王中宇 王 倩

(北京航空航天大學 儀器科學與光電工程學院，北京100191)

付繼華

(中國地震局地殼應力研究所，北京100085)

乏信息[1]是指測量數(shù)據(jù)具有的測量信息不完整和不充足.例如概率分布已知，但僅有幾個數(shù)據(jù)用于數(shù)據(jù)處理;概率分布未知，測量數(shù)據(jù)也只有少量;趨勢項未知等都可認為其具有乏信息特征.隨著國防工業(yè)的發(fā)展，在航空、航天運載系統(tǒng)、載人航天工程系統(tǒng)、戰(zhàn)術(shù)導彈、飛行姿態(tài)控制、遙感測量、武器裝備及船舶制造等行業(yè)[2－4]壓力傳感器的使用比例較大.在這些領(lǐng)域的多傳感器壓力測量過程中，常出現(xiàn)測量次數(shù)較少，或者測量數(shù)據(jù)個數(shù)較少無法確定其概率分布等情況，因此乏信息特征存在于多傳感器壓力測量數(shù)據(jù)的融合估計過程中.

多傳感器數(shù)據(jù)融合是一個具有不確定特征的復雜數(shù)據(jù)處理過程，融合方法作為研究的熱點，一直受到人們的重視，這方面國內(nèi)外已經(jīng)作了大量的研究，并提出了許多融合方法[5].目前，這些方法大致可以分為兩類:概率統(tǒng)計方法[6]和人工智能方法[7].概率統(tǒng)計方法發(fā)展相對成熟和系統(tǒng)化，其中卡爾曼方法[8]廣泛應用于高斯分布的測量數(shù)據(jù)處理，貝葉斯估計[9]在分布未知的測量數(shù)據(jù)融合中具有優(yōu)越性.人工智能又可分為邏輯推理方法和學習方法，邏輯推理屬于不確定性推理，對信息的表示和處理更加接近人類的思維方式，但是對信息的描述存在很大的主觀因素，對信息的表示和處理缺乏客觀性;學習方法目前包括神經(jīng)網(wǎng)絡，映射學習方法，數(shù)據(jù)挖掘等[10－12]，學習方法自身理論方面還不夠完善，存在穩(wěn)定性問題、泛化能力、缺乏有效的學習機制等.

以上所提研究方法從不同方面實現(xiàn)了多傳感器數(shù)據(jù)的融合，在很大程度上豐富和發(fā)展了多傳感器數(shù)據(jù)融合理論.人工智能方法與基于大數(shù)定律與中心極限定理的統(tǒng)計學方法，在測量數(shù)據(jù)概率分布未知或測量數(shù)據(jù)個數(shù)較少的乏信息條件下具有一定的局限性.近年來，自助法[13]，模糊數(shù)學理論[14]，灰色系統(tǒng)理論[15]等方法在處理乏信息問題上有一定應用.如文獻[14]中應用模糊數(shù)學理論實現(xiàn)了乏信息測量參數(shù)的有效估計;文獻[16]成功將自助法應用到多傳感器滑坡時間序列融合;文獻[15]運用灰自助法實現(xiàn)了乏信息虛擬儀器測量不確定度的評定.但這些方法在多傳感器壓力測量數(shù)據(jù)融合估計問題中尚未應用.

本文通過自助法對測量數(shù)據(jù)進行重復抽樣，增加測量數(shù)據(jù)的樣本量，進行多傳感器壓力測量數(shù)據(jù)融合，并利用模糊隸屬函數(shù)實現(xiàn)了壓力測量數(shù)據(jù)真值與區(qū)間估計.

1 自助模糊數(shù)據(jù)融合估計原理

自助模糊數(shù)據(jù)融合估計方法是將自助法[16]與模糊隸屬函數(shù)[14]的概念有機地結(jié)合起來，進行數(shù)據(jù)分析的一種本征融合方法.圖1為原理圖.

1.1 多傳感器壓力測量數(shù)據(jù)自助融合

在多傳感器壓力測量過程中，設(shè)小樣本空間的s個壓力傳感器獲得的測量數(shù)據(jù)時間序列為初始序列Z為

圖1 乏信息自助模糊融合估計原理

式中，zm(k)為第m個壓力傳感器獲得的第k個數(shù)據(jù);k為時間;n為數(shù)據(jù)量.

在時間k，s個壓力傳感器測量數(shù)據(jù)為

依據(jù)自助抽樣原理[15]，在中自助抽樣，獲得B個自助仿真樣本:

式中，zk，b(u)為時間k的第b個自助樣本中的第u個數(shù)據(jù).

Zkb中每列的均值為

式中，nd為第d組的數(shù)據(jù)量.

將式(2)中離散值zm(k)替換為連續(xù)變量x，依據(jù)最大熵算法[15]，得自助分布概率密度函數(shù)p(x).

在時間k，s個壓力傳感器測量數(shù)據(jù)融合值用數(shù)學期望表示為

式中，R為積分空間.

式(6)可以用離散形式表示為加權(quán)均值:

式中，Zd為第d組的組中值.

對于s個壓力傳感器測量數(shù)據(jù)，zj(k)構(gòu)成一個時間融合序列，即自助融合序列Zj，用矩陣表示為

1.2 多傳感器壓力測量數(shù)據(jù)模糊估計

在模糊數(shù)學中，將離散數(shù)x(k)看作模糊數(shù)，連續(xù)的x即為模糊變量.

如圖2所示，x的隸屬函數(shù)定義:

式中，f(x)∈[0，1]為隸屬函數(shù);f1(x)為左增函數(shù);f2(x)為右減函數(shù);X0為測量參數(shù)總體分布的估計真值;[XL，XU]為在最優(yōu)水平λ下的估計區(qū)間;XL為區(qū)間下限;XU為區(qū)間上限.

圖2 模糊隸屬函數(shù)圖

將Zj序列按升序排序，形成新序列Y={y(1)，y(2)，…，y(n)}.定義:

設(shè)線性隸屬函數(shù):

式中，i=1，2，…，n－1.

則滿足區(qū)間[0，1]的測量數(shù)據(jù)模糊隸屬離散值為

取最大mi對應的y(i)為真值X0的估計真值Xv，對應的序號i為v.

用下面兩個多項式擬合模糊隸屬函數(shù):

分別逼近離散值f1j(y(j))和f2j(y(j)).設(shè)

根據(jù)模糊集合理論意義上的最優(yōu)水平λ，在模糊集合理論意義上，取λ= 0.5(λ∈[0，1]).確定相應的水平截集，得到乏信息多傳感器壓力測量數(shù)據(jù)的估計隸屬區(qū)間.可由下面兩式得XL和XU:

2 實例分析

為了說明算法的有效性，本文分別在乏信息和大樣本兩個條件下進行實驗驗證.

2.1 乏信息實驗分析

選取某壓力測量系統(tǒng)的4個檢測點壓力傳感器獲得的壓力值的時間序列數(shù)據(jù)Y1～Y4見表1.分別利用本文提出的自助模糊算法、多模型跟蹤法[17]以及均值融合法，進行乏信息多傳感器壓力測量數(shù)據(jù)融合估計.在本次實驗中，取m=4，n=11，Y={Y1，Y2，Y3，Y4}，B=1000.自助模糊法，多模型跟蹤法和均值融合法的融合序列如表2中F1，F(xiàn)2，F(xiàn)3所示.根據(jù)模糊隸屬函數(shù)得估計真值X0與區(qū)間[XL，XU]，見表2.

表1 乏信息多傳感器壓力測量數(shù)據(jù)原始時間序列

在本實驗中，進行數(shù)據(jù)融合對比分析，據(jù)表2，F(xiàn)1和F2的數(shù)據(jù)接近，均能綜合反映該測量過程的演化情況.圖3描述了原始測量數(shù)據(jù)序列與自助融合序列.由圖3可得，本文算法所得融合序列與原始測量數(shù)據(jù)的變化趨勢接近，能夠精確地描述和反映測量系統(tǒng)的狀態(tài).為了對算法的性能分析，本文利用區(qū)間分析對測量數(shù)據(jù)進行了檢驗，區(qū)間估計精度如圖4所示.由圖4可得，自助模糊模型區(qū)間判定的精度為87%，其次多模型跟蹤法為82%，均值融合僅能達到57%.由此數(shù)據(jù)可以看出，在乏信息條件下，自助模糊模型能夠有效地實現(xiàn)多傳感器測量數(shù)據(jù)融合，融合過程中對測量數(shù)據(jù)個數(shù)及其分布規(guī)律都沒有要求.

表2 乏信息多傳感器壓力測量數(shù)據(jù)融合序列

圖3 融合對比圖

圖4 區(qū)間估計精度圖

2.2 大樣本仿真實驗分析

在大樣本量的情況下，為考核融合估計效果，定義置信水平P下的波動范圍為

定義對波動范圍真值U0估計的相對誤差(絕對值)為

在置信水平P下，誤報率PE為

式中，e為位于估計區(qū)間U外數(shù)據(jù);n為乏信息子樣本數(shù)據(jù)總數(shù).

可靠度Pr為

本文選取正態(tài)分布的測量數(shù)據(jù)進行仿真實驗，設(shè)定特征參數(shù)為標準差σ=0.1和真值X0=52，仿真出N=1024個數(shù)據(jù)x(k).仿真出的1024個數(shù)據(jù)可以被認為是大樣本測量數(shù)據(jù).用統(tǒng)計法進行估計，得到此組大樣本數(shù)據(jù)的σ=0.0977.取P=99.73%，得到波動范圍的約定真值U0=6σ=0.5862.

在此樣本數(shù)據(jù)序列中，抽取乏信息子樣本，從這1024個數(shù)據(jù)中抽4組數(shù)據(jù)，每組數(shù)據(jù)個數(shù)為n=10個，構(gòu)成數(shù)據(jù)序列C1～C4，對這4組數(shù)據(jù)，應用自助模糊方法與統(tǒng)計方法進行融合估計，結(jié)果如表3所示.

由表3可知，在乏信息條件下，相較于統(tǒng)計方法，自助模糊方法的融合估計結(jié)果與約定真值差異較小.數(shù)據(jù)表明:自助模糊方法可以很好地實現(xiàn)具有乏信息特征的測量數(shù)據(jù)融合估計.自助模糊估計較大樣本約定真值的相對誤差為10%左右，接近于真實的測量數(shù)據(jù)，在P為99.7%下，區(qū)間估計的Pr可達95%，說明此方法可以較為準確地描述測量系統(tǒng)的特征參數(shù)，反映測量過程的真實情況.

表3 仿真實驗結(jié)果對比

3 結(jié)論

依據(jù)乏信息多傳感器壓力測量數(shù)據(jù)融合估計問題的特征，本文提出了乏信息多傳感器壓力測量數(shù)據(jù)自助模糊融合估計模型，拓展了融合估計方法的條件限制，并通過實際測量數(shù)據(jù)進行驗證.其中，自助抽樣對樣本量進行擴充，允許原始測量數(shù)據(jù)個數(shù)有限，而且對數(shù)據(jù)的概率分布無任何要求;模糊估計實現(xiàn)最少僅需3個數(shù)據(jù)而且同樣無需測量數(shù)據(jù)概率分布信息.實驗表明:在乏信息條件下，算法精度可達87%;在大樣本條件下，測量數(shù)據(jù)在置信水平99.7%下，融合估計可靠性可達95%，所以自助模糊融合估計模型，能利用少量的測量數(shù)據(jù)對具有乏信息特征的壓力傳感器測量數(shù)據(jù)的測量真值與區(qū)間進行有效估計，從而全面地掌握被測量的真實情況，最大限度的避免漏報、誤報.通過算例有效地驗證了自助模糊融合估計模型的可行性和科學性.

References)

[1]葛樂矣，趙偉，徐子帆，等.乏信息動態(tài)測量誤差灰自助預報[J].農(nóng)業(yè)機械學報，2011，42(7):210－214，219

Ge Leyi，Zhao Wei，Xu Zifan，et al.Error predicting for dynamic measurement of poor information based on grey bootstrap method[J].Transactions of the Chinese Society for Agricultural Machinery，2011，42(7):210－214，219(in Chinese)

[2]Seiler F，Srulijes J.New results in numerical and experimental fluid mechanics IV[M].Germany:Springer-Verlag Berlin and Heidelberg GmbH＆co K，2004:87，124－131

[3]Kotomin A A，Shirokova N P，Dushenok S A，et al.Detonation pressure of explosive charges applied in spacecraft division systems[J].Solar System Research，2011，45(7):677－683

[4]Tao Zui，Qin Bangyong，Li Ziwei，et al.Satellite observations of the partial pressure of carbon dioxide in the surface water of the Huanghai sea and the Bohai sea[J].Acta Oceanologica Sinica，2012，31(3):67－73

[5]Khaleghi B，Khamis A，Karray F O，et al.Multisensor data fusion:a review of the state of the art[J].Information Fusion，2013，14(1):28－44

[6]Chen Yukun，Si Xicai，Li Zhigang.Research on Kalman-filter based multisensor data fusion[J].Journal of Systems Engineering and Electronics，2007，18(3):497－502

[7]Noureldin A，El-Shafie A，Taha M R.Optimizing neuro-fuzzy modules for data fusion of vehicular navigation systems using temporal cross-validation[J].Engineering Applications of Artificial Intelligence，2007，20(1):49－61

[8]Deng Zili，Zhang Peng，Qi Wenjuan，et al.Sequential covariance intersection fusion Kalman filter[J].Information Sciences，2012，189:293－309

[9]Zhu Hao，Henry Leung，He Zhongshi.A variational Bayesian approach to robust sensor fusion based on Student-t distribution[J].Information Sciences，2013，221:201－214

[10]Caron F，Davy M，Duflos E，et al.Particle filtering for multisensor data fusion with switching observation models:Application to land vehicle positioning[J].IEEE Transactions on Signal Processing，2007，55(6Part 1):2703－2719

[11]Noureldin A，Osman A，El-Sheimy N.A neuro-wavelet method for multi-sensor system integration for vehicular navigation[J].Measurement Science＆Technology，2004，15(2):404－412

[12]Vega J，Pereira A，Portas A，et al.Data mining technique for fast retrieval of similar waveforms in Fusion massive databases[J].Fusion Engineering and Design，2008，83(1):132－139

[13]Xia Xintao，Chen Xiaoyang，Zhang Yongzhen，et al.Grey bootstrap method of evaluation of uncertainty in dynamic measurement[J].Measurement，2008，41(6):687－696

[14]Wang Qian，F(xiàn)u Jihua，Wang Zhongyu，et al.A seismic intensity estimation method based on the fuzzy-norm theory[J].Soil Dynamics and Earthquake Engineering，2012，40:109－117

[15]Ge Leyi，Wang Zhongyu.Novel uncertainty-evaluation method of virtual instrument small sample size[J].Journal of Testing and Evaluation，2008，36(3):273－279

[16]夏新濤，陳曉陽，張永振，等.多傳感器滑坡時間序列的自助融合及其灰假設(shè)檢驗[J].巖土力學與工程學報，2007，26(9):1904－1912

Xia Xintao，Chen Xiaoyang，Zhang Yongzhen，et al.Bootstrap fusion and its grey hypothesis testing for landslide time series of multi-sensor[J].Chinese Journal of Rock Mechanics and Engineering，2007，26(9):1904－1912(in Chinese)

[17]郭科，彭繼兵，許強，等.滑坡多點數(shù)據(jù)融合中的多傳感器目標跟蹤技術(shù)應用[J].巖土力學，2006，27(3):479－481

Guo Ke，Peng Jibing，Xu Qiang，et al.Application of multi-sensor target tracking to multi-station monitoring data fusion in landslide[J].Rock and Soil Mechanics，2006，27(3):479－481(in Chinese)