多传感器数据融合技术研究进展

2010年第29卷第3期 传感器与微系统(TransducerandMicrosystemTechnologies) 5 多传感器数据融合技术研究进展木 黄漫国1”，樊尚春1’2，郑德智1，邢维巍1 (1．北京航空航天大学仪器科学与光电工程学院精密光机电一体化教育部重点实验室，北京100191； 2．传感技术联合国家重点实验室，上海200050) 摘要：多传感器数据融合是信息领域一个前景广阔的研究方向。由于单一的数据融合算法具有一定的 局限性，将2种或2种以上的数据融合算法进行优势集成已逐渐成为数据融合领域的研究热点。介绍了 数据级、特征级和决策级融合3种数据融合方式的主要特点、方法及应用，归纳了常用的数据融合方法，并 重点阐述了几种多传感器数据融合集成算法的研究进展，简单介绍了多传感器数据融合技术的应用。 关键词：多传感器；数据融合；算法；集成 中图分类号：TP274 文献标识码：A 文章编号：1000-9787(2010)03-0005-04 Researchprogressofmulti-sensordatafusiontechnology术 HUANGMan．gu01’2，FANShang—chunl，2，ZHENGDe．zhil，XINGWei—weil (1．KeyLaboratoryofPrecisionOpto·mechanicsTechnologyofMinistryofEducation，Deptartmentof InstrumentScience&Opto-electronicsEngineering，BeihangUniversity，Beijing100191，China； 2．StateKeyLaboratoriesofTransducerTechnology，Shanghm200050，China) Abstract：Muhi—sensordatafusioniswideresearchbranchininformationfield．Assingledatafusionalgorithm alwayshassomelimitations，theintegrationoftwoormoredatafusionalgorithmsisbecomingaresearchinterest． Advantagesofdatafusionareintroduced；maincharacteristics，algorithmsandapplicationsofthreedatafusion modeltypes(datalevel，characteristiclevelanddecisionlevel)arepresented．Commondatafusionalgorithmsare classified．Researchdevelopmentsofseveraldatafusionintegrationalgorithmsarereviewed．Applicationsofdata fusiontechnologyarealsodiscussed． Keywords：muhi—sensor；datafusion；algorithms；integration 0引言 根据JDL(jointdirectorsoflaboratoriesdatafusionwor— kinggroup)的定义，多传感器数据融合是一种针对单一传 感器或多传感器数据或信息的处理技术，通过数据关联、相 关和组合等方式以获得对被测环境或对象的更加精确的定 位、身份识别以及对当前态势和威胁的全面而及时的评 估“。 “数据融合”一词出现在20世纪70年代初期，当时并 未引起人们的足够重视，只是局限于军事应用方面的研 究。2o。指令控制和通信一体化(commandcontrolandcon— municationintegration，C3I)系统率先采用多传感器数据融 合技术来采集和处理战场信息并获得成功‘3o。而随着工 业系统的复杂化和智能化，数据融合近三十多年来取得了 迅速发展。如今世界各国都有学者和技术人员在开展数据 融合技术的研究，这一领域的研究内容和成果已大量出现 收稿日期：2009-07-08 {基金项目：国家“863” 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 资助项目(2008AA042207) 在各种学术会议和公开的学术期刊上“4J。近几年，我国对 数据融合方面的研究也日益重视，国家自然科学基金和 “863”计划已将其列入重点支持项目。各大学、研究机构 都在进行学术与工程应用的研究，并做了大量的基础研究 工作‘5f。 1数据融合的层次及其分类 1．．1 数据融合的层次 多传感器数据融合与经典信号处理方法之间也存在本 质的区别，其关键在于数据融合所处理的多传感器信息具 有更复杂的形式，而且，可以在不同的信息层次上出现，每 个层次代表了对数据不同程度的融合过程，这些信息抽象 层次包括数据层(像素级)、特征层和决策层’6J。相应的 数据融合也主要有数据级、特征级和决策级融合3种方 式，表l对其所属层次、主要特点、方法及应用进行了总结 归纳。 万方数据 6 传感器与微系统 第29卷 数据级融合是指在融合算法中，要求进行融合的传感 器数据间具有精确到一个像素的匹配精度的任何抽象层次 的融合；特征级融合是指从各只传感器提供的原始数据中 进行特征提取，然后，融合这些特征；决策级融合是指在融 合之前，各传感器数据源都经过变换并获得独立的身份估 计。信息根据一定准则和决策的可信度对各自传感器的属 性决策结果进行融合，最终得到整体一致的决策。7’。 1．2常用数据融合方法 多传感器数据融合涉及到多方面的理论和技术， 如，信号处理、估计理论、不确定性理论、最优化理论、模 式识别、神经网络和人工智能等。很多学者从不同角度 出发提出了多种数据融合技术 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 。图1对现有比较 常用的数据融合方法进行了归纳，主要分为经典方法和 现代方法两大类。 表1不同的信息层次上的数据融合分类 Tab1 Classificationofdatafusionmethodsatdifferentinformationlevel 图1 常用的数据融合方法 Fig1 Commondatafusionmethods 2数据融合技术的研究热点 由于各种方法之间的互补性，将2种或2种以上的算 法进行有机集成，往往可以扬长避短，取得比单纯采用一种 算法更优的结果。 2．1现代方法间的集成 2．1．1遗传算法和模糊理论相结合 遗传算法是一种并行算法，能够较好地解决多参数的 优化问题，并针对算法的特点采用某些较新的算子，如实编 码方式和对应的交叉算子与不一致变异技术的应用都保证 遗传算法具有较好的性能并节省时间。另外，遗传算法所 采用的某些算子能更好地模拟模糊关系，可以使融合达到 较高的精度。将其与模糊理论相结合可以在信息源的可靠 性、信息的冗余度、互补性以及进行融合的分级结构不确定 的情况下，以近似最优的方式对传感器数据进行融合‘5川。 因此，该方法逐渐成为目前的研究热点之一。例如：ChoiJ N等人提出一种基于分层公平竞争的并行遗传算法和信息 粒化理论的混合优化模糊推理系统¨⋯。另外，遗传模糊控 制还被用于策略问题的研究_l引。 2．1．2模糊理论和神经网络理论相结合 神经网络具有大规模并行处理能力、自学习能力和自 适应能力，其仿生特性使之能更有效地利用系统本身的信 息，并能映射任意函数关系，但缺点是知识表达比较困难， 学习速度慢。而模糊系统则采用简单的“如果⋯则⋯”规 则，但自动生成和调整隶属度函数和模糊规则是个难题¨“。 两者相结合产生的模糊神经网络可以看作是～种不依赖于 精确数学模型的函数估计器。它除具有神经网络的功能 外，还能处理模糊信息，完成模糊推理功能。模糊神经网络 的节点和参数均有明显的物理意义，初值比较容易确定，利 用学习算法可以使之很快收敛到要求的输入、输出关系，并 且，参数的学习和调整比较容易，性能优于单纯的模糊控制 和单纯的神经网络I“’”o。 模糊系统与神经网络的结合方式各种各样，目前的各 种模糊神经网络，一般可分为两类：根据模糊数计算得到的 模糊神经网络；以模糊规则的逻辑推理过程为基础而形成 薰噩嚣喜三亲蔓喜 万方数据 第3期 黄漫国，等：多传感器数据融合技术研究进展 7 的模糊神经网络。第一类模糊神经网络，其结构沿袭普通 的多层前向网络，但输入输出为模糊语言值，权值一般取模 糊数或清晰数，所以，权值调整算法是根据模糊数的计算特 点而改进的BP算法，主要用于模拟模糊规则集，进行近似 推理。第二类模糊神经网络的输入输出为精确值，一般包 括模糊化、推理和清晰化过程，此类网络由于规则表达形式 的多样性和网络模拟方法的灵活性而产生了各种结构和算 法，主要用于时间序列预测、多种信息融合等方面。1⋯。近年 来，国内外出现了大量关于模糊神经网络的研究¨””o，如用 于非线性模型的模糊神经网络混合辨识方法¨“，用一种三 层前反馈神经网络和Levenberg．Marquardt学习算法实现模 糊系统的“如果⋯则”规则。1驯等。 模糊神经网络的优势使其广泛应用于控制、模式识别、 数据融合等领域，具有很大的发展前景口””o。 2．1．3遗传算法和神经网络理论相结合 神经网络技术是模拟人类大脑而产生的一种信息处理 技术，它使用大量的简单处理单元(即神经元)处理信息，神 经元按层次结构的形式组织，每层上的神经元以加权的方 式与其他层上的神经元联接，采用并行结构和并行处理机 制，因而，网络具有很强的容错性和自学习、自组织及自适 应能力，能够模拟复杂的非线性映射‘2o。因此，大量的工程 实际应用中都将其与遗传算法结合起来使用，如用于片上 系统的智能信息处理嵋“，优化集成电路板中金属层间介电 质的参数设计【251以及处理和 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 非线性地震数据凹副等。 2．1．4遗传算法和模糊神经网络相结合 模糊神经网络和单纯的模糊控制与单纯的神经网络相 比，具有更优的性能，但仍然存在不足，因此，有研究将遗传 算法与模糊神经网络结合起来以取得更好的数据融合效 果。2⋯。例如：姜静等人先用遗传算法对模糊神经控制器进 行离线训练，然后，用BP算法对模糊神经控制器进一步在 线训练，仿真结果表明：模糊神经控制器比模糊控制器取得 了更好的控制效果悼⋯。 2．2经典方法与现代方法的结合 2．2．1模糊逻辑和Kalman滤波相结合 经典最优Kalman滤波理论对动态系统提出了严格的 要求，即当观测几何信息和动力学模型及统计信息可靠时， Kalman滤波计算性能较好。但在实践中很难满足这一条 件，在使用不精确或错误的模型和噪声统计设计Kalman滤 波器时会导致滤波结果失真，甚至使滤波发散。为了解决 此问题，产生了白适应Kalman滤波Ⅲ1。Escamilla—Ambrosio 等人提出了一种基于模糊逻辑的自适应Kalman滤波数据 融合算法，该算法使用模糊逻辑调整Q和R的值使之可以 更好地符合协方差的估计值归⋯。接着Escamilla—AmbrosioP J等人又将上述算法用来建立集中式、分布式和混合式的自 适应Kalman滤波多传感器融合算法“3“。另外，T觚iAD等 人还提出了一种可用于实时处理的自适应Kalman滤波和 模糊跟踪数据融合算法‘3⋯。 近年来，模糊Kalman滤波算法在实际中得到了非常广 泛的应用，例如：目标跟踪、图像处理以及组合导航等。 2．2．2小波变换和Kalman滤波相结合 在实际中，不同的传感器数据采集系统采集的数据具 有不同的分辨率，因而，需要解决多分辨率数据的融合技术 和方法，以便更好地利用不同分辨率数据的互补信息，达到 更佳的融合效果。Kalman滤波对非平稳信号具有较强的估 计能力，能对信号所有的频率成分同时进行处理¨⋯。同时， 小波变换具有高分辨力，对高频分量采用逐渐精细的时域 和频域步长，可以聚焦到分析对象的任意细节。因此，小波 变换与Kalman滤波结合可以取得良好的融合效果。 2．2．3模糊理论和最小二乘法相结合 最小二乘法的准则是选取x使得估计性能指标(估计 误差的平方和)达到最小。它是以误差理论为依据，在诸数 据处理方法中，误差最小，精确性最好，并在处理数据过程 中不需要知道数据的先验信息。1“。因而，刘建书等人利用 模糊理论中的相关性函数对多传感器的相互支持程度进行 计算，应用基于最小二乘原理的数据融合方法，对支持程度 高的传感器数据进行融合。仿真结果表明：相比同类融合 方法，该方法获得的结果具有更高的精度旧“。 3应用 目前，信息融合的应用领域已经从单纯军事上的应用 渗透到许多民用领域中，如，工业中的柔性制造、故障诊断 等领域，以及在医学、测量等领域中的图像分析与处理、目 标监测与跟踪、气象预报、现代制造业等许多方面∞⋯。 应用在移动机器人和遥操作机器人上，主要利用距离、 视觉、触觉、滑觉、热觉、接近觉、力与力矩等多种传感器来 实现：机器人自定位、环境建模、地图与大地(地面)模型的 建立、导航、避障或障碍物检测、路径规划或任务规划等。8o。 哈尔滨理工大学将基于Takagi—Sugeno模型的模糊神经网络 的信息融合算法应用于移动机器人的避障运动中，南洋理 工大学研究了一种自适应模糊神经鲁棒控制器，该控制器 适用于多关节机器人的运动控制¨⋯。 近年来，数据融合技术还被应用于流量测量当中，如， 对流量传感器的压力和温度补偿，油气两相流流型的辨 识。3钊以及对多相流量参数的测量。21。等。北京航空航天大 学将数据融合技术用于基于科氏效应的谐振式质量流量传 感器系统的研究中，利用压力传感器和温度传感器来进行 流量测量过程中的压力和温度补偿，消除科氏质量流量传 感器在其运行状况中受到的温度和压力因素干扰的影响。 万方数据 传感器与微系统 第29卷 4结束语 本文通过对现有的数据融合方法进行分类和归纳总 结，对一些多传感器数据融合算法集成方法的研究进展和 数据融合技术的应用情况进行阐述，为广大科研工作者在 数据融合方面进行进一步的研究提供了有益的参考和借 鉴。 数据融合技术是一门新兴的跨学科综合理论和方法， 在几十年的发展中，取得了突破性的进展，但仍然存在很多 的问题，如没有统一的定义，缺乏系统完善的基础理论等。 因此，需要针对现有的数据融合技术进行深入的系统研究。 参考文献： [1]周浩敏，钱政．智能传感技术与系统[M]．北京：北京航空航 天大学出版社，2008． [2]曲晓慧，安钢．数据融合方法综述及展望[J]．舰船电子工 程，2003(2)：2—4． [3]胡丹丹，肖书明，王燕清，等．基于多传感器的数据融合技术[J]． 东北电力学院学报，2004，24(1)：62-67． [4] 李静，贾利民．数据融合综述[J]．交通 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化，2007(9)： 192--194． [5]邓睿，胡志勇．数据融合发展的综述[J]．连云港师范高等专 科学校学报，2005(4)：76-78． [6]吴艳．多传感器数据融合算法研究[D]．西安：西安电子科 技大学，2003． [7]周芳，韩立岩．多传感器信息融合技术综述[J]．遥测遥控， 2006，27(3)：1-7． [8]祝宏，曾祥进．多传感器信息融合研究综述[J]．计算机与数 字工程，2007，35(12)：46-48． [9]姜万录，李冲祥，刘继刚．多传感器数据融合技术的现状及展 望[J]．机床与液压，2003(3)：16-19． [10]李娟，李娃，李斯娜，等．多传感器数据融合技术综述[J]． 云南大学学报，2008，30(S2)：241--246． [11]华鑫鹏，张辉宜，张岚．多传感器数据融合技术及其研究进 展[J]．中国仪器仪表，2008(5)：40-43． [12]ChoiJN，OhSK，PedryczW．Identificationoffuzzyrelationmodels usinghierarchicalfaircompetition-basedparallelgeneticalgorithms andinformationgranulation[J]．AppliedMathematicalModelling， 2009，33(6)：2791--2807． [13J ShenCY，YuKT．Ageneralizedfuzzyapproachforstrategicprob— lems：Theempiricalstudyonfacilitylocationselectionofauthors managementconsultationclientasanexample[J]．ExpertSystems withApplications，2009，36(3)：4709--4716． [14]白云飞，曲尔光．多传感器信息融合技术及其应用[J]．机械管 理开发，2008，23(1)：69--70． [15]lshibuchiH，NiiM．Numericalanalysisofthelearningoffuzzified neuralnetworksfromfuzzyif-thenrules[J]．FuzzySetsandSys- terns，2001，120(2)：281--307． [16]韩敏，孙燕楠，许士国，等．一种模糊逻辑推理神经网络的结 构及算法设计[J]．控制与决策，2006，21(4)：415-420． [17]0hsK，PedryczW，ParkHS．Hybrididentificationinfuzzy—neu- ralnetworks[J]．FuzzySetsandSystems，2003，138(2)：399— 426． [18]SunYN，HanM．Neuralnetworkforfuzzyif-thenrulesrealiza- tion[C]∥Proceedingsofthe24thChineseControlConference， Canton，China，2005：1041--1044． [19]LingYZ，XuXG，ShenLN，eta1．Multisensordatafusionme— thodbasedonfuzzyneuralnetwork[C]∥Proceedingsofthe6th IEEEInternationalConferenceonIndustrialInformatics，Daejeon， 2008：132-137． [20]ErMJ，GaoY．RobustAdaptiveControlofRobotManipulatorsu— singGeneralizedFuzzyNeuralNetworks[J]．IEEETransactions onIndustrialElectronics，2003，50(3)：620--628． [21]杨钢，王玉涛，陆增喜，等．多传感器数据融合技术在多相流 参数测量中的应用[J]．仪表技术与传感器，2005(11)：51— 53 [22]杨鹃，孙华，吴林．模糊神经网络信息融合方法在机器 人避障中的应用[J]．自动化技术与应用，2005，24(2)：22— 24． 123]CobanerM，UnalB，KisiO．Suspendedsedimentconcentrationes— timationbyanadaptiveneuro-·fuzzyandneuralnetworkapproachesU·- singhydro·meteorologicaldata[J]．JournalofHydrology，2009(367)： 52-61． [24]Abdel—Aty-ZohdyHS，EwingRL．Intelligentinformationprocess— i“gusingneuralnetworksandgeneticalgorithms[C]∥Proceed— ingsofthe43rdIEEEMidwestSymposiumonCircuitsandSys— terns，Lansing，2000：840-845， [25]ChouCJ，YuFJ，sucT．Combiningneuralnetworksandgenetic algorithmsforoptimizingtheparameterdesignofinter--metaldie- lectriclayer[c]／／Proceedingsofthe20084thInternationalCon- ferenceonWirelessCommunications，Dalian，2008：7888-7891． [26]KerhT，ChanYL．GunaratnamD．Treatmentandassessmentof nonlinearseismicdatabyageneticalgorithmbasedneuralnetwork model[J]．InternationalJournalofNonlinearSciencesandNumer． icalSimulation，2009，10(1)：45-56． [27]孙有发，陈世权，吴今培，等．一种基于模糊遗传神经网络的信 息融合技术及其应用[J]．控制与决策，2001(16)：717--720． [28]姜静，姜琳，李华德，等．基于遗传算法的模糊神经控制 器[J]．煤矿机械，2007，28(3)：129--131． [29]SmithD，SinghS．Approachestomuhisensordatafusionintarget tracking：Asurvey[J]．IEEETransactionsonKnowledgeandData Engineering，2006，18(2)：1696--1710． [30]Escamilla-AmbrosioPJ，MortN．Muhisensordatafusionarchitec— turebasedonadaptiveKalmanfiltersandfuzzylogicperformance assessment[C]／／ProceedingsoftheFifthInternationalConference onInformationFusion，Annapolis，2002：1542--1549． (下转第12页) 万方数据 12 传感器与微系统 第29卷 表2采用能耗优化机制后发送与接收ADV消息的能耗 Tab2 EnergyconsumptiontosendandreceiveADVmessages withpowerconsumptionoptimizationmechanism 3)计算不同连通度下SPIN 协议 离婚协议模板下载合伙人协议 下载渠道分销协议免费下载敬业协议下载授课协议下载 发送和接收ADV消息 的能耗如表3。 表3 SPIN协议发送与接收ADV消息的能耗 Tab3 EnergyconsumptiontosendandreceiveADV messageswitlISPINprotocol 之所以表3中发送3个结果完全一样，是因为SPIN协 议的ADV消息采用广播发送，而且，长度不随目标节点的 数量变化。而接收的结果与连通度成正比。比较SPIN协 议的结果与表2可以发现，M—SPIN协议的能耗明显减少。 5结束语 本文阐述了SPIN协议，并提出了一种改进的SPIN协 议一M—SPIN。该协议基本的运行过程与SPIN大致相同， 在SPIN基础上加入安全机制，以保证消息的完整性和正确 性，主要采用的是消息认证码(MAC)，但用户也可根据需要 选择数字签名等其他安全机制。并将广播改为多播，在 ADV消息中加入目标节点列表。对M—SPIN协议在节点的 能量消耗和安全性进行了分析，结果表明：M—SPIN协议不 仅提高了安全性，还平衡了节点的能量消耗，延长了网络的 生命周期。 参考文献： [1]裴庆祺，沈玉龙，马建峰．无线传感器网络安全技术综述[J]． 通信学报，2008，28(8)：113--122． [2]王选政，李腊元，张伟华．无线传感器网络路由协议的研究[J]． 计算机应用研究，2009，26(4)：1453-1455． [3]周贤伟，覃伯平．基于能量优化的无线传感器网络安全路由 算法[J]．电子学报，2007，35(1)：54-57． [4]KulikJ，HeinzelmanWR，BalakrishnanH．Negotiation·basedpro- tocolsfordisseminatinginformationinwirelesssensornetworks[J]． WirelessNetworks，2002，8(2)：169-185． [5] JamalN，KarakiA，KamalAE．Routingtechniquesinwireless sensornetworks：Asurvey[J]．IEEEWirelessCommunications， 2004，11(6)：6-28． [6]AkyildizI F，SuW，SanakarasuBramaniamY，eta1．Wirelesssen— sernetworks：Asurvey[J]．ComputerNetworks，2002，38(4)： 393-422． [7]LouW，KwonY．H—SPREAD：Ahybridmuhipathschemeforse— cureandreliabledatacollectioninwirelesssensornetworks『J]． IEEETransactionsonVehicularTechnology，2006，55(4)：1320— 1330． [8]CullarD，EstrinD，StrvastavaM．Overviewofsensornetwork[J]． Computer，2004，37(8)：41--49． [9]王潮，贾翔宇，林强．基于可信度的无线传感器网络安全 路由算法[J]．通信学报，2008，29(11)：105--112． [10]张文祥，马银花，郭继坤．无线传感器网络路由算法的研究[J]． 计算机测量与控制，2009，17(3)：617--619． [11]赵强利，蒋艳凰，徐明．无线传感器网络路由协议的分析与 比较[J]．计算机科学，2009，36(3)：35-41． [12]韩培培，张申，张永政．超宽带无线传感器网络性能分析[J]． 传感器与微系统，2009，28(2)：30--31，34． [13]路纲，周明天，余垫，等．无线传感器网络路由协议的寿 命分析[J]．软件学报，2009，20(2)：375--393． [14]颜振亚，郑宝玉，林志伟．无线传感器网络中机会协作传输及 其性能研究[J]．电子与信息学报，2009，31(1)：215--218． [15]庞辽军，焦李成，王育民．无线传感器网络安全路由协议的设 计与分析[J]．传感技术学报，2008，21(9)：1624--1629． [163杨光，印桂生，杨武。无线传感器网络安全路由算法的研 究与设计[J]．计算机科学，2008，35(5)：55-59． 作者简介： 邓长春(1974一)，男，四川达州人，硕士，副教授，主要从事传 感器、网络安全、数据库技术与软件开发研究。 拶扩扩护p妒妒扩妒妒妒、pp∥妒妒矿≯扩妒妒、≯≯p妒妒妒扩、p妒扩妒妒≯扩矿扩妒妒矿≯妒妒妒p、：≯- (上接第8页) [31]Escamilla-AmbrosioPJ，MortN．HybridKalmanfilter-fuzzylogic adaptivemuhisensordatafusionarchitectures[c]∥Proceedings ofthe42ndIEEEConferenceonDecisionandControl，Maui， 2003：5215--5220． [32]TaftiAD，SadatiN．NoveladaptiveKalmanfilteringandfuzzy trackfusionapproachforrealtimeapplications[C]ffProceedings ofthe3rdIEEEConferenceonIndustrialElectronicsandAppli— cation，Singapore，2008：120--125． [33]刘素一，张海霞，罗维平．基于小波变换和Kalman滤波的多 传感器数据融合[J]．微计算机信息，2006，22(1—6)：179— 181． [34]刘建书，李人厚，常宏．基于相关性函数和最小二乘的多传 感器数据融合[J]．控制与决策，2006，21(6)：714--716． [35]程利民，孔力，李新德．信息融合方法及应用研究[J]．传感 器与微系统，2007，26(3)：4—9． [36]王微微，耿艳峰，黄志尧．应用数据融合方法辨识油气两相流 流型[J]．传感技术学报，2007，20(9)：2128--2132． 作者简介： 黄漫国(1981一)，女，河南南阳人，博士研究生，研究方向为智 能化测试技术。 万方数据