]. 计算机应用与软件, 2020, 37(4):233-239.
	Wang Qian, Wang Yingchao, Cao Fei. Multi-sensor fusion algorithm based on random adaptive method[J]. Computer Applications and Software, 2020, 37(04):233-239.
[4]	张红, 程传祺, 徐志刚, 等. 基于深度学习的数据融合方法研究综述[J]. 计算机工程与应用, 2020, 56(24):1-11.
	Zhang Hong, Cheng Chuanqi, Xu Zhigang, et al. Survey of data fusion based on deep learning[J]. Computer Engineering and Applications, 2020, 56(24):1-11.
[5]	宋寿鹏, 申静静, 卢翠娥. 可视化与非可视化特征融合超声3D目标识别研究[J]. 电子科技, 2019, 32(5):5-10.
	Song Shoupeng, Shen Jingjing, Lu Cuie. Research on ultrasonic 3D target recognition based on visual and non-visual feature fusion[J]. Electronic Science and Technology, 2019, 32(5):5-10.
[6]	Wang H, Deng Z, Feng B, et al. An adaptive Kalman filter estimating process noise covariance[J]. Neurocomputing, 2017, 223(5):12-17. doi: 10.1016/j.neucom.2016.10.026
[7]	陆文英, 胡海荣. 基于手机多传感器数据融合的测步长算法[J]. 电子科技, 2018, 31(12):9-13.
	Lu Wenying, Hu Hairong. Step length estimation using multi-sensor data fusion of mobile phone[J]. Electronic Science and Technology, 2018, 31(12):9-13.
[8]	杭超, 李刚, 谢昱卓, 等. 基于非均匀分簇和蚁群神经网络的WSN数据融合算法[J]. 传感技术学报, 2020, 33(10):1483-1488.
	Hang Chao, Li Gang, Xie Yuzhuo, et al. WSN data fusion algorithm based on non-uniform clustering and ant colony neural network[J]. Chinese Journal of Sensors and Actuators, 2020, 33(10):1483-1488.
[9]	李延超, 肖甫, 陈志, 等. 自适应主动半监督学习方法[J]. 软件学报, 2020, 31(12):3808-3822.
	Li Yanchao, Xiao Fu, Chen Zhi, et al. Adaptive active learning for semi-supervised learning[J]. Journal of Software, 2020, 31(12):3808-3822.
[10]	张良成, 王运锋. 动态自适应的多雷达信息加权融合方法[J]. 计算机科学, 2020, 47(S2):321-326.
	Zhang Liangcheng, Wang Yunfeng. Dynamic adaptive multi-radar tracks weighted fusion method[J]. Computer Science, 2020, 47(S2):321-326.
[11]	Her Y, Kim T, Ahn Y. Search algorithm for efficient optimal path based on time-weighted[J]. Journal of the Korea Convergence Society, 2020, 11(2):1-8.
[12]	唐亚鹏. 基于自适应加权数据融合算法的数据处理[J]. 计算机技术与发展, 2015, 25(4):53-56.
	Tang Yapeng. Data processing based on adaptive weighted data fusion algorithm[J]. Computer Technology and Development, 2015, 25(4):53-56.
[13]	Zhao X, Wang S, Zhang J, et al. Real-time fault detection method based on belief rule base for aircraft navigation system[J]. Chinese Journal of Aeronautics, 2013, 26(3):717-729. doi: 10.1016/j.cja.2013.04.039
[14]	蔡碧丽, 苏国栋. 改进型分批估计与自适应加权融合方法研究[J]. 测控技术, 2019, 38(4):122-126.
	Cai Bili, Su Guodong. Research on improved batch estimation and adaptive eeighted fusion method[J]. Measurement & Control Technology, 2019, 38(4):122-126.
[15]	班晓征, 李志华. 一种自适应加权欠采样图像重建算法[J]. 南京理工大学学报, 2020, 44(2):209-215.
	Ban Xiaozheng, Li Zhihua. Adaptive weighted undersampling image reconstruction algorithm[J]. Journal of Nanjing University of Science and Technology, 2020, 44(2):209-215.
[16]	Zhao H F, Zhang B W, Wang Z, et al. Multiclass discriminant analysis via adaptive weighted scheme[J]. Neurocomputing, 2020, 38(1):1-9.
[17]	杨军佳, 叶晨亮, 冯少华, 等. 多传感器数据加权融合方法[J]. 传感器与微系统, 2020, 39(4):39-42.
	Yang Junjia, Ye Chenliang, Feng Shaohua, et al. Method of data weighted fusion for multi-sensors[J]. Transducer and Microsystem Technologies, 2020, 39(4):39-42.
[18]	刘文龙, 杨辉. 动态数据融合算法改进仿真研究[J]. 计算机仿真, 2020, 37(4):294-297.
	Liu Wenlong, Yang Hui. Improved simulation research of dynamic data fusion algorithm[J]. Computer Simulation, 2020, 37(4):294-297.
[19]	薛丽, 杨一, 高怡, 等. 随机加权自适应IMMUPF及其在导航中的应用[J]. 电子设计工程, 2019, 27(13):133-138.
	Xue Li, Yang Yi, Gao Yi, et al. Random weight adaptively IMMUPE for navigation[J]. Electronic Design Engineering, 2019, 27(13):133-138.

传感器名称	概率	正态分布参数	概率	正态分布参数
传感器1	0.9	(20,4)	0.1	(24,4)
传感器2	0.9	(20,4.5)	0.1	(25,4.5)
传感器3	0.9	(20,5)	0.1	(25,4.5)
传感器4	0.9	(20,5.5)	0.1	(26,5.5)
传感器5	0.9	(20,6)	0.1	(22,6)
传感器6	0.5	(20,6.5)	0.5	(30,6.5)
传感器7	0.9	(20,7)	0.1	(25,7)
传感器8	0.9	(20,7.5)	0.1	(30,7.5)
传感器9	0.9	(20,8)	0.1	(27,8)
传感器10	0.9	(20,8.5)	0.1	(28,8.5)

传感器编号	权值	传感器编号	权值
1	0.195 4	6	0.076 7
2	0.158 3	7	0.071 0
3	0.138 9	8	0.059 5
4	0.103 1	9	0.059 2
5	0.087 3	10	0.050 6

传感器编号	权值	传感器编号	权值
1	0.121 5	6	0.095 2
2	0.092 6	7	0.112 6
3	0.066 1	8	0.080 8
4	0.115 8	9	0.114 7
5	0.113 2	10	0.087 3

方法	均值	均方根误差
均值法	21.06	1.85
自适应加权	20.60	1.46
基于分批自适应加权	20.12	1.32

基于分批估计的自适应加权数据融合算法

Adaptive Weighted Data Fusion Algorithm Based on Batch Estimation

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 19

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	杨艳梅,程宗毛. 基于外界影响及时序因素的PM_2.5预测研究[J]. 电子科技, 2022, 35(3): 51-57.
[2]	王洪亮,陈新源,赵雨梦. 基于集合经验模态分解和ARIMA-GRNN的负荷预测方法[J]. 电子科技, 2021, 34(12): 42-48.
[3]	肖欣招,刘建旭,伍国靖,付东翔. 三维流场测量中的微风量多传感器数据融合[J]. 电子科技, 2021, 34(12): 81-86.
[4]	王鸽,惠维,丁菡,赵鲲,赵季中. 一种基于无源射频技术的用户步态识别及认证方法[J]. 电子科技, 2020, 33(6): 1-7.
[5]	孙海静,陈强,杨娇,周玲. 基于混合编码的射频识别无芯片标签设计[J]. 电子科技, 2020, 33(6): 8-12.
[6]	朱亮,周勇,陈佳,吴晔阳,张靖. 基于GIS技术的变电站智能运检管理系统[J]. 电子科技, 2020, 33(2): 71-74.
[7]	李康. 多模态特征融合的网络安全态势评估[J]. 电子科技, 2020, 33(12): 28-31.
[8]	楼顺天,庞斯琪,李明昱. 基于物联网的单片机创新实验系统设计[J]. 电子科技, 2020, 33(11): 1-6.
[9]	刘琛,马驷俊,倪雪莉. 基于属性的物联网感知层访问控制方案[J]. 电子科技, 2019, 32(9): 55-59.
[10]	宋寿鹏,申静静,卢翠娥. 可视化与非可视化特征融合超声3D目标识别研究[J]. 电子科技, 2019, 32(5): 5-6.
[11]	张鹏,孙红艳. 基于物联网的船舱环境监测监控系统设计[J]. 电子科技, 2019, 32(10): 79-82.
[12]	姜彪，李荣正 . 基于ZigBee技术的瓜田自动灌溉系统的设计[J]. , 2017, 30(9): 78-.
[13]	陈冠宇，刘宇红，李乐乐. 基于模糊逻辑与数据融合的智能导盲手杖[J]. , 2016, 29(9): 114-.
[14]	娄海峰1, 王亚刚1, 王凯2. 基于ZigBee通信的大型灯光控制系统设计[J]. , 2016, 29(9): 129-.
[15]	周红坤. 小型无人机多传感器组合导航系统设计与实现[J]. , 2016, 29(8): 10-.