融合定位常用算法_融合定位怎么用

导航：

• 1、信息融合的模型
• 2、多源异构数据融合技术要用到什么算法
• 3、融合定位是什么意思

信息融合的模型

近20 年来，人们提出了多种信息融合模型.其共同点或中心思想是在信息融合过程中进行多级处理.现有系统模型大致可以分为两大类：a）功能型模型，主要根据节点顺序构建； b）数据型模型，主要根据数据提取加以构建.在20 世纪80 年代，比较典型的功能型模型主要有U K情报环、Boyd控制回路（OODA 环） ；典型的数据型模型则有JDL 模型. 20 世纪90年代又发展了瀑布模型和Dasarathy模型. 1999 年Mark Bedworth 综合几种模型，提出了一种新的混合模型。下面简单对上述典型模型介绍。

情报环

情报处理包括信息处理和信息融合。已有许多情报原则，包括： 中心控制避免情报被复制；实时性确保情报实时应用 ；系统地开发保证系统输出被适当应用 ；保证情报源和处理方式的客观性；信息可达性；情报需求改变时，能够做出响应； 保护信息源不受破坏；对处理过程和情报收集策略不断回顾，随时加以修正. 这些也是该模型的优点，而缺点是应用范围有限。U K 情报环把信息处理作为一个环状结构来描述. 它包括4 个阶段：a) 采集，包括传感器和人工信息源等的初始情报数据；b) 整理，关联并集合相关的情报报告，在此阶段会进行一些数据合并和压缩处理，并将得到的结果进行简单的打包，以便在融合的下一阶段使用；c) 评估，在该阶段融合并分析情报数据，同时分析者还直接给情报采集分派任务；d）分发，在此阶段把融合情报发送给用户通常是军事指挥官，以便决策行动，包括下一步的采集工作。

JDL 模型

1984 年，美国国防部成立了数据融合联合指挥实验室，该实验室提出了他们的JDL 模型，经过逐步改进和推广使用，该模型已成为美国国防信息融合系统的一种实际标准。JDL模型把数据融合分为3 级：第1 级为目标优化、定位和识别目标；第2 级处理为态势评估，根据第 1 级处理提供的信息构建态势图；第3 级处理为威胁评估，根据可能采取的行动来解释第2 级处理结果,并分析采取各种行动的优缺点. 过程优化实际是一个反复过程，可以称为第4 级，它在整个融合过程中监控系统性能，识别增加潜在的信息源，以及传感器的最优部署。其他的辅助支持系统包括数据管理系统存储和检索预处理数据和人机界面等。

Boyd控制环

Boyd 控制环OODA 环，即观测、定向、决策、执行环，它首先应用于军事指挥处理，已经大量应用于信息融合。可以看出，Boyd 控制回路使得问题的反馈迭代特性显得十分明显。它包括4 个处理阶段：a) 观测，获取目标信息，相当于JDL 的第1 级和情报环的采集阶段； b) 定向，确定大方向，认清态势，相当于JDL 的第2 级和第3 级，以及情报环的采集和整理阶段；c) 决策，制定反应计划，相当于JDL 的第4 级过程优化和情报环的分发行为，还有诸如后勤管理和计划编制等；d) 行动，执行计划，和上述模型都不相同的是，只有该环节在实用中考虑了决策效能问题。OODA 环的优点是它使各个阶段构成了一个闭环，表明了数据融合的循环性。可以看出，随着融合阶段不断递进，传递到下一级融合阶段的数据量不断减少. 但是OO DA 模型的不足之处在于，决策和执行阶段对OODA 环的其它阶段的影响能力欠缺，并且各个阶段也是顺序执行的。

扩展OODA模型

扩展OODA 模型是加拿大的洛克西德马丁公司开发的一种信息融合系统结构。该种结构已经在加拿大哈利法克斯导弹护卫舰上使用. 该模型综合了上述各种模型的优点，同时又给并发和可能相互影响的信息融合过程提供了一种机理. 用于决策的数据融合系统被分解为一组有意义的高层功能集合例如图4 给出的由N 个功能单元构成的集合，这些功能按照构成OODA 模型的观测、形势分析、决策和执行4 个阶段进行检测评估。每个功能还可以依照OODA 的各个阶段进一步分解和评估. 图4 中标出的节点表示各个功能都与那几个OODA 阶段相关. 例如：功能A 和N 在每个阶段都有分解和评估，而功能B 和C 只与OODA 的部分或单个阶段有关. 该模型具有较好的特性，即环境只在观测阶段给各个功能提供信息输入，而各个功能都依照执行阶段的功能行事。此外，观测、定向和决策阶段的功能仅直接按顺序影响其下各自一阶段的功能，而执行阶段不仅影响环境，而且直接影响OODA 模型中其它各个阶段的瀑布模型。

Dasarathy模型

Dasarathy 模型包括有5 个融合级别，如下表所示。综上可以看到，瀑布模型对底层功能作了明确区分，JDL 模型对中层功能划分清楚，而Boyd 回路则详细解释了高层处理。情报环涵盖了所有处理级别，但是并没有详细描述。而Dasarathy 模型是根据融合任务或功能加以构建，因此可以有效地描述各级融合行为。 输入 输出 描述 数据 数据 数据级融合 数据 特征 特征选择和特征提取 特征 特征 特征级融合 特征 决策 模式识别和模式处理 决策 决策 决策级融合 混合模型

混合模型综合了情报环的循环特性和Boyd 控制回路的反馈迭代特性，同时应用了瀑布模型中的定义，每个定义又都与JDL 和Dasarathy 模型的每个级别相联系. 在混合模型中可以很清楚地看到反馈. 该模型保留了Boyd 控制回路结构，从而明确了信息融合处理中的循环特性，模型中4 个主要处理任务的描述取得了较好的重现精度. 另外，在模型中也较为容易地查找融合行为的发生位置。主要算法

多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类,随机类算法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理、产生式规则等；而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。

主要方法

加权平均法信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。

卡尔曼滤波法卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。但是，采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时，存在很多严重的问题，比如： (1）在组合信息大量冗余的情况下，计算量将以滤波器维数的三次方剧增，实时性不能满足； (2）传感器子系统的增加使故障随之增加，在某一系统出现故障而没有来得及被检测出时，故障会污染整个系统，使可靠性降低。

多贝叶斯估计法贝叶斯估计为数据融合提供了一种手段，是融合静态环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示，当传感器组的观测坐标一致时，可以直接对传感器的数据进行融合，但大多数情况下，传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计，将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型提供整个环境的一个特征描述。

证据推理方法证据推理是贝叶斯推理的扩充，其3个基本要点是：基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的，分三级。第1级为目标合成，其作用是把来自独立传感器的观测结果合成为一个总的输出结果（D); 第2级为推断，其作用是获得传感器的观测结果并进行推断，将传感器观测结果扩展成目标报告。这种推理的基础是：一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告；第3级为更新，各种传感器一般都存在随机误差,所以，在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。因此，在推理和多传感器合成之前，要先组合（更新）传感器的观测数据。

产生式规则采用符号表示目标特征和相应传感器信息之间的联系，与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中，2个或多个规则形成一个联合规则时，可以产生融合。应用产生式规则进行融合的主要问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关，如果系统中引入新的传感器，需要加入相应的附加规则。

模糊逻辑是多值逻辑，通过指定一个0到1之间的实数表示真实度，相当于隐含算子的前提，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法对融合过程中的不确定性进行推理建模，则可以产生一致性模糊推理。与概率统计方法相比，逻辑推理存在许多优点，它在一定程度上克服了概率论所面临的问题，它对信息的表示和处理更加接近人类的思维方式，它一般比较适合于在高层次上的应用（如决策），但是，逻辑推理本身还不够成熟和系统化。此外，由于逻辑推理对信息的描述存在很大的主观因素，所以，信息的表示和处理缺乏客观性。模糊集合理论对于数据融合的实际价值在于它外延到模糊逻辑，模糊逻辑是一种多值逻辑，隶属度可视为一个数据真值的不精确表示。在MSF过程中，存在的不确定性可以直接用模糊逻辑表示，然后，使用多值逻辑推理，根据模糊集合理论的各种演算对各种命题进行合并，进而实现数据融合。

神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。神经网络的这些特性和强大的非线性处理能力，恰好满足了多传感器数据融合技术处理的要求。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性,对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准，这种确定方法主要表现在网络的权值分布上，同时，可以采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能，即实现了多传感器数据融合。

常用的数据融合方法及特性如表1所示。通常使用的方法依具体的应用而定，并且，由于各种方法之间的互补性，实际上，常将2种或2种以上的方法组合进行多传感器数据融合。

表1　常用的数据融合方法比较[15]

融合方法

运行环境

信息类型

信息表示

不确定性

融合技术

适用范围

加权平均

动态

冗余

原始读数值

加权平均

低层数据融合

卡尔曼滤波

动态

冗余

概率分布

高斯噪声

系统模型滤波

低层数据融合

贝叶斯估计

静态

冗余

概率分布

高斯噪声

贝叶斯估计

高层数据融合

统计决策理论

静态

冗余

概率分布

高斯噪声

极值决策

高层数据融合

证据推理

静态

冗余互补

命题

逻辑推理

高层数据融合

模糊推理

静态

冗余互补

命题

隶属度

逻辑推理

高层数据融合

神经元网络

动/静态

冗余互补

神经元输入

学习误差

神经元网络

低/高层

产生式规则

动/静态

冗余互补

命题

置信因子

逻辑推理

高层数据融合

多源异构数据融合技术要用到什么算法

经纬仪引导数据的数据融合可以采用参数估计融合算法，即对8组引导数据，按照某种估计准则函数，利用引导数据序列对目标在空间的位置值作出估计，得到目标准确的位置值，消除引导过程中的不确定性。 为准确估计目标的位置值(以Y为例)，对8组引导数据进行线性观测，得到的引导值为Cj，Y,j=1，2，3，…，n，其中：Cj为常值。 由于观测有误差，实际所得的引导值为：Ej＝CjY十cj，其中ej为观测误差，服从均值为0的正态分布。 依据Bayes后验估计理论，可得到n个引导数据的状态最优估计为： ＾Yop，(E1E2E3...En)＝maxP(Y│E1E2E3...En) (1) Y＾ 即位置的数据融合问题，可以转化为求出满足Y的最大后验概率maxP(Y│E)的估计值Y（E）的问题。在经纬仪实时测量中，对多路引导源的异构引导数据，采用分布图法进行数据合理性检测，采用参数估计的逻辑规则进行数据融合，消除各引导数据的不确定性，可以获得更准确、更可靠的引导数据，从而提高整个测量系统的工作性能。即使某一个甚至几个引导源工作同时不正常时，其他引导源不受影响独立地提供信息，指挥中心仍可依据非失效的引导数据获知目标的准确位置，将失效的经纬仪很快的引导到目标观测点，降低了整个测量系统的脆弱程度。

融合定位是什么意思

手机定位的途经可以从GPS、基站信息、WiFi信息以及蓝牙Beacon、加速度传感器信息获取，每一种定位方式都有利弊，而融合定位技术融合了目前市面上的所有定位方式，包括GPS、基站定位、Wifi定位、蓝牙定位以及传感器定位。

扩展资料：

可见GPS导航系统卫星部分的作用就是不断地发射导航电文。然而，由于用户接受机使用的时钟与卫星星载时钟不可能总是同步，所以除了用户的三维坐标x、y、z外，还要引进一个Δt即卫星与接收机之间的时间差作为未知数，然后用4个方程将这4个未知数解出来。

GPS接收机可接收到可用于授时的准确至纳秒级的时间信息；用于预报未来几个月内卫星所处概略位置的预报星历；用于计算定位时所需卫星坐标的广播星历，精度为几米至几十米（各个卫星不同，随时变化）；以及GPS系统信息，如卫星状况等。

GPS接收机对码的量测就可得到卫星到接收机的距离，由于含有接收机卫星钟的误差及大气传播误差，故称为伪距。对0A码测得的伪距称为UA码伪距，精度约为20米左右，对P码测得的伪距称为P码伪距，精度约为2米左右。

参考资料来源：百度百科-定位系统

标签：融合定位常用算法