[发明专利]基于线性约束截断最小二乘的数据融合方法

摘要

一种基于线性约束截断最小二乘的数据融合方法，对各传感器数据求取均方值，在此基础上设置自适应阈值，并判断是否存在异常传感器数据，以及哪个传感器数据存在脉冲噪声，得到检测矩阵，然后建立基于截断最小二乘(TLS)的初始融合目标函数，通过一系列变化，变成线性约束的截断最小二乘(LCTLS)的最优问题，进一步求取问题的拉格朗日函数，根据Kuhn－Tucker条件，得到对应求取最优解的方程组，建立全局收敛的递归神经网络，得到方程组的解，即优化问题的解。本发明使算法的鲁棒性大大提高，即使出现了脉冲噪声，也能具有无偏性，并在很快的时间内得到优质的解，对于数据融合的实时处理具有重要意义和实用价值。

主权项

1、一种基于线性约束截断最小二乘的数据融合方法，其特征在于包括如下具体步骤：1)初始化一个以传感器数目为维数的单位对角阵，先求各传感器数据的均方值，通过它们归一化之后的方差与阈值的比较判断是否存在异常的传感器数据，阈值自适应设置成与传感器数目成反比的形式；如存在异常传感器数据，则将各均方归一化到某一区域上，如果某个归一值超过设定阈值，则把单位对角阵的相应元素置成0，否则对单位对角阵不做任何改动，这个阈值也根据归一化均方值的均值和标准差自适应设置；2)检测过程结束之后得到检测矩阵P，建立基于截断最小二乘的初始目标函数，即使正常传感器数据加权融合结果和原始信号差的平方期望达到最小，引入线性约束w^TPa＝1，其中w＝[w₁，w₂，...，w_K]^T为各传感器权值，a＝[a₁，a₂，...，a_K]^T为各传感器的尺度参数，K为传感器数目，初始目标函数变成带有线性约束的噪声协方差矩阵的优化问题，利用高斯噪声期望为零以及检测矩阵与出现冲击噪声的异常传感器数据乘积的期望为零的特性，演变成一个带有约束的测量数据协方差矩阵的优化问题，也即最终的融合目标函数；3)得到融合目标函数之后，求取其对应的拉格朗日函数，然后根据Kuhn-Tucker条件，得到求取最优解所对应的方程组，提取变量的系数矩阵，在方程组两边同时左乘以系数矩阵的转置，再同时减去方程组右侧部分，对于连续神经网络实现，最终方程组的左侧即为网络中优化变量对时间的负导数；对于离散神经网络实现，是将连续神经网络离散化，然后对所有测量数据协方差矩阵乘以一个系数，此系数要满足它与测量协方差矩阵乘积的无穷范数小于1，网络训练的步长小于其中网络稳定时w的值即为所求的最优权值。