基于模糊聚类的多传感器数据融合算法优化

摘要

针对受传感器本身误差和外界干扰的影响,不同传感器获取的数据可能存在不确定性和不一致性的问题,为有效消除数据之间的矛盾和冲突,提升数据融合效果,提出一种基于模糊聚类的多传感器数据融合算法.首先,采用D-S(Dempster-Shafer)证据理论进行数据初步融合,计算异类数据之间的距离并确定对应的信任函数,对不同传感器数据进行校正和协调,以提高数据的一致性.其次,引入模糊聚类方法对多传感器数据初步融合结果进行优化,将数据点分组为具有相似特征的簇,确定初始聚类中心.最后,利用模糊聚类算法对数据分组,提高数据融合结果的准确性和鲁棒性.实验结果表明,该算法在多传感器数据融合中拟合优度和分片接收率较高,且能量总体消耗较低,整体性能优异.

关键词

模糊聚类 / 多传感器 / 数据融合 / D-S证据理论