第一篇：多傳感器數(shù)據(jù)融合報告

Harbin Institute of Technology

數(shù)據(jù)融合與遙感圖像處理

1遙感數(shù)據(jù)融合

數(shù)據(jù)融合是集多個數(shù)據(jù)源來產(chǎn)生比任何單個數(shù)據(jù)源更一致、更準確、更有用的信息的過程。數(shù)據(jù)融合作為一種數(shù)據(jù)處理方法，其基本思想是綜合利用系統(tǒng)各個方面的數(shù)據(jù)，最大限度地抽取有關對象或環(huán)境的有效信息，以達到更準確、更全面地認識觀測對象或環(huán)境的目的。近年來，數(shù)據(jù)融合在軍事和民用領域都引起了強烈的關注并得到了廣泛的應用。數(shù)據(jù)融合是對多源信息進行處理的理論和方法，可以把不同時間和空間的數(shù)據(jù)進行綜合處理，從而得到對現(xiàn)實環(huán)境更精確的描述，從本質上說就是一個算法問題。因此，對數(shù)據(jù)融合算法的研究便具有十分重要的意義。

數(shù)據(jù)融合的關鍵技術主要包括數(shù)據(jù)轉換、數(shù)據(jù)相關、數(shù)據(jù)庫和融合計算等，其中融合計算是數(shù)據(jù)融合的核心技術。

遙感是針對遠距離目標，通過非直接的接觸而測量、描繪及分析目標的技術，其對目標的信息采集主要依賴于電磁波。遙感衛(wèi)星是在外層空間進行遙感的人造衛(wèi)星，利用衛(wèi)星作為平臺可以連續(xù)地對地球表面某指定區(qū)域進行遙感。目前遙感技術已成功應用于軍事、地質、地理、農業(yè)、林業(yè)、水文、氣象、環(huán)境和海洋等領域。在模擬人類視覺系統(tǒng)的基礎上，各種遙感技術將遙感衛(wèi)星獲取的信息轉化成可以看到的圖像。針對遙感圖像的后處理，便是人們認識自然、了解自然、改造自然的重要工具。

根據(jù)波長不同而存在的遙感器有：可見光、紅外及微波等，不同遙感器獲取 的圖像特點不同，為了更好的表達某一場景的特點，可將不同遙感器獲得的圖像進行融合。

隨著遙感技術和雷達技術的發(fā)展，圖像融合的應用也更為廣泛，尤其是在軍事領域，以多個遙感器獲取的圖像融合為核心的戰(zhàn)場感知技術已成為現(xiàn)代戰(zhàn)爭中具有影響力的軍事高科技。近年來，隨著多個遙感衛(wèi)星的發(fā)射，大量的遙感圖像獲取為更方便及全面地認識自然資源和環(huán)境提供了可能，圖像融合技術也廣泛的應用到民用的各個方法，目前已成功應用于天氣預報、自然災害檢測、大地測繪、植被分類、農作物生長勢態(tài)評估等方面。

2遙感圖像融合方法及評價

遙感圖像數(shù)據(jù)一般在三個層次上進行融合，即像素級（特征提取之前）融合、特征級（屬性說明之前）融合以及決策級（各種傳感器獨立說明之后）融合。簡單的說，像素級融合就是直接對傳感器獲取的原始圖像的色彩空間或頻率空間進行匹配重新生成新的圖像，特征級融合就是從原始圖像中提取一些事物的特征，對同一事物的不同特征進行融合，從而使得對事物的描述更加全面，決策級融合-1-是遙感圖像數(shù)據(jù)融合的最高層次，其結果可直接作為決策要素來做出相應的行為或直接為決策者提供決策參考。融合層次決定了對多源原始圖像數(shù)據(jù)進行何種程度預處理以及在信息處理的哪一層次上進行融合；多源遙感影像數(shù)據(jù)融合的層次問題，不但涉及到處理方法本身，而且能夠影響信息處理系統(tǒng)的體系結構，已成為圖像融合研究的重要問題之一。2.1像素級融合

像素級融合是直接對傳感器獲取的原始圖像或經(jīng)過配準的圖像進行色彩空間或頻率空間匹配而形成新的圖像。具體就是將遙感圖像數(shù)據(jù)根據(jù)某種算法，即像素之間的直接數(shù)學運算，如差值、梯度、比值、加權或其他數(shù)學運算等，然后對融合的圖像進行特征提取和屬性說明，從而形成一幅空間信息與光譜信息都相應增強的圖像，其主要目的是使圖像增強以便進行后續(xù)的圖像分割或圖像分類等其他處理。

像素級融合是直接對原始數(shù)據(jù)進行處理的，是一種最低層次的融合，因此其對傳感器配準的精度要求較高。其優(yōu)點是保留了盡可能多的圖像的原始信息，具有較高精度，能提供單獨測量所不具有的細微信，但同時也存在一定的局限性，如所處理的數(shù)據(jù)量大、抗干擾能力差等、處理的代價高、費時、實時性差。針對傳感器原始信息的不確定性、不完全性和不穩(wěn)定性，要求像素級融合在融合過程中有較高的糾錯處理能力，并要求各傳感器信息之間配準的精度較高，一般在1個像素之內，故對來自同質傳感器的數(shù)據(jù)進行融合效果較佳。其融合過程如圖1所示。

圖像1像素級融合效果評價圖像2融合結果像素級融合的算法有IHS變換融合算法、主成分分析（PCA融合算法）、brovey影像融合算法、高通濾波融合法（hpf變換法）。

IHS融合方法，以顏色空間變換為基礎。將RGB顏色空間中用三原色表示的彩色圖像，轉換為顏色空間中用亮度（Intensity，I），色度（Hue，H）以及飽和度（Saturation，S）表示的彩色圖像，然后用具有更高分空間辨率的全色圖像來替換亮度圖像I，并進行IHS逆變換回到RGB顏色空間，最終得到分辨率

-2-...圖1 像素級融合過程 增強的彩色圖像。在替換之前，需要對全色圖像與亮度圖像I進行直方圖匹配，將匹配后的全色圖像記為PanM,則整個融合過程可以表示為:

?I??131313??R?????G? 23??v1????26?26????v???120????B???2??12I'?PanM

?R'??112?'???G???1?12?B'??12???2??I'?????12??v1???0???v2?1 其中R'，G'，B'表示融合結果圖像。需要說明的是，IHS顏色空間變換是一種非線性變換，而作為其中間過程，由RGB圖像到IV1V2圖像的變換則是一個線性變換，IHS融合方法只需要進行線性變換得到亮度圖像即可，沒有必要計算色度和飽和度。

主成分分析是離散變換的簡稱，又稱KL變換。IHS融合方法的顏色空間變換可以用事先確定的數(shù)值矩陣表示，而PCA融合方法的變換陣則需要根據(jù)待融合圖像數(shù)據(jù)的特性來進行計算求取。另外，PCA融合方法不局限于三波段的彩色圖像，可以實現(xiàn)更多波段的多光譜圖像與全色圖像的融合。通過KL變換，由原n個波段的全色圖像得到n個波段的成份圖像。在變換域內用經(jīng)過了直方圖匹配的全色圖像替換多光譜數(shù)據(jù)集的主成份，然后進行顏色空間逆變換,就得到了空間分辨率增強的多光譜圖像。

brovey變換的實質是將通過色彩歸一化后的多光譜波段與高分辨率圖像乘積來增強圖像的信息，又可稱之為“色彩標準化一乘積變換”，是一種基于信息特征的融合方法。其算法是將多光譜影像的影像空間分解為色彩和亮度成分并進行計算，這一過程簡化了影像轉換過程的系數(shù)并最大限度地保留多光譜數(shù)據(jù)的信息。運算時首先進行RGB圖像顯示的多光譜波段顏色歸一化，然后將高分辨率全色影像與多光譜各波段相乘完成融合。它應用最基本的乘積組合算法，通過歸一化后的多光譜波段與高分辨率影像乘積來增強影像的信息直接對兩類遙感圖像進行合成。

高通濾波融合又稱hpf變換法，是一種光譜信息丟失較少的方法。是把高分辨率全色圖像進行傅立葉變換，從空間域轉換到頻率域，然后在頻率域內對傅立葉圖像進行高通濾波，獲取圖像的高頻分量，將高頻部分融合到多光譜圖像中，以突出高頻部分，獲取最后的融合圖像。這種方法首先采用一個較小的空間高通濾波器對高分辨率影像進行濾波，由于濾波得到的結果不僅保留了與空間信息有關的高頻分量，而且濾掉了絕大部分的光譜信息，因此把高通濾波的結果加到各

-3-光譜影像數(shù)據(jù)中，經(jīng)過這種處理就可把高分辨率圖像的空間信息同多光譜影像數(shù)據(jù)的光譜信息進行融合。該方法可對單個或多個波段進行融合操作，方法簡單、效果好，是一種應用較廣的圖像融合法。其融合的表達式如下：

Fk(i,j)?Mk(i,j)?HPH(i,j)

其中Fk(i，j)表示第k波段像素(i，j)的融合值，Mk(i，j)為低分辨率多光譜圖像第k波段像素(i，j)的值，HPH(i，j)為高通濾波后高頻圖像像素(i，j)的值。此方法的難點是濾波器的設計。2.2特征級融合

特征級融合是對圖像的特征進行融合，具體指將來自不同傳感器的原始影像信息進行特征抽取，然后對從傳感器獲得的多個特征信息進行關聯(lián)分析處理，將各圖像上相同類型的特征進行融合，最后將包含有效信息的特征融合于同一個特征空間，也就是將各個數(shù)據(jù)源中提取的特征信息進行分類、匯集、綜合處理和分析的過程上。

特征級融合屬于一種中層融合，其可以分為目標狀態(tài)信息融合和目標特征融合，目標狀態(tài)信息融合主要應用于多傳感器跟蹤領域，而目標特征融合就是特征層聯(lián)合識別。特征級融合的優(yōu)點是實現(xiàn)了可觀的信息壓縮，有利于實時處理，并且提供的特征直接與決策分析相關，所以融合的結果最大限度的提供了決策分析所需要的特征信息；其缺點是比像元級融合精度差。目前大多數(shù)融合系統(tǒng)的研究都是在該層次上開展的，其融合過程如圖2所示。

圖像1特征提取特征級融合效果評價圖像2融合結果特征級融合的算法有小波變換的方法、貝葉斯融合法、基于D-S證據(jù)理論的融合方法、基于神經(jīng)網(wǎng)絡的融合方法。

小波變換是介于函數(shù)空間域和頻率域之間的一種表示方法，在空間域和頻率域上同時具有良好的局部化性質，可進行局部分析。由于同一地區(qū)不同類型的圖像，其低頻部分差別不大，而高頻部分相差很大，通過小波變換對變換區(qū)實現(xiàn)分頻，在分頻基礎上進行遙感圖像的融合。圖像經(jīng)小波分解后，其頻率特性得到有效的分離，其中低頻部分反映圖像的整體視覺信息，高頻成份反映的是影像的細

-4-...圖2 特征級融合 節(jié)紋理特征。利用高分辨率圖像數(shù)據(jù)的高頻成份和相應的多光譜圖像數(shù)據(jù)的低頻成份組合進行小波重建，可得到融合圖像。從20世紀90年代開始小波變換就被應用到了圖像融合領域，國內外學者經(jīng)過多年的研究和探索，已經(jīng)發(fā)展了多種多樣的小波變換算法，如二進制小波變換、多進制小波變換、多分辨率小波變換、小波包變換等等，并且也多與像素級融合方法進行結合。其中，標準的基于小波變換的多源遙感圖像融合過程如圖3所示。

多光譜圖像重采樣小波分解低頻部分高分辨率圖像配準后的圖像高頻部分小波逆變換融合圖像 圖3 基于小波變換的多源遙感圖像的融合

其融合步驟包括：（1）對高空間分辨率圖像與多光譜圖像進行配準；（2）分別對配準的兩圖像進行n次小波分解，以得到各自相應分辨率的低頻輪廓圖像和高頻細節(jié)紋理圖像；（3）用低分辨率多光譜圖像的低頻部分代替高分辨率圖像的低頻部分；（4）對替換后圖像進行小波逆變換，從而得到最終圖像。

遙感圖像的信息融合方法，如主成分分析、乘積變換、比值變換和基于IHS變換等均存在原有分辨率圖像光譜信息的部分丟失問題，而小波變換可以對多個波段的圖像信息進行融合，既能充分利用高分辨率圖像的空間信息，又能保持低分辨率圖像光譜信息的最大完整性，是目前研究的一個熱點。

神經(jīng)網(wǎng)絡法是將輸入的信息綜合處理為一個整體輸入函數(shù)，并將此函數(shù)映射定義為相關單元的映射函數(shù)，它通過神經(jīng)網(wǎng)絡與環(huán)境的交互作用把環(huán)境的統(tǒng)計規(guī)律反映到網(wǎng)絡本身的結構中來，并對傳感器輸出的信息進行學習、理解，確定權值的分配完成知識獲取以及信息融合等，進而對輸入模式作出解釋，將輸入數(shù)據(jù)矢量轉換成高層邏輯概念。2.3決策級融合

決策級圖像融合是在信息表示的最高層次上進行融合處理。不同類型的傳感器觀測同一目標獲得的數(shù)據(jù)首先完成預處理、特征提取、識別，建立對所觀測目標的初步理論，然后通過相關處理以及決策級融合判決等，最終獲得聯(lián)合推斷結果，直接為決策提供依據(jù)?；跊Q策的融合技術分為兩類：（1）基于知識的決策技術，包括采用專家系統(tǒng)、神經(jīng)網(wǎng)絡和模糊邏輯等的決策融合；（2）基于識別的決策技術，然而目前這一層次上的融合還不是很成熟。2.4融合方法評價

同一遙感影像數(shù)據(jù)運用不同的融合方法或同一融合方法對不同的圖像進行融合時其融合效果都會有一定的差異，這是因為每種融合方法都有其優(yōu)點及局限

-5-性，這就要求在進行融合之前，應對融合方法進行評價分析，根據(jù)需融合圖像的特點及應用研究的目的需求采用不同的融合方法。

（1）IHS變換融合方法屬于色度空間變換，其變換方法簡單，易于實現(xiàn)，與RGB空間各分量相互相關不一樣，空間中三分量I、H、S具有相對獨立性，可分別對它們進行控制，并且能夠準確定量地描述顏色特征，一般來說可以提高結果圖像的地物紋理特性，但融合圖像灰度值同原多光譜圖像有較大差異，亦即光譜特征被扭曲，只能基本上保持多光譜影像的色調，光譜失真較大，這主要因為此方法保留了全色圖像的全部空間信息，然而全色圖像與強度分量在空間分辨率上存在差異以及光譜響應范圍不一致，使兩者的相關性低，從而造成較大的光譜畸變。同時此方法要求多光譜圖像的波段數(shù)必須為3，從而大大降低了當前高光譜、超光譜遙感數(shù)據(jù)的利用程度，為解決此問題,很多學者將IHS和小波融合兩種方法結合起，能明顯降低融合結果中的顏色扭曲現(xiàn)象。

（2）主成分分析法，即PCA融合方法：目前在遙感應用領域PCA融合方法主要用于數(shù)據(jù)壓縮，用少數(shù)幾個主成分代替多波段遙感信息，同時可以使圖像增強，在光譜特征空間中提取有顯著物理意義的圖像信息和監(jiān)測地表覆蓋物的動態(tài)變化。因其各波段光譜信息唯一的映射到各分量上，并且其能夠同時與多光譜圖像的所有波段融合，所以能較好地保持光譜特征且對光譜特征的扭曲小于IHS變換法；然而由于其要對自相關矩陣求特征值和特征向量，計算量非常大，實時性比較差。同時多光譜遙感影像在做主成分分析時，第一主分量信息表達的是原各波段中信息的共同變換部分，其與高分辨率影像中細節(jié)變化的含義略有不同，高分辨率影像經(jīng)過拉伸后雖然與第一主分量具有很高的相似性，但融合后的影像在空間分辨率和光譜分辨率上會有一定的變化；因光譜信息的變化，融合圖像不能用于地物識別和反演工作，但是它可以改進目視判讀的效果，提高分類制圖的精度。

（3）hpf融合法：其原理是先對影像數(shù)據(jù)進行高通濾波，獲得的結果相應于影像的點、線、邊緣、脊等特征，然后再將這些特征數(shù)據(jù)以一定的取舍規(guī)則融合至低分辨率的圖像，從而使其獲得更好的空間分辨率。同時也很好的保留了原多光譜圖像的光譜信息，去噪功能也比較明顯，沒有波段的限制。變換法對光譜特征扭曲小，且有較好的空間分辨率，建筑區(qū)，尤其是城市中心地帶的紋理信息很清晰，交通和水體的邊緣規(guī)則且清晰。但由于其濾波器的尺寸大小是一定的，對于不同大小的各類地物類型很難找到一個理想的濾波器，從而會使得在突出高頻信息的同時，部分低頻信息或某些重要的信息會受到壓制，使整體影像的結構比較細碎，在色彩表現(xiàn)上，高通濾波變換的結果一般。

（4）小波變換法的優(yōu)勢在于可以將圖像分解到不同的頻率域，在不同的頻率域運用不同的融合規(guī)則,得到融合圖像的多分辨分解，從而在融合圖像中保留

-6-原圖像在不同頻率域的顯著特征。融合影像既具有高空間分辨率影像的結構信息，又最大限度地保留了原多光譜影像的亮度與反差，防止影像信息丟失更好地反應了圖像的細節(jié)特征，對植被、河流、城鎮(zhèn)的解譯能力有了很大的改善，提高了多光譜影像的分類精度和量測能力；但也存在易產(chǎn)生較為明顯的分塊效應和損失一定程度的高分辨率圖像信息等不足。

參考文獻

[1] Yunjun Yao, Shunlin Liang, Xianglan Li, Yuhu Zhang, Jiquan Chen, Kun Jia, Xiaotong Zhang , Estimation of high-resolution terrestrial evapotranspiration from Landsat data using a simple Taylor skill fusion method.Journal of Hydrology.2017 [2] SADIA DIN, AWAIS AHMAD, ANAND PAUL.A Cluster-Based Data Fusion Technique to Analyze Big Data in Wireless Multi-Sensor System.IEEE.2017 [3] Thanuka Wickramarathne.Evidence Updating for Stream-Processing in Big-Data: Robust Conditioning in Soft and Hard Data Fusion Environments.International Conference on Information Fusion.2017 [4]姚為.像素級和特征級遙感圖像融合方法研究與應用.2011 [5]劉帆.基于小波核濾波器和稀疏表示的遙感圖像融合.2014 [6]郭文娟.遙感影像數(shù)據(jù)融合方法及效果評價研究.2010

第二篇：多傳感器融合學習心得

多傳感器信息融合學習心得

通過一學期的學習，對多傳感器信息融合有了一定的了解，學習了多傳感器信息融合中的多種方法，并在小組論題和作業(yè)中都有所體現(xiàn)，下面我談一下自己的學習心得。

一、多傳感器信息融合的產(chǎn)生與發(fā)展

多傳感器信息融合是由美國軍方在20世紀70年代提出的，通過對各傳感器獲得的未知環(huán)境特征信息的分析和綜合,得到對環(huán)境全面、正確的估計,它避免了單一傳感器的局限性,可以獲取更多信息,得出更為準確、可靠的結論。主要用于對軍事目標（艦艇、飛機等）的檢測、定位、跟蹤和識別，具體應用在海洋監(jiān)視、空對空或地對空防御系統(tǒng)等。

二、多傳感器信息融合主要方法

多傳感器信息融合是建立在傳統(tǒng)的估計理論和識別算法的基礎之上，主要有卡爾曼濾波、貝葉斯理論、D-S證據(jù)理論和小波變換等，下面我簡單介紹一下各種算法。

1）卡爾曼濾波

卡爾曼濾波器實際上是一個最優(yōu)化自回歸數(shù)據(jù)處理算法。首先，我們先要引入一個離散控制過程的系統(tǒng)。該系統(tǒng)可用一個線性隨機微分方程來描述：

X(k)=A X(k-1)+B U(k)+W(k)再加上系統(tǒng)的測量值： Z(k)=H X(k)+V(k)

上兩式子中，X(k)是k時刻的系統(tǒng)狀態(tài)，U(k)是k時刻對系統(tǒng)的控制量。A和B是系統(tǒng)參數(shù)，對于多模型系統(tǒng)，他們?yōu)榫仃?。Z(k)是k時刻的測量值，H是測量系統(tǒng)的參數(shù)，對于多測量系統(tǒng)，H為矩陣。W(k)和V(k)分別表示過程和測量的噪聲。他們被假設成高斯白噪聲(White Gaussian Noise)，他們的方差 分別是Q，R（這里我們假設他們不隨系統(tǒng)狀態(tài)變化而變化）。

假設現(xiàn)在系統(tǒng)的狀態(tài)是k，根據(jù)系統(tǒng)模型，可以基于系統(tǒng)上一狀態(tài)而預測出現(xiàn)在狀態(tài)：

X(k|k-1)=A X(k-1|k-1)+B U(k)………..(1)

式(1)中，X(k|k-1)是利用上一狀態(tài)預測的結果，X(k-1|k-1)是上一狀態(tài)最優(yōu)的結果，U(k)為現(xiàn)在狀態(tài)的控制量，如果沒有控制量，它可以為0。

到現(xiàn)在為止，我們的系統(tǒng)結果已經(jīng)更新了，可是，對應于X(k|k-1)的方差還沒更新。我們用P表示方差：

P(k|k-1)=A P(k-1|k-1)A’+Q ………(2)

式(2)中，P(k|k-1)是X(k|k-1)對應的方差，P(k-1|k-1)是X(k-1|k-1)對應的方差，A’表示A的轉置矩陣，Q是系統(tǒng)過程的方差。式子1，2就是卡爾曼濾波對系統(tǒng)的預測。

現(xiàn)在我們有了現(xiàn)在狀態(tài)的預測結果，然后我們再收集現(xiàn)在狀態(tài)的測量值。結合預測值和測量值，我們可以得到現(xiàn)在狀態(tài)(k)的最優(yōu)化估算值X(k|k)：

X(k|k)= X(k|k-1)+Kk(k)(Z(k)-H X(k|k-1))………(3)其中Kk為卡爾曼增益(Kalman Gain)：

Kk(k)= P(k|k-1)H’ /(H P(k|k-1)H’ + R)………(4)

到現(xiàn)在為止，我們已經(jīng)得到了k狀態(tài)下最優(yōu)的估算值X(k|k)。但是為了要卡爾曼濾波器不斷的運行下去直到系統(tǒng)過程結束，我們還要更新k狀態(tài)下X(k|k)的方差：

P(k|k)=（I-Kk(k)H）P(k|k-1)………(5)

其中I 為單位陣。當系統(tǒng)進入k+1狀態(tài)時，P(k|k)就是式子(2)的P(k-1|k-1)。這樣，算法就可以自回歸的運算下去。

式子(1)、(2)、(3)、(4)和(5)就是卡爾曼濾波的5 個基本公式。2）貝葉斯理論

考查一個隨機試驗，在這個實驗中，n個互不相容的事件A1、A2、?、An必發(fā)生一個，且只能發(fā)生一個，用P（Ai）表示Ai的概率，則有：

?P(A)?

1(6)ii?1n設B為任意事件，則根據(jù)條件概率的定義及全概率公式，有

P?AiB??P?BAi?P?Ai??P?BA?P?A?jjj?1n

i=1,2,?,n

(7)

這就是貝葉斯公式。

在(7)中，P(A1)、P(A2)、?、P(An)表示A1、A2、?、An出現(xiàn)的可能性，這是在做試驗前就已知道的事實，這種知識叫做先驗信息，這種先驗信息以一個概率分布的形式給出，常稱為先驗分布。

現(xiàn)假設在試驗中觀察到B發(fā)生了，由于這個新情況的出現(xiàn)，對事件A1、A2、?、An的可能性有了新的估計，此處也已一個概率分布P?A1B?、?、P?A2B?、P?AnB?的形式給出，因此有：

P?AiB?≥0

(8)?P?AB?=1

(9)

ii?1n這稱為“后驗分布”。它綜合了先驗信息和試驗提供的新信息，形成了關于Ai出現(xiàn)的可能性大小的當前認識。這個由先驗信息到后驗信息的轉化過程就是貝葉斯統(tǒng)計的特征。

3）D-S證據(jù)理論

D-S證據(jù)理論是經(jīng)典概率理論的擴展，當先驗概率難以獲得時，證據(jù)理論就比概率論合適。

D-S方法與其他方法的區(qū)別在于：它具有兩個值，即對每個命題指派兩個不確定性度量（類似但不等于概率）；存在一個證據(jù)屬于一個命題的不確定性測度，使得這個命題似乎可能成立，但使用這個證據(jù)又不直接支持或拒絕它。下面先給出幾個基本定義：

設Ω是樣本空間，Ω由一互不相容的陳述集合組的冪集2?構成命題集合。定義1 基本概率分配函數(shù)M 設函數(shù)M是滿足下列條件的映射：

M：2?→[0，1](1)不可能事件的基本概率是0，即M(Φ)=0；(2)對于A??,則有：

0≤M(A)≤1

(3)2?中全部元素的基本概率之和為1，即

A???M?A?=1 則稱M是2?上的概率分配函數(shù)，M(A)稱為A的基本概率函數(shù)，表示對A 的精確信任。

定義2 命題的信任函數(shù)Bel 對于任意假設而言，其信任度Bel(A)定義為A中全部子集對應的基本概率 之和，即

Bel：2?→[0，1]

Bel(A)=?M?B?，對所有的A??

B?ADou(A)=Bel(-A)Bel函數(shù)也稱為下限函數(shù)，表示對A的全部信任。由概率分配函數(shù)的定義容 易得到：

Bel(Φ)=0 Bel(Ω)=?M(B)

B??定義3 命題的似然函數(shù)Pl Pl：2?→[0，1]

Pl(A)=1-Bel(-A)，對所有的A??

Pl函數(shù)也稱為上限函數(shù)，表示對A非假的信任程度。信任函數(shù)和似然函數(shù)有如下關系：

Pl(A)≥Bel(A), 對所有的A??

而（Bel(A),Pl(A)）稱為信任空間。

三、多傳感器信息融合的應用

隨著多傳感器信息融合技術的迅速發(fā)展，除了在軍事領域的應用，近年來在許多民用領域也得到了快速的應用，例如：圖像融合、智能機器人、故障診斷、智能交通系統(tǒng)等。

1．軍事應用

隨著信息技術的發(fā)展和近幾場局部戰(zhàn)爭的實踐，網(wǎng)絡中心戰(zhàn)將成為未來信息化作戰(zhàn)的主要模式，因此信息融合將成為發(fā)展各分系統(tǒng)的最基本要求。

信息融合技術是隨著信息處理和指揮自動化系統(tǒng)的發(fā)展而形成的，它的優(yōu)越性來源于系統(tǒng)的“組合效應”?，F(xiàn)代戰(zhàn)爭要求各作戰(zhàn)平臺能相互支援、通力協(xié)作，以形成一個緊密結合的整體，最大限度的發(fā)揮整體合力。因此，在信息化技術的幫助下，不同武器裝備實現(xiàn)了效能的互補，不同軍種之間實現(xiàn)了功能的互補，具備了互聯(lián)、互通、互操作的能力，從而使不同軍種的不同武器系統(tǒng)在技術上融為一體，在作戰(zhàn)時空上融為一體，進而使體系對抗成為聯(lián)合作戰(zhàn)的主體。

2．交通系統(tǒng)

由于交通檢測器獲取信息的局限性，無法全面掌握整個路網(wǎng)的交通信息，因此，通過信息融合技術在交通領域中的應用，提高交通管理中的效率。

信息融合技術在交通領域中主要用于車輛定位、車輛身份識別、車輛跟蹤、車輛導航及交通管理。這其中關鍵的就是對交通數(shù)據(jù)進行融合。因此，監(jiān)控中心必須對各個數(shù)據(jù)源的數(shù)據(jù)進行校驗，避免單個信息源失效而導致的判斷失誤。

3．圖像融合

隨著數(shù)字圖像處理技術的迅速發(fā)展，人們獲取圖像的途徑越來越多，因此圖像融合成為一個熱門研究領域。

多傳感器圖像融合可進一步提高圖像分析、理解與目標識別能力。圖像融合就是充分利用多幅圖像資源，通過對觀測信息的合理支配和使用，把多幅圖像在空間或時間上的互補信息依據(jù)某種準則融合，獲得對場景的一致性解釋或描述，使融合后的圖像比參加融合的任意一幅圖像更優(yōu)越，更精確的反映客觀實際。

總之，隨著新型傳感器的不斷出現(xiàn)，以及現(xiàn)代信號處理技術、計算機技術、網(wǎng)絡通信技術、人工智能技術、并行計算的軟件和硬件技術等相關技術的飛速發(fā)展，多傳感器信息融合將成為未來軍用和民用高科技系統(tǒng)的重要技術手段。

第三篇：基于多傳感器信息融合的智能機器人

基于多傳感器信息融合的智能機器人

院 － 系： 信息工程與自動化學院 專 業(yè)： 模式識別與智能系統(tǒng) 年 級： 2011 級 學生姓名： 朱 丹 學 號： 2011204082 任課教師： 黃國勇

2011年11月

摘要

機器人多傳感器信息融合是當今科學研究的熱點問題。傳感器是連接機器人智能處理過程與外界環(huán)境的重要紐帶，一般智能機器人都配有數(shù)個不同種類的傳感器。本文主要分析了多傳感器系統(tǒng)在機器人當中的重要性和多傳感器信息融合的基本原理，并探討了多傳感器信息融合技術在智能機器人中的應用。

關鍵詞：智能機器人、多傳感器、信息融合

引言

多傳感器、信息融合技術與傳統(tǒng)機器人的結合構成了智能機器人。要使機器人擁有智能，對環(huán)境變化做出反應，首先必須使機器人具有感知環(huán)境的能力。用傳感器采集環(huán)境信息加以綜合處理，控制機器人進行智能作業(yè)，更是機器人智能化的重要體現(xiàn)。在以往機器人智能領域的研究中，人們把更多的注意力集中到研究和開發(fā)機器人的各種外部傳感器上。盡管在現(xiàn)有的智能機器人和自主式系統(tǒng)中，大多數(shù)使用了多個不同類型的傳感器，但并沒有把這些傳感器作為—個整體加以分析，更像是—個多傳感器的拼合系統(tǒng)。雖然在各自傳感器信息處理與分析方面開展了大量富有成效的工作，但由于忽視了多傳感器系統(tǒng)的綜合分析，對提高智能系統(tǒng)的性能帶來了不利影響，效率低下而且速度緩慢。

因此，多傳感器信息融合技術較之單一傳感器有非常大的數(shù)據(jù)準確度的優(yōu)勢，已經(jīng)成為現(xiàn)在機器人研究領域的關鍵技術。

一、多傳感器信息融合的基本原理

多傳感器信息融合是人類和其他生物系統(tǒng)中普遍存在的一種基本功能。人類本能地具有將人體的各種功能器官(眼、耳、鼻、四肢)所探測的信息(景物聲音、氣味和觸覺)與先驗知識進行綜合的能力，以便對周圍的環(huán)境和正在發(fā)生的事件做出估計。這一處理過程是復雜的，也是自適應的，它將各種信息(圖像、聲音、氣味、物理形狀、描述)轉化成對環(huán)境的有價值的解釋，這需要大量不同的智能處理，以及適用于解釋組合信息含義的知識庫。

多傳感器信息融合實際上是對人腦綜合處理復雜問題的一種功能模擬。在多 傳感器系統(tǒng)中，各種傳感器提供的信息可能具有不同的特征:時變的或者非時變 的；實時的或者非實時的；快變的或者緩變的；模糊的或者確定的；精確的或者 不完整的；可靠的或者非可靠的；相互支持的或互補的；相互矛盾的或沖突的。

多傳感器信息融合的基本原理就像人腦綜合處理信息的過程一樣，它充分地利用多個傳感器資源，通過對各種傳感器及其觀測信息的合理支配與使用，將各種傳感器在空間和時間上的互補與冗余信息依據(jù)某種優(yōu)化準則組合起來，產(chǎn)生對觀測環(huán)境的一致性解釋和描述。信息融合的目標是基于各傳感器分離觀測信息，通過對信息的優(yōu)化組合導出更多的有效信息。它的最終目的是利用多個傳感器共同或聯(lián)合操作的優(yōu)勢，來提高整個傳感器系統(tǒng)的有效性。

二、智能機器人中的多傳感器信息融合系統(tǒng)

智能化已成為機器人發(fā)展的重要趨勢，多傳感器、信息融合技術與傳統(tǒng)機器人的有機結合構成了智能機器人。傳感器是機器人獲取外部信息的重要途徑，傳感器信息融合技術則是實現(xiàn)機器人智能化的基礎。

2.1 機器人與傳感器

要使機器人擁有智能，對外界的變化做出反應，首先機器人必須能夠感知外界環(huán)境，用傳感器獲取外界環(huán)境信息是實現(xiàn)機器人智能化的前提。研究機器人，應該先從模仿人開始，人的各種感覺器官及其功能都是機器人感覺的模仿對象。人類通過感覺器官獲取外界的環(huán)境信息，并將這些信息傳給大腦進行加工綜合，然后發(fā)出行動指令調動肌群執(zhí)行動作。機器人也是如此，計算機相當于人類的大腦，而傳感器相對于機器人來說就像人類的感覺器官，是機器人獲取外界信息的窗口。

2.2 傳感器的選擇

機器人需要感知的環(huán)境內容眾多，因此需要豐富的傳感器作為硬件支撐。傳感器是連接智能處理過程與外界環(huán)境的重要紐帶。常用的傳感器有紅外傳感器、超聲波傳感器、激光傳感器和攝像機等。機器人感知環(huán)境的能力很大程度上取決于傳感器的性能，所以選擇適當?shù)膫鞲衅魇菣C器人正確感知環(huán)境的先決條件。單一的傳感器采集的環(huán)境特征信息往往是非常有限的，甚至是局部的、片面的；而過多的傳感器并不一定能給系統(tǒng)帶來好的結果，甚至會增加系統(tǒng)負擔與復雜性等，同時還可能掩蓋了多傳感器信息融合的本質。因此，在選擇傳感器時應該充分考慮到數(shù)量、種類與傳感器之間的相干性。一個具有較強功能的智能機器人一般都配有距離和接近覺傳感器、多功能觸覺、立體視覺傳感器等。

2.3 多傳感器信息融合系統(tǒng)

多傳感器信息融合系統(tǒng)的性能是反映智能機器人智能水平的一個重要的指標。機器人的傳感器系統(tǒng)是智能系統(tǒng)的硬件基礎，而多傳感器信息融合系統(tǒng)則是使智能系統(tǒng)高效運行的軟件。多傳感器信息融合系統(tǒng)的主要任務是將處于不同位置、不同狀態(tài)的傳感器獲取的局部的、不完整信息加以綜合處理，消除多傳感器信息之間可能存在的冗余或矛盾，降低其不確定性，以形成對外界環(huán)境相對完整的描述，從而有效提高智能系統(tǒng)的決策和規(guī)劃能力，同時降低其決策風險。在一個多傳感器信息融合系統(tǒng)中，多傳感器是信息融合的物質基礎，傳感器信息是信息融合加工的對象，協(xié)調優(yōu)化處理是信息融合的核心思想。多傳感器信息融合的優(yōu)化處理非常的重要，其是系統(tǒng)性能好壞的決定因素。多傳感器信息融合系統(tǒng)的一般結構如圖1所示。

圖1

多傳感器信息融合可以是多層次、多方式的，一般在信息融合中心的信息綜合處理器中完成。多傳感器信息融合拓撲結構主要有集中型、分散型、混合型和分級型，分級型又可分為有反饋結構和無反饋結構。在這四種結構中，集中型和分散型是兩種比較常用的融合結構。集中型結構簡單，精度高、但只有接收到所有傳感器的信息后才進行信息融合，因此各融合中心計算和通信負擔較重，可能造成系統(tǒng)融合速度慢、容錯性差。在分散型結構中每個傳感節(jié)點都具有估計全局信息的能力，不必維護較大的集中數(shù)據(jù)庫，通信負擔輕，融合速度快，不會因為某個傳感節(jié)點失效而影響整個系統(tǒng)正常工作，具有較高的可靠性和容錯性，但融合精度沒有集中型高?；旌闲徒Y構保留了集中型和分散型的優(yōu)點，但是在計算和通信上都要付出昂貴的代價。分級型結構中各局部節(jié)點可以同時或分別是集中型、分散型或混合型的，其計算和通信負擔介于集中型結構分散型結構之間。從多傳感器信息融合技術被提出開始，其融合結構還在不斷地改進，目前的融合結構方案還在不斷地探索中。

三、多傳感器信息融合方法

3．1估計理論

估計方法有加權平均法、最大似然估計、最小均方估計、卡爾曼濾波等。

3.2 基于統(tǒng)計的融合方法

基于統(tǒng)計的融合方法有：經(jīng)典推理、貝葉斯法和D-S證據(jù)理論。經(jīng)典推理技術完全依賴數(shù)學理論，其優(yōu)點是有嚴格的數(shù)學理論作基礎，但當把它用于多變量統(tǒng)計時，就要求先驗知識和計算多維概率密度函數(shù)，這對于實際應用是一個限制。另外，它還有其他缺點：只能同時估計兩個假設；在多變量數(shù)據(jù)情況下其復雜性急劇上升。所以在信息融合中很少使用。

3.3 應用信息論的融合方法

信息論方法的共同點是將自然分組和目標類型相聯(lián)系，即實體的相似性反映了觀測參數(shù)的相似性，不需要建立變量隨機方面的模型。這些方法包括參數(shù)化模板、聚類算法、神經(jīng)網(wǎng)絡、投票法、嫡度量技術、優(yōu)化圖解儀、相關性度量等。

3.4 基于認知的模型

基于認知的模型嘗試模擬和自動執(zhí)行人腦分析的決策過程，它包括邏輯模板、基于知識的系統(tǒng)和模糊集合理論。

四、信息融合的關鍵問題

4．1 數(shù)據(jù)對準

在多傳感器融合系統(tǒng)中，每個傳感器提供的觀測數(shù)據(jù)都在各自的參考框架之內，在對這些信息進行組合之前，必須首先將它們變換到同—個參考框架中去。但是要注意的是，由于多傳感器時空配準引起的舍入誤差必須得到補償。

4.2 同類或異類數(shù)據(jù)

多傳感器提供的數(shù)據(jù)在屬性上可以是同類。也可以是異類的，而且異類多傳感器較之同類傳感器，其提供的信息具異類數(shù)據(jù)在實踐上的不同步，數(shù)據(jù)率不一致以及測最維數(shù)不匹配等特點，使得對這些信息的處理更加困難。

4.3 傳感器觀測數(shù)據(jù)的不確定性

由于傳感器工作環(huán)境的不確定性，導致觀測數(shù)據(jù)包含有噪聲成分。在融合處理中，需要對多源觀測數(shù)據(jù)進行分析驗證，并補充綜合，在最大限度七降低數(shù)據(jù)的不確定性。

4.4 不完整、不一致及虛假數(shù)據(jù)

在多傳感器信息融合系統(tǒng)中，對傳感器接收到的測量數(shù)據(jù)有時會存在多種解釋，稱之為數(shù)據(jù)的不完整性。多傳感器數(shù)據(jù)往往也對觀測環(huán)境做出不一致甚至相互矛盾的解釋。另外，由于噪聲及干擾因素的存在，往往存在—些虛假的量測數(shù)據(jù)。信息融合系統(tǒng)需要能夠對這些不完整、不—致以及虛假數(shù)據(jù)進行有效的融和處理。

4.5 數(shù)據(jù)關聯(lián)

數(shù)據(jù)關聯(lián)問題廣泛存在，需要解決單傳感器時間域上的關聯(lián)問題，以及多傳感器空間域上的關聯(lián)問題，從而能夠確定來源于同一目標源的數(shù)據(jù)。

4.6 態(tài)勢數(shù)據(jù)庫

態(tài)勢數(shù)據(jù)庫有實時數(shù)據(jù)庫和非實時數(shù)據(jù)庫兩種。前者的作用是把各傳感器的檢測結果提供給融合中心，并存儲融合處理的最終態(tài)勢、決策分析結果進行分析和綜合，生成綜合態(tài)勢，實時地根據(jù)錯傳感器檢測結果進行數(shù)據(jù)融合計算和態(tài)勢決策分析等。

五、信息融合應用

信息融合的重要應用領域為機器人。目前主要應用在移動機器人和遙操作機器人上，因為這些機器人工作在動態(tài)、不確定與非結構化的環(huán)境中，這些高度不確定的環(huán)境要求機器人具有高度的自治能力和對環(huán)境的感知能力，采用多傳感器信息融合技術可以使機器人具有感知自身狀態(tài)和外部環(huán)境的能力。實踐證明：采用單個傳感器的機器人不具有完整、可靠地感知外部環(huán)境的能力。

智能機器人應采用多個傳感器，并利用這些傳感器的冗余和互補的特性來獲得機器人外部環(huán)境動態(tài)變化的、比較完整的信息，并對外部環(huán)境變化作出實時的響應。

移動機器人主要利用距離傳感器(如聲納、超聲波、激光等測距傳感器)，視覺(如手眼視覺、場景視覺、立休視覺、主動視覺等)，另外還有觸覺、滑覺、熱覺、接近覺、力與力矩等多種傳感器以實現(xiàn)如下的功能：機器人自定位、環(huán)境建模、地圖與世界模型的建立、導航、避障或障礙物檢測、路徑規(guī)劃或任務規(guī)劃等。

六、結束語

智能機器人的智能體現(xiàn)在多傳感器系統(tǒng)的應用上，而擁有更高的智能需要在多傳感器系統(tǒng)中運用多信息融合技術。隨著人工智能、控制技術和計算機技術的發(fā)展，尤其是多傳感器數(shù)據(jù)融合技術的發(fā)展。機器人對環(huán)境的感知和認識能力將不斷改善，機器人的自主控制能力也會隨之提高，隨著科技的不斷進步，智能機器人的研究與應用必將迎來更廣闊的發(fā)展空間。

第四篇：傳感器專業(yè)實習報告

專業(yè)認識報告

一：振動傳感器的原理及結構

在高度發(fā)展的現(xiàn)代工業(yè)中，現(xiàn)代測試技術向數(shù)字化、信息化方向發(fā)展已成必然發(fā)展趨勢，而測試系統(tǒng)的最前端是傳感器，它是整個測試系統(tǒng)的靈魂，被世界各國列為尖端技術，特別是近幾年快速發(fā)展的IC技術和計算機技術，為傳感器的發(fā)展提供了良好和可靠的科學技術基礎。使傳感器的發(fā)展日新月益，且數(shù)字化、多作用和智能化是現(xiàn)代傳感器發(fā)展的重要特征。

? 工程振動測試方法

在工程振動測試領域中，測試手段和方法多種多樣，但是按各種參數(shù)的測量方法及測量過程的物理性質來分，可以分成三類。

1、機械式測量方法

將工程振動的參量轉換成機械信號，再經(jīng)機械系統(tǒng)放大后，進行測量、記錄，常用的儀器有杠桿式測振儀和蓋格爾測振儀，它能測量的頻率較低，精度也較差。但在現(xiàn)場測試時較為簡單方便。

2、光學式測量方法

將工程振動的參量轉換為光學信號，經(jīng)光學系統(tǒng)放大后顯示和記錄。如讀數(shù)顯微鏡和激光測振儀等。

3、電測方法

將工程振動的參量轉換成電信號，經(jīng)電子線路放大后顯示和記錄。電測法的要點在于先將機械振動量轉換為電量（電動勢、電荷、及其它電量），然后再對電量進行測量，從而得到所要測量的機械量。這是目前應用得最廣泛的測量方法。

上述三種測量方法的物理性質雖然各不相同，但是，組成的測量系統(tǒng)基本相同，它們都包含拾振、測量放大線路和顯示記錄三個環(huán)節(jié)。

1、拾振環(huán)節(jié)。把被測的機械振動量轉換為機械的、光學的或電的信號，完成這項轉換工作的器件叫傳感器。

2、測量線路。測量線路的種類甚多，它們都是針對各種傳感器的變換原理而設計的。比如，專配壓電式傳感器的測量線路有電壓放大器、電荷放大器等；此外，還有積分線路、微分線路、濾波線路、歸一化裝置等等。

3、信號分析及顯示、記錄環(huán)節(jié)。從測量線路輸出的電壓信號，可按測量的要求輸入給信號分析儀或輸送給顯示儀器（如電子電壓表、示波器、相位計等）、記錄設備（如光線示

波器、磁帶記錄儀、X―Y 記錄儀等）等。也可在必要時記錄在磁帶上，然后再輸入到信號分析儀進行各種分析處理，從而得到最終結果。

傳感器的機械接收原理

振動傳感器在測試技術中是關鍵部件之一，它的作用主要是將機械量接收下來，并轉換為和之成比例的電量。由于它也是一種機電轉換裝置。所以我們有時也稱它為換能器、拾振器等。

振動傳感器并不是直接將原始要測的機械量轉變?yōu)殡娏?，而是將原始要測的機械量做為振動傳感器的輸入量，然后由機械接收部分加以接收，形成另一個適合于變換的機械量，最后由機電變換部分再將變換為電量。因此一個傳感器的工作性能是由機械接收部分和機電變換部分的工作性能來決定的。

二：振動傳感器的應用

?

1、相對式電動傳感器

電動式傳感器基于電磁感應原理，即當運動的導體在固定的磁場里切割磁力線時，導體兩端就感生出電動勢，因此利用這一原理而生產(chǎn)的傳感器稱為電動式傳感器。

相對式電動傳感器從機械接收原理來說，是一個位移傳感器，由于在機電變換原理中應用的是電磁感應電律，其產(chǎn)生的電動勢同被測振動速度成正比，所以它實際上是一個速度傳感器。

2、電渦流式傳感器

電渦流傳感器是一種相對式非接觸式傳感器，它是通過傳感器端部和被測物體之間的距離變化來測量物體的振動位移或幅值的。電渦流傳感器具有頻率范圍寬（0～10 kHZ），線性工作范圍大、靈敏度高以及非接觸式測量等優(yōu)點，主要應用于靜位移的測量、振動位移的測量、旋轉機械中監(jiān)測轉軸的振動測量。

3、電感式傳感器

依據(jù)傳感器的相對式機械接收原理，電感式傳感器能把被測的機械振動參數(shù)的變化轉換成為電參量信號的變化。因此，電感傳感器有二種形式，一是可變間隙，二是可變導磁面積。

4、電容式傳感器

電容式傳感器一般分為兩種類型。即可變間隙式和可變公共面積式?？勺冮g隙式可以測量直線振動的位移?？勺兠娣e式可以測量扭轉振動的角位移。

5、慣性式電動傳感器

慣性式電動傳感器由固定部分、可動部分以及支承彈簧部分所組成。為了使傳感器工作在位移傳感器狀態(tài)，其可動部分的質量應該足夠的大，而支承彈簧的剛度應該足夠的小，也就是讓傳感器具有足夠低的固有頻率。

根據(jù)電磁感應定律，感應電動勢為：u=Blx&r

式中B為磁通密度，l為線圈在磁場內的有效長度，r x&為線圈在磁場中的相對速度。從傳感器的結構上來說，慣性式電動傳感器是一個位移傳感器。然而由于其輸出的電信號是由電磁感應產(chǎn)生，根據(jù)電磁感應電律，當線圈在磁場中作相對運動時，所感生的電動勢和線圈切割磁力線的速度成正比。因此就傳感器的輸出信號來說，感應電動勢是同被測振動速度成正比的，所以它實際上是一個速度傳感器。

6、壓電式加速度傳感器

壓電式加速度傳感器的機械接收部分是慣性式加速度機械接收原理，機電部分利用的是壓電晶體的正壓電效應。其原理是某些晶體（如人工極化陶瓷、壓電石英晶體等，不同的壓電材料具有不同的壓電系數(shù)，一般都可以在壓電材料性能表中查到。）在一定方向的外力作用下或承受變形時，它的晶體面或極化面上將有電荷產(chǎn)生，這種從機械能（力，變形）到電能（電荷，電場）的變換稱為正壓電效應。而從電能（電場，電壓）到機械能（變形，力）的變換稱為逆壓電效應。

因此利用晶體的壓電效應，可以制成測力傳感器，在振動測量中，由于壓電晶體所受的力是慣性質量塊的牽連慣性力，所產(chǎn)生的電荷數(shù)和加速度大小成正比，所以壓電式傳感器是加速度傳感器。

7、壓電式力傳感器

在振動試驗中，除了測量振動，還經(jīng)常需要測量對試件施加的動態(tài)激振力。壓電式力傳感器具有頻率范圍寬、動態(tài)范圍大、體積小和重量輕等優(yōu)點，因而獲得廣泛應用。壓電式力傳感器的工作原理是利用壓電晶體的壓電效應，即壓電式力傳感器的輸出電荷信號和外力成正比。

8、阻抗頭

阻抗頭是一種綜合性傳感器。它集壓電式力傳感器和壓電式加速度傳感器于一體，其作用是在力傳遞點測量激振力的同時測量該點的運動響應。因此阻抗頭由兩部分組成，一部分是力傳感器，另一部分是加速度傳感器，它的優(yōu)點是，保證測量點的響應就是激振點的響應。使用時將小頭（測力端）連向結構，大頭（測量加速度）和激振器的施力桿相連。從“力信號輸出端”測量激振力的信號，從“加速度信號輸出端”測量加速度的響應信號。

注意，阻抗頭一般只能承受輕載荷，因而只可以用于輕型的結構、機械部件以及材料試樣的測量。無論是力傳感器還是阻抗頭，其信號轉換元件都是壓電晶體，因而其測量線路均應是電壓放大器或電荷放大器。

9、電阻應變式傳感器

電阻式應變式傳感器是將被測的機械振動量轉換成傳感元件電阻的變化量。實現(xiàn)這種機電轉換的傳感元件有多種形式，其中最常見的是電阻應變式的傳感器。

電阻應變片的工作原理為：應變片粘貼在某試件上時，試件受力變形，應變片原長變化，從而應變片阻值變化，實驗證明，在試件的彈性變化范圍內，應變片電阻的相對變化和其長度的相對變化成正比。

第五篇：傳感器讀書報告題目

傳感器與測試系統(tǒng)課程讀書報告參考題目：

1.溫度傳感器的現(xiàn)狀及發(fā)展

2.光纖傳感器的現(xiàn)狀及發(fā)展

3.壓力傳感器綜述

4.CCD與CMOS 傳感器的原理和發(fā)展

5.霍爾傳感器綜述

6.霍爾傳感器現(xiàn)狀及發(fā)展

7.超聲波傳感器的原理和現(xiàn)狀

8.流量傳感器綜述

9.激光傳感器綜述

10.磁敏傳感器綜述

11.半導體式傳感器現(xiàn)狀及發(fā)展

12.智能傳感器的現(xiàn)狀及發(fā)展

13.紅外傳感技術的現(xiàn)狀及發(fā)展

14.激光位移傳感器的原理和現(xiàn)狀

15.光電式傳感器的原理和發(fā)展

16.接近傳感器的原理和現(xiàn)狀

17.位移傳感器綜述

18.速度傳感器綜述

19.速度傳感器綜述

20.力矩傳感器綜述

21.角度傳感器綜述

22.微納米傳感器概述

23.虛擬儀器概述

24.差壓式傳感器的原理和現(xiàn)狀

25.流量傳感器的原理和現(xiàn)狀

26.氣敏濕敏傳感器的原理和現(xiàn)狀

以上題目僅供參考，不一定要一樣的題目，選好題目的同學可以先發(fā)給我。