多传感器系统的网络化实现及信息融合算法研究

多传感器系统的网络化实现及信息融合算法研究

论文摘要

随着Internet的发展和普及,基于Internet的有线或无线传感器网络技术已经成为工业和民用领域实现远程监测和控制的重要手段。现有的以RS232/RS485协议以及以工业现场总线为传输手段的多传感器系统已经远远不能满足现代工业系统远程监测和控制的要求,目前,基于Internet的多传感器网络化的监测和控制技术呈现出较高需求态势,特别是物联网技术在中国的迅速发展。因此开发基于Internet的远程监测和控制系统,并能兼容现有的RS232/RS485以及现场总线系统是势在必行的。其次,对于一个复杂的多传感器系统,在进行网络传输之前有必要对多传感器的数据进行融合,以缓解网络系统的负荷。对于基于多传感器系统的智能车辆,以及空天飞行器,最主要的融合手段仍然是卡尔曼滤波技术,但是对于较复杂的系统,随着状态变量维数的增加,集中式卡尔曼滤波算法的计算量会呈指数上升。针对上述情况,本项目给出了相应的解决方案,主要包括以下研究内容:(1)通过对常用的嵌入式Internet实现方法的学习,确定了微处理器结合以太网控制器的设计方案,并根据该方案设计了以ATmeaga128为控制核心,以RTL8019AS为以太网控制芯片的数据转换器。通过对比常用的嵌入式操作系统,确定了以NUT/OS操作系统为开发平台,并在该平台的基础上开发了满足工程需求的数据转换程序。使用该系统用户可以通过Internet实现对现场的监控。(2)对于一个复杂的多传感器系统,在进行网络传输之前有必要对多传感器的数据进行融合,以缓解网络系统的负荷。本文对基于多传感器的分布式信息融合算法进行了研究,主要研究了联邦卡尔曼滤波算法。通过对INS/GPS/SS组合导航系统建模,使用联邦卡尔曼滤波算法对INS,GPS和星敏感器多传感器的数据进行了融合处理,通过仿真实验验证了联邦滤波算法的有效性。(3)其次,针对复杂导航系统中联邦卡尔曼滤波器的各局部滤波器在高维状态变量情况下滤波计算量大的弱点,在各个局部滤波器中使用EM算法,即在EM算法的E步使用卡尔曼滤波算法给出公共状态变量的估计,在EM算法的M步给出各个局部滤波器特有的误差状态变量的更新,M步的更新过程可以和主滤波器进行公共状态变量的融合过程同时进行,从而节省了局部滤波器的滤波时间,最后通过仿真实验验证了该EM-FKF算法在减少计算量方面的优越性。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  • 1.1 课题研究背景和意义
  • 1.2 国内外研究现状
  • 1.3 本文主要工作
  • 第2章 数据转换卡硬件设计
  • 2.1 引言
  • 2.2 方案选择
  • 2.3 主要器件选型
  • 2.4 主控板设计
  • 2.4.1 微处理器最小系统设计
  • 2.4.2 电源部分
  • 2.4.3 JTAG接口电路
  • 2.4.4 外部SRAM扩展电路
  • 2.4.5 复位及时钟电路
  • 2.4.6 串口电路设计
  • 2.5 RTL8019AS工作电路设计
  • 2.5.1 网络芯片工作电路原理图
  • 2.5.2 RJ45 接口电路设计
  • 2.5.3 实物图片
  • 2.6 小结
  • 第3章 数据转换软件设计
  • 3.1 引言
  • 3.2 操作系统的选择
  • 3.3 NUT/OS操作系统
  • 3.3.1 NUT/OS操作系统的层次结构
  • 3.3.2 NUT/OS操作系统的原理和具体实现
  • 3.4 实时操作系统NUT/OS的移植
  • 3.5 主程序流程图
  • 3.6 子程序设计
  • 3.6.1 静态页面的显示
  • 3.6.2 动态页面创建程序设计
  • 3.6.3 LED状态查询及电机控制程序设计
  • 3.6.4 HTTP服务线程设计
  • 3.7 proteus 仿真运行
  • 3.8 小结
  • 第4章 基于联邦滤波理论的多传感器信息融合算法
  • 4.1 引言
  • 4.2 基于INS/GPS/SS的自主导航系统
  • 4.3 智能车辆自主导航系统的模型建立
  • 4.3.1 系统状态方程
  • 4.3.2 系统观测方程
  • 4.4 联邦卡尔曼滤波算法
  • 4.4.1 联邦卡尔曼滤波器设计
  • 4.4.2 联邦卡尔曼滤波算法
  • 4.5 仿真实验
  • 4.6 小结
  • 第5章 基于EM-FKF的多传感器信息融合算法
  • 5.1 引言
  • 5.2 EM算法
  • 5.3 EM-FKF算法
  • 5.4 仿真实验
  • 5.5 小结
  • 结论
  • 参考文献
  • 致谢
  • 相关论文文献

    • [1].具有网络攻击的多传感器系统融合滤波研究[J]. 无线互联科技 2020(18)
    • [2].多传感器系统中的身份融合技术研究[J]. 舰船电子工程 2010(07)
    • [3].多传感器系统的最优线性欺骗攻击设计[J]. 控制与决策 2019(11)
    • [4].多传感器信息融合技术研究与展望[J]. 产业与科技论坛 2014(24)
    • [5].徐升团队提出一种基于分布式TOA多传感器系统的三维目标定位方法[J]. 集成技术 2020(06)
    • [6].网络化多传感器系统的序贯式融合滤波——基于噪声估计方法[J]. 电子学报 2014(01)
    • [7].多传感器信息融合技术探析[J]. 计算机光盘软件与应用 2012(01)
    • [8].多传感器信息融合研究概述[J]. 硅谷 2012(03)
    • [9].具有未知传输干扰和丢包的网络化多传感器系统的CI融合滤波器[J]. 黑龙江大学工程学报 2017(01)
    • [10].将盲信号分离用于多传感器信息融合[J]. 四川兵工学报 2009(09)
    • [11].带SSR修正的异步多传感器系统的无味JPDA跟踪[J]. 光电工程 2009(12)
    • [12].不确定多传感器系统鲁棒观测融合Kalman预报器[J]. 控制与决策 2015(12)
    • [13].对于带有色噪声的多传感器系统两段辨识信息融合算法[J]. 宜春学院学报 2015(06)
    • [14].多传感器信息融合技术与应用[J]. 电信快报 2009(12)
    • [15].煤矿环境探测机器人的多传感器系统设计[J]. 矿山机械 2013(08)
    • [16].异步多传感器数据融合算法分析[J]. 中小企业管理与科技(上旬刊) 2011(11)
    • [17].带相关噪声的多传感器系统的融合滤波器[J]. 科技与创新 2018(23)
    • [18].带未知通信干扰和丢包补偿的多传感器系统的融合估计[J]. 系统科学与数学 2016(08)
    • [19].反馈式多目标多传感器系统误差融合估计技术[J]. 宇航学报 2011(01)
    • [20].带未知衰减观测率多传感器系统的自校正加权观测融合估计[J]. 系统科学与数学 2018(10)
    • [21].分布式多传感器系统误差实时检测分析[J]. 火力与指挥控制 2014(06)
    • [22].通信受限下网络化多传感器系统序贯卡尔曼滤波加权融合[J]. 控制与决策 2017(12)
    • [23].多传感器系统的正交化全信息融合滤波方法[J]. 中南大学学报(自然科学版) 2009(S1)
    • [24].浅析多传感器信息融合[J]. 科技风 2011(04)
    • [25].基于多传感器系统重构的船舶动力定位控制研究[J]. 舰船科学技术 2018(22)
    • [26].多传感器数据融合应用及展望[J]. 科技风 2008(12)
    • [27].基于多传感器系统的光伏并网发电功率预测[J]. 传感器与微系统 2018(03)
    • [28].基于多传感器信息融合的灭火机器人设计[J]. 微计算机信息 2010(29)
    • [29].基于无人车传感器系统的加权平均数据融合算法研究[J]. 电子设计工程 2015(16)
    • [30].基于多传感器信息融合技术在灭火机器人系统的设计[J]. 计算机测量与控制 2012(01)

    标签:;  ;  ;  ;  

    多传感器系统的网络化实现及信息融合算法研究
    下载Doc文档

    猜你喜欢