Métodos teóricos de fusión de información multisensor

(1) Filtro de Kalman (KF)

El proceso de procesamiento de información mediante el filtro de Kalman es generalmente predicción y corrección. Su papel en la tecnología de fusión de información multisensor no es solo una A. Algoritmo simple y concreto, pero también una solución de procesamiento del sistema muy útil. De hecho, es similar a la forma en que muchos sistemas procesan datos de información. Utiliza métodos de cálculo matemáticos iterativos y recursivos para proporcionar estimaciones estadísticas óptimas efectivas para datos fusionados, pero requiere muy poco espacio de almacenamiento y requisitos informáticos, adecuados para entornos donde se almacenan datos. el espacio y la velocidad de procesamiento son limitados. KF se divide en dos tipos: filtro de Kalman disperso (DKF) y filtro de Kalman extendido (EKF). DKF puede descentralizar completamente la fusión de datos, mientras que EKF puede superar eficazmente el impacto de los errores de procesamiento de datos y la inestabilidad en el proceso de fusión de información.

(2) Método de red neuronal artificial

Este método imita la estructura y el principio de funcionamiento del cerebro humano, utilizando los datos obtenidos por el sensor como entrada de la red y entrenando. la red en el correspondiente Complete ciertas tareas inteligentes en la máquina o modelo para eliminar la interferencia de parámetros no objetivo. El método de red neuronal tiene un efecto obvio en la eliminación de la influencia cruzada de varios factores en el trabajo colaborativo de múltiples sensores, es fácil de programar y tiene resultados estables.