实用的数据融合算法

数据 采 集 与处理环节是工业自动化系统中一个十分重要的组成部分，其数据采集和处理的优劣直接影响着被控系统的稳定性和实效性。数据采集主要受硬件条件的限制，而对于数据处理环节，则主要依据所采用算法的好坏。传统的数据处理方法是:通常认为测量数据服从正态分布，对所得的测量数据运用一定的检验法进行异常值的判断和处理，如格拉布斯法等;然后再利用处理后的测量数据(认为其不再包含异常值)来确定被测对象特征参数的估计值，如算术平均值、实验标准差等。但由于任何一个实际测量过程几乎都会涉及到测量的对象、人员、仪器、方法、环境等因素，因而具备各自的特点，同时也会受到这些因素的影响，因而会带来这样两个问题:一是测量数据实际分布大多情况下都或多或少地偏离正态分布，许多试验都证明，大多数仪器的示值分布不是正态的，而是介于均匀与正态之间;二是个别异常值可能无法被清除而与正常值一样作为有用数据来处理。对于以上问题，国内外学者做了大量的研究工作，并提出了许多改进算法。文献【11首先提出了一种利用置信距离对数据进行一致性检验的数据融合算法，文献【2]将该方法扩展到模糊集的情形，即利用模糊集合理论中的隶属度函数对传感器的测量数据进行局部一致性检验，文献〔3」则在统计意义下给出了一种新的确定不确定信息支持区间和支持概率的方法，文献〔41对数据间相互支持度在置信距离的基础上给出了一种简单的定量计算方法，虽然上述算法在一定的程度上解决了测量数据不符合正
态分布的数据融合间题，但算法中计算置信距离中的支持区间时，均存在门限的设置问题，而门限设置的优劣直接关系到对冗余信息和互补信息的利用程度，这些因素对最终滤波结果的影响是决定性的。针对 以 上 问题，本文提出了一种新的计算数据间相互支持度的方法，该方法充分利用数据自身蕴含的信息，避免了门限预先设定的问题。从而降低了主观性，提高了算法的可操作性，最后通过数值仿真实例验证了该算法的有效性。