关键字 |
| 社区模型架构,数据传输,数据传输成本、传输开销,数据融合滤波器,传播障碍 |
我的介绍。 |
| 数据融合的架构模式是最重要的物理实现的逻辑设计。有许多可用的数据融合滤波器架构文学即Thomopoulos架构、分布式黑板数据融合体系结构,基于系统的数据融合体系结构,分层数据融合体系结构、分布式数据融合体系结构和分布式数据融合体系结构。本文提出了一个名为社区模型架构的新架构。本文还提出了两种算法计算数据传输成本(DTC)和数据传输开销(DTO)基于架构传输传输相关成本的主要因素之一。可用的架构在文学不能确保顺利传输在过滤水平无论环境方面的考虑。本文比较了现有架构的不同的参数,如功耗,容错性等,表明该工作时减少总DTC和DTO的节点数量或本地过滤水平增加。这是由于这一事实,它减少了障碍,指为每个级别的本地过滤和参考传感器通过传输到下一个水平与零个或最小的障碍。此外,发现制定更好的结果比现有的架构。本文的组织结构如下,第二节介绍了经典数据融合体系结构和他们的比较研究。第三节处理社区模型的体系结构和集成了两个关于DTC的计算公式和DTO。 It also establishes two algorithms for DTC and DTO with respect to community model architecture. Section 4 deals with the comparative analysis based on the DTC and DTO. |
二世。相关工作 |
| 文献提供了许多建筑范例诱导数据融合[17]。发现Thomopoulos架构、分布式黑板数据融合体系结构,基于系统的数据融合体系结构,分层数据融合体系结构、分布式数据融合体系结构和分布式数据融合体系结构给出更好的结果在不同的环境和他们的目标应用程序。 |
| 答:Thomopoulos架构[2][3]: |
| Thomopoulos带进光数据融合架构由三个模块组成,每个不同层次的集成数据或模块即——为了集成数据 |
| 信号级融合:这里的数据相关性发生通过学习因为没有数学模型来描述这一现象是被测量。 |
| 证据级别融合:这里的数据发生不同程度的推理是基于两个因素即统计模型和用户要求的评估决策或假设检验。 |
| 动态层次融合:这里的数据融合进行了使用现有的数学模型。 |
| Thomopoulos强调,要考虑的三个基本标准的数据融合系统,实现所需的性能是: |
| 一)单调性的融合信息 |
| b)单调性的成本 |
| c)鲁棒性对任何先天的不确定性 |
| 其他重要的因素——频道错误,数据传输的延迟等。 |
| b .分布式黑板数据融合体系结构[3][4][9]: |
| 在分布式黑板数据融合体系结构中,两个传感器连接到传感器的数量。这些传感器将有一个主管,控制冲突的处理传感器测量可用的数据。这是基于分配给每个传感器的信心水平。传感器有助于获得最大可能的信息(关于温度、压力等)的物理系统在分析。的融合算法给出了价值取决于两个传感器的数据。主管分配的信心测量每个传感器读数。基于信心水平,最终选择的数据生成输出的数据集。 |
| 基于c系统的数据融合架构[3][10][11]: |
| 基于该系统的数据融合体系结构框架使用三个至关重要的步骤来分析一个系统即识别、评估和验证。 |
| 标识:在这一步中,一个推理系统绘制后询问数据融合过程中利用的因素。识别融合的水平必须进行。一般数据(如果从类似的传感器收集)的组合可以发生在最低水平的推理,而不同的传感器收集的数据总是结合在更高的水平。起初,冗余测量和检查可能的错误。后确定的数据类型(是否集中或稀疏),测定相关方法的预处理。的内置冗余传感器测量系统。确定之后,真正的维度和内容是减少不减少内容的信息。 |
| 估计:在这一步中,估计的数据做相关的推理水平。选择数据融合算法,用作提到两个合适的分类: |
| )四个水平层次,包括像素,使用功能、象征和信号水平。 |
| b)在信号和像素水平,数据相关性发生由于没有任何数学模型来描述测量的现象。 |
| c)在功能层面上,提取的特征从原始数据进行组合。 |
| d)在象征层面上,结合数据是通过使用一个数学模型,分析了逻辑的基础上,统计推断。 |
| 验证:在这个阶段,确认加工数据和融合信息完成以下两个程序实现: |
| )绩效评估的数据融合模型是由不确定性的测量内容(如概率测度、分类精度)的解决方案。 |
| b)实现一个基准的过程提高数据融合模型的输出结果,从而获得最优的技术。 |
| d .分层数据融合架构[7]: |
| 在一个层次结构,处理元素向上传输信息的最低水平,通过连续的层次,信息的总和。层次的系统设计方法已经在大量的数据融合系统,导致了各种有用的算法结合信息在不同级别的层次结构。一般层次贝叶斯算法是基于独立的可能性池架构或对数似意见池。在此体系结构中,重点是分层估计和跟踪算法。最终依赖一些中央处理器或内部控制水平层次结构往往妥协意味着可靠性和灵活性。失败的中央单位会导致整个系统的失败。系统的变化往往意味着中央单位和所有相关的变化。进一步,负担放在中央单元相结合的信息往往仍然被禁止,导致不能设计方法的扩展将越来越多的信息来源。最后,信息来源无法沟通,除了通过一些更高层次的,消除的可能性之间的协同开发两个或两个以上的免费的信息来源和限制系统设计师刚性的预先确定的组合信息。严格的等级制度的限制在两个方面得到广泛认可,人类信息处理系统和计算机系统。 |
| e .分布式数据融合体系结构[5][6]: |
| 此举更多的分布、自治、组织在许多信息处理系统是清楚的。这通常是出于两个主要因素;的欲望使系统更模块化和灵活的,和认识到一个集中的或层次结构对通信不可接受的开销和中央计算。迁移到分布式系统组织最明显的表现在人工智能(AI)应用领域,在分布式人工智能已经成为一个强大的工具。 |
| f .分散式数据融合架构[5][8]: |
| 分散的数据融合系统包括一个传感器节点的网络,每个都有自己的加工厂,不需要任何中央融合或中央通信设备。在这样一个系统,融合当地发生在每个节点的基础上当地的观察和交流从相邻节点的信息。任何时候有共同或全局决策融合的地方。分散的数据融合系统的特点是三个约束: |
| 一)没有单一的中央融合中心;没有一个节点应该是网络的成功运作的核心。 |
| b)没有共同的通信设备;节点不能播出的结果和沟通必须保持严格的节点到节点的基础上。 |
| c)传感器节点没有任何全球传感器网络拓扑的知识;节点应该只知道连接在他们自己的社区。 |
| 一个分散的组织与分布式处理系统的不同之处在于没有中央处理或通信设施。分散的数据融合与广播系统实现,完全连接、通信体系结构。从技术上讲,一个共同的通信设施违反分散的数据融合的约束。然而一个广播媒介通常是一个好的模型的通信网络。分散的数据融合系统实现混合,广播和点对点的通信架构。 |
| g .集中式数据融合架构[5][12][13]: |
| 在集中式数据融合体系结构,融合节点通常驻留在中央处理器接收信息从所有来源的输入环境。在此体系结构中,所有的融合过程发生在一个中央处理器使用原始事实环境来源。在这个模式中,来源只有获得观测作为测量工具和传输到中央处理器,数据融合过程进行身体的地方。如果数据一致性和数据协会执行没有缺陷所需的数据传输时间可以忽略不计,计划应该是优化的。 |
三世。建议的体系结构——社区模型架构 |
| 提出社区模型架构(图1)使用n的传感器获得数据。 |
| 然后这些数据通过不同的过滤级别。通过每个过滤器级别后,过滤数据验证参考传感器,该基金持有为验证所有标准的价值。如果过滤值匹配的数据可以通过参考传感器的数据只是传播到下一个级别的过滤器进行进一步的过滤。否则,从参考传感器数据值更新。通过这种方式,数据传播,直到它到达主融合滤波器(MFF)从不同的过滤器将接收的数据融合。因此,邻近的和不同的过滤级别可以从MFF减轻了负担。MFF使用多级滤波器为每个传感器。这些多重过滤水平被用来提炼收集到的数据从传感器微调有关数据可以很容易完成。作为执行不同的滤波算法在不同滤波器的水平,细调数据的必要性增加在每个水平有关。它有一个直接与参考传感器比较融合通信数据,实际价值和传播价值的区别可以计算。 At each level, all parallel filters merge their individual sensor data with a common reference data and establishes a local system state after each level of filtration. After that these local estimates are sent to the parallel filters of the next level which repeats the same process until it reaches the Nth level of filtration. After traversing all the levels, the local estimates from the last level are finally fused in MFF to generate the global estimates. |
| 并行过滤器有一个共同的状态向量作为他们都有共同的参考系统。当信号到达各级过滤器,他们处理和传播。MFF必须承担更少的负担随着过滤器在每个阶段相互沟通后引用参考传感器和生成一个中介当地估计状态后每个阶段的过滤,这样地方估计在每个阶段可以采取全球估计形状朝它的最终形状。每个阶段的估计转化为一系列的地方估计最终将自己转变为全球估计状态。MFF只收到当地的最后n水平估计然后融合所需的数据来生成所需的事实状态。当数据传输有问题,信号可以删除。再生所需的信号,需要重新传输的信号导致显著的整体延迟各种延迟将作为整个发生不止一次将开始从一开始,它必须re-refer参考传感器的有效性过滤数据。 |
| 相关术语: |
| 比较不同的架构需要找到数据传输时间(德勤)基于数据传输成本(DTC)和数据传输开销(DTO)可以找到。本节讨论的相关条款制定DTC和DTO: |
| (我)周长(Pn)的数据融合滤波器意味着通过它的面积数据传递。周长与数据融合的一个重要因素是如果周长增加那么多可以筛选大量的数据。 |
| (2)数据融合密度(ρ)是一种数据融合算子加权的基于平均每个特定的密度数据样本。如果大多数由过滤器生成的数据融合计算局部估计的数据融合密度增加。 |
| (3)压扁(F)是衡量单个条目的对象的压缩整理形成实际的对象。数据可以被接收在整理表格或压缩形式,融合当地的估计。如果它是真实的,实际的估计可以测量否则它将导致绞估计。 |
| (iv)比例因子稳定性(S)是衡量多好旋转陀螺输出对输入。它实际上处理之间的差异不同的角输入一个特定的数据集。信号可以来自任何方向,所需的数据集生成一个输出,有助于获得当地估计对角动量。 |
| (v)对齐(一)代表连续数据点,躺在一个相对路径。对齐是最小生成估计状态和获得相关的光谱融合。 |
| (vi)随机噪声(NR)是一个噪声的特点是大量的重叠的瞬态干扰随机发生。随机噪声可以被用来开发和确定的缺陷基于传输开销计算随着越来越多的输入数据和融合数据容易噪音由于传输路径。 |
| (七)的偏见(H)的不确定性参数的不确定性由于漂移,随机变化和测试。 |
| b .数学公式: |
| 本节涉及DTC的配方和DTO的周长等不同的参数数据融合滤波器,数据融合密度、压扁,比例因子稳定性、对齐、随机噪声,偏见的不确定性等已在前一节中讨论。 |
| 下午让N =当地过滤器,总数=周长主融合滤波器, |
| 因此,每个局部滤波器的周长(Pn) |
 eq。(1) |
| 如果每个低频密度ρ=数据融合,v =平均速度的光的交叉率不同低频水平(Rn), |
 (2)式。 |
| 考虑,压扁的低频表面(F),修改后的交叉率, |
 eq。(3) |
| 如果合并比例因子稳定性(S),方程(3), |
 eq。(4) |
| 引入随机噪声(NR),交叉率的制定将- |
 (5)式。 |
| 考虑到一致性考虑,我们得到的 |
 eq。(6) |
| 考虑到不确定性偏差(H), |
 eq。(7) |
| 如果延迟时间是LT然后, |
 eq。(8) |
| 所以第n层的传输时间的总和所有个体的交叉率的水平。因此德勤(TR) - |
 (9)式。 |
| 如果电力需求PD和发电从过滤器PG和相应的费率水平位置j k和rjk,然后每个阶段的传播成本[16]- - - - - - rjk* PD/ (PG+ PD)。所以传输总成本(C)R)- - - - - - |
 eq。(10) |
| 如果我们假设为M的次数已经更新的值从参考传感器[15],然后传输开销 |
 (11)式。 |
| c算法数据传输成本: |
| 数据传输成本(DTC)过程的一个重要步骤相关社区的性能分析模型。DTC是决定基于当前场景中传输的数据量和相应的数据率。这里的数据传输时间(德勤)[1]一直使用,基于DTC的过程将会实现。在本节中,该算法计算DTC讨论。最初我们输入标准参数值[14]参考传感器,这样就可以证实在稍后的阶段。最初,德勤设置为零。然后程序障碍最小化IM[1]值初始化叫做和。如果发现数据匹配的数据可用参考传感器然后计算,否则他们更新和总传输时间计算到第n个级别的过滤器。后,德勤的DTC计算基于方程(10)。这里TR表示总的数据传输时间和CR表示数据传输总成本。DTC已制定数据生成的函数和数据的需求。滤波器的传输成本为每一对水平已被选为rjk, r表示相应的速率。对于每个过滤水平,转变是基于当地的估计成本,直接纳入德勤。社区模型算法[1]中描述,是为了完整定义的输入参数和RS表示(我)。 |
| (我)意味着以下- |
| =对齐的考虑 |
| S =比例因子的稳定性 |
| H =偏见的不确定性 |
| 每个地方密度ρ=数据融合过滤器 |
| V =平均速度的光 |
| P =周长当地的过滤器 |
| N =数量的过滤级别 |
| 因此,明确的输入参数是RS一个,RS年代,RSH,RSρ,RSV,RSp,RSN。 |
| 过程:数据传输成本 |
| 步骤1:开始 |
| 第二步:输入RS一个,RS年代,RSH,RSρ,RSV,RSp,RSN |
| 步骤3:设置TR←0 |
| 第四步:输入LT年代,H,ρ,V, Pn,P, N, NR |
| 第五步:打电话给我 |
| 第六步:如果(δ! =Ø)| | D ! = RS |
| 更新一个←RS一个S←RS年代H←RSH,ρ←RSρ,V←RSVP←RSpN←RSN |
| endif |
| 第七步:我←1 |
| 步骤8:虽然(我< = N) |
| TR= TR+ LT* 1 / [S (H *ρvPn/π)/ F + N * NR] |
| CR= CR+ TR* rjk* PD/ (PG+ PD) |
| ←我+ 1 |
| 结束时 |
| 步骤9:过程结束 |
| d算法的传输开销: |
| 数据传输开销(DTO)过程的一个重要参数来验证社区模型体系结构的性能。这里DTO决定基于当前场景的数据传输量和相应的数据率。DTO可以计算基于数据传输时间(德勤)[1],将德勤过程完成后执行。该算法描述了程序计算数据传输开销。最初我们输入标准参数值[14]参考传感器,这样就可以证实在稍后的阶段。最初,德勤设置为零。然后值输入值过程损伤最小化(IM) [1]。如果发现数据匹配的数据可用参考传感器然后计算,否则他们更新和总传输时间计算到第n个级别的过滤器。后,德勤的DTO计算基于方程(11)。这里TR表示数据传输的总时间和CR表示数据传输总成本。 The DTO has been formulated as a function of data generation and data demand. After calculating the DTO if it is found to be simply a function of the IM then the number of iterations are calculated. If it is close to the number of filter levels then it is increased otherwise when it is close to zero the overhead decreases. The community model algorithm is described in [1], for completeness the defined input parameters are denoted as the RS(i). This (i) signifies the following - |
| =对齐的考虑 |
| S =比例因子的稳定性 |
| H =偏见的不确定性 |
| 每个地方密度ρ=数据融合过滤器 |
| V =平均速度的光 |
| P =周长当地的过滤器 |
| N =数量的过滤级别 |
| 因此,明确的输入参数是RS一个,RS年代,RSH,RSρ,RSV,RSp,RSN。 |
| 过程:数据传输开销 |
| 步骤1:开始 |
| 第二步:输入RS一个,RS年代,RSH,RSρ,RSV,RSp,RSN。 |
| 步骤3:设置TR←0 |
| 第四步:输入LT年代,H,ρ,V, Pn, P, N, NR |
| 第五步:打电话给我 |
| 第六步:如果(δ! =Ø)| | D ! = RS |
| 更新一个←RS一个S←RS年代H←RSH,ρ←RSρ,V←RSVP←RSpN←RSN |
| endif |
| 第七步:我←1 |
| 步骤8:虽然(我< = N) |
| TR= TR+ LT* 1 / [S (H *ρvPn/π)/ F + N * NR] |
| TO= TRL - M *T* 1 / [S (H *ρvPn/π)/ F + N * NR] |
| ←我+ 1 |
| 结束时 |
| 步骤9:过程结束 |
四、仿真结果 |
| 传输和传输开销成本在数据融合过滤困难的步骤。它包括识别和关联噪声测量,的起源不明,因为一些不可避免的情况。本领域中使用的关键模型是确定的(基于古典假设),或概率模型(基于贝叶斯假设)。这里采取标准参数值是不确定性偏差= 10 - 40,比例因子稳定= 100 - 500,对齐= 200,随机噪声= 1 - 5,压扁= 1/298.257223563,延迟时间= 10 [14]。发现DTC的提议制定社区模型架构更好的结果比Thomopoulos架构、分布式黑板体系结构,基于系统的数据融合体系结构,分层数据融合体系结构、分布式数据融合体系结构,分散的数据融合体系结构。DTC和DTO这些模型的计算值与标准使用各自的公式和一级的结果反映在如下表。 |
| 模拟研究涉及社区模型架构图1所示。提出的算法——数据传输和数据传输开销成本是在MATLAB中实现。数据从源节点发送1到目标节点8。提出的算法与现有的数据融合体系结构像Thomopoulos架构、分布式黑板数据融合体系结构,基于系统的数据融合体系结构,分层数据融合体系结构、分布式数据融合体系结构和分布式数据融合体系结构。结果表明,指标数据传输时间和数据传输的开销是最小的社区模型架构。 |
| 图1所示的体系结构能够传输数据到n水平。图2明显表明,指标数据传输成本(DTC)至少在社区模型架构。在图3中,数据传输开销(DTO)也至少为社区模型架构的情况下,所需的验证是通过参考传感器每个过滤器的水平。 |
诉的结论 |
| 分析信令开销,功耗、容错、生存能力和鲁棒性设施在不同模型和比较了社区模型架构的数据传输成本(DTC)和数据传输开销(DTO)。社区模型体系结构试图减少传输成本和开销信息处理中提高数据融合的性能。更在传输的数据更准确,因为他们相对于参考传感器在每个阶段。建议的体系结构提供了更好的结果的数据传输和数据传输开销成本少的传输时间,参考传感器的更新所需的次数更少。 |
表乍一看 |
 |
|
| 表1 |
表2 |
|
|
数据乍一看 |
|
|
|
引用 |
- b·巴塔查里亚和萨哈,“社区模型——一个新的数据融合滤波器范式”在2014年EAIT发送。
- s . c . Thomopoulos传感器集成和数据融合,学报学报1198年,传感器融合II:人类和机器策略,pp.178 - 191, 1989。
- j·埃斯特万·A·斯塔尔,r·威利茨,p .汉娜和p . Bryanston-Cross”回顾数据融合模型和体系结构:对工程指导方针,“杂志神经计算和应用体积14问题4,第281 - 273页,2005年12月。
- j . Schoess和g . Castore“先进航空航天系统分布式传感器体系结构”,932年诉讼相比,传感器融合,74 - 86年,1988页。
- f . Castanedo审查的数据融合技术,科学世界日报》卷2013,ID 704504条,19页,2013。
- m·e·利兢丝,即阿提拉·诉Vannicola,“目标跟踪分布式融合体系结构和算法”,IEEE学报》,85卷,1号,第107 - 95页,1997年1月。
- o·卡勒,j .登茨勒和j . Triesch”分层概率线索集成传感器数据融合的强大的3 d对象跟踪”
- h . Durrant-Whyte“分散的数据融合一个初学者指南”,澳大利亚中心机器人领域,版本1.0,页1 - 27日,2000年7月。
- 施p . k .侯x z和l . j .林“通用黑板数据融合基础架构”,IECON 2000(第2卷),第869 - 864页,2000年10月。
- r·约翰逊“数据融合系统的信息采集,”trita - na - 0328管理学副博士论文皇家理工学院的数值分析和计算机科学,斯德哥尔摩,瑞典,2003年11月。
- w . Elmenreich”,审查系统架构传感器融合应用,“课堂讲稿在计算机科学中,激飞,4761卷,第559 - 547页,2007年。
- r·c·罗c . c . Chang和c·c·赖”多传感器融合和集成:理论、应用程序和其视角”IEEE传感器日报》11号12卷,第3138 - 3122页,2011年12月。
- e . f .中村a . a . f . Loureiro和a·c·Frery”为无线传感器网络:信息融合方法,模型,和分类,“ACM计算调查,3号39卷,2007年8月。
- c·r·斯皮策(编辑),“航空电子手册”,CRC出版社有限责任公司,2001年。
- y黄、j.p.遗产和b·穆克吉”连接配置与传播障碍考虑在WDM光网络高速通道”IEEE光波技术学报,3号23卷,2005年3月。
- a . j .说j .孔特雷拉斯d·a·利马和a . Padilha-Feltrin ZbusTransmission网络成本分配,IEEE电力系统,22卷,1号,2007年2月。
- k金,p . e .速度,r·g·哈钦斯和j·b·迈克尔,“非线性申报人的比较和多传感器融合跟踪提升阶段弹道导弹”,海军研究生院,蒙特利,加州联合服务中心电子战技术报告(准备美国导弹防御局),2009年1月。
|
传记 |
| Boudhayan巴塔查里亚助理教授,部门的CA萨比特Devi教育- - - Brainware群机构的信任。他收到了m . WBUT科技(CSE)学位,加尔各答,印度。他的研究兴趣是数据融合,移动计算,NoC等等。 |
| 制造商萨哈博士副教授,CSE在加尔各答大学的部门。她获得博士学位(科技)加尔各答大学的学位,印度。她的研究方向是数据挖掘、数据仓库、图像处理、数据融合等。 |
菜单
eq。(1)
(2)式。
eq。(3)
eq。(4)
(5)式。
eq。(6)
eq。(7)
eq。(8)
(9)式。
eq。(10)
(11)式。
