Information Regularized Sensor Fusion: Application to Localization With Distributed Motion Sensors

We propose the information regularization principle for fusing information from sets of identical sensors observing a target phenomenon. The principle basically proposes an importance-weighting scheme for each sensor measurement based on the mutual information based pairwise statistical similarity matrix between sensors. The principle is applied to maximum likelihood estimation and particle filter based state estimation. A demonstration of the proposed regularization scheme in centralized data fusion of dense motion detector networks for target tracking is provided. Simulations confirm that the introduction of information regularization significantly improves localization accuracy of both maximum likelihood and particle filter approaches compared to their baseline implementations. Outlier detection and sensor failure detection capabilities, as well as possible extensions of the principle to decentralized sensor fusion with communication constraints are briefly discussed.

Position‐based adaptive quantization for target location estimation in wireless sensor networks using one‐bit data

The problem of target location estimation in a wireless sensor network is considered, where due to the bandwidth and power constraints, each sensor only transmits one‐bit information to its fusion center. To improve the performance of estimation, a position‐based adaptive quantization scheme for target location estimation in wireless sensor networks is proposed to make a good choice of quantizer' thresholds. By the proposed scheme, each sensor node dynamically adjusts its quantization threshold according to a kind of position‐based information sequences and then sends its one‐bit quantized version of the original observation to a fusion center. The signal intensity received at local sensors is modeled as an isotropic signal intensity attenuation model. The position‐based maximum likelihood estimator as well as its corresponding position‐based Cramér–Rao lower bound are derived. Numerical results show that the position‐based maximum likelihood estimator is more accurate than the classical fixed‐quantization maximum likelihood estimator and the position‐based Cramér–Rao lower bound is less than its fixed‐quantization Cramér‐Rao lower bound. Copyright © 2015 John Wiley & Sons, Ltd.     

基于多传感器粒子权重优化的序贯最大似然比故障诊断算法

针对多传感器量测下非线性系统故障诊断问题,给 出了一种基于多传感器粒子权重优化的序贯最大似然 比检验——故障诊断(SMLR-MWOPF)算法。首先,为改善量测随机噪声对粒子权重度量稳定 性不良影响,结合多源信息融合技术实现 对多传感器量测中冗余和互补信息的提取和利用,设计一种粒子权重优化策略;通过减小粒 子权重方差以改善粒 子权重的可靠性和稳定性,进而实现滤波器估计精度的提升。其次,结合序贯概率比检验(S PRT)和交互式多模型(IMM)框架构 建了一种基于残差检测的在线序贯最大似然比检验方法;另外,在结构上合理简化输入交互 和输出交互环节,以 降低粒子滤波(PF)在IMM模型结构实现中的计算复杂度。理论分析和仿真实验验证了算法的 可行性和有效性。     

基于容积卡尔曼滤波的异质多传感器融合算法

针对机动目标跟踪系统建模中的非线性问题,提出一种基于容积卡尔曼滤波(CKF)的雷达与红外传感器融合算法。考虑到被估计系统对目标跟踪算法实时性与精度的要求,在容积滤波框架下构建了集中式量测融合(CMF)和分布式状态融合(DSF)两种结构形式。CMF结构采用最优加权方法,首先对雷达和红外两种异类传感器的方位角度量测信息进行融合,并将其与融合后的雷达径向距量测构建新的量测数据,进而通过CKF算法对机动目标进行跟踪。DSF结构则首先对雷达量测中径向距信息进行加权融合,并将融合结果作为红外传感器的虚拟径向距量测,以实现红外量测的扩维处理,进而对每组量测数据应用CKF进行分布式并行加权融合,获得目标运动状态的最终估计。仿真场景中,对两种融合方法的性能进行比较,理论分析与仿真实验验证了算法的可行性与有效性。     

Augmented consensus filter for simultaneous localization and tracking with limited sense range

In this paper, we investigate how to exploit distributed average consensus fusion for conducting simultaneous localization and tracking (SLAT) by using wireless sensor networks. To this end, we commence by establishing a limited sense range (LSR) nonlinear system that characterizes the coupling of target state and sensor localization with respect to each sensor. We then employ an augmented extended Kalman filter to estimate the sensor and target states of our system. Furthermore, we adopt a consensus filtering scheme which fuses the information from neighboring sensors. We thus obtain a two-stage distributed filtering framework that not only obtains updated sensor locations trough augment filtering but also provides an accurate target state estimate in consensus filtering. Additionally, our framework is computationally efficient because it only requires neighboring sensor communications. The simulation results reveal that the proposed filtering framework is much more robust than traditional information fusion methods in limited ranging conditions.     

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。     

基于多传感器的弱小目标检测与跟踪方法

弱小目标检测与跟踪是一个具有挑战性的研究课题,传统的数据处理方法主要是基于单传感器的备类检测前跟踪算法,其中由粒子滤波实现的算法因其稳健性高、适用范围广,受到了越来越多的关注。本文正是试图将该类算法推广应用于多传感器的目标检测与跟踪,以提高系统对弱小目标的检测概率与跟踪精度。仿真试验验证了所提方法的有效性。     

基于数据链和光电传感器的融合跟踪

数据链是战争中信息互通、资源共享的生命线,研究了基于数据链和光电传感器的融合跟踪方法。根据数据链和光电传感器数据的不同特点,对数据链数据应用改进的交互式当前统计模型滤波外推算法进行时间配准,并根据光电传感器测量角度信息的非线性应用交互式卷积粒子(IMM-CPF)滤波算法进行融合跟踪。使用IMM-CPF和IMM-EKF算法对融合跟踪进行对比仿真,仿真结果表明,使用IMM-CPF算法的数据链和光电传感器的信息融合对目标的跟踪达到了很好的效果。     

粒子滤波算法在远程打击系统中的应用

为了适应现代战争的需要,提高远程打击系统的精确打击能力至关重要.将粒子滤波与EM算法等其他算法相结合,从给定的数据中,提取状态信息的最优估计值,对于提高远程打击系统的精确性、快速性和实时性有非常重要的现实意义和理论意义.首先给出了粒子滤波算法的原理和仿真应用,然后分析了粒子滤波在目标状态信息的估计、信号检测、目标识别跟...     

基于粒子群优化和M-H采样粒子滤波的传感器网络目标跟踪方法

针对实际应用条件下传感器节点的观测数据与目标动态参数间呈现为非线性关系的特性,提出了一种基于粒子群优化和M-H抽样粒子滤波的传感器网络目标跟踪方法。该方法采用分布式结构,在动态网络拓扑结构下,由粒子群优化和M-H抽样技术实现滤波中的重抽样过程,抑制粒子退化现象,并通过粒子间共享历史信息,降低单个粒子历史状态间的相关性使各粒子能快速收敛至最优分布,从而实现高精度的目标跟踪效果。仿真结果表明,相比现有的基于信息粒子滤波和并行粒子滤波技术的传感器网络目标跟踪方法,所提出的方法能降低网络总能耗,同时保证目标跟踪的精度。     

基于复似然比的粒子滤波改进算法

针对低信噪比微弱目标的实时检测与跟踪问题,提出了基于复似然比的粒子滤波改进算法。该算法弥补了传统粒子滤波利用幅度似然比计算粒子权重而忽略相位信息的缺陷,推导了基于复似然比的粒子权重表达式,从而更好地利用了目标原始信息。同时,基于幅度似然比的权重计算需要多次进行贝塞尔函数运算,而基于复似然比的权重计算只需进行一次贝塞尔函数运算,可以有效降低计算复杂度。仿真结果表明：改进算法不仅在检测与跟踪性能上优于传统粒子滤波算法,所需计算时间也明显降低。     

基于格拉布斯准则和改进粒子滤波算法的水下传感网目标跟踪

水下无线传感网络(UWSN)执行目标跟踪时,因为各个传感器节点测量值对目标状态估计的贡献不一样以及节点能量有限,所以探索一种好的节点融合权重方法和节点规划机制能够获得更好的跟踪性能。针对上述问题,该文提出一种基于Grubbs准则和互信息熵加权融合的分布式粒子滤波(PF)目标跟踪算法(GMIEW)。首先利用Grubbs准则对传感器节点所获得的信息进行分析检验,去除干扰信息和错误信息。其次,在粒子滤波的重要性权值计算的过程中,引入动态加权因子,采用传感器节点的测量值与目标状态之间的互信息熵,来反映传感器节点提供的目标信息量,从而获得各个节点相应的加权因子。最后,采用3维场景下的簇-树型网络拓扑结构,跟踪监测区域内的目标。实验结果显示,该算法可有效提高水下传感器网络测量数据对目标跟踪预测的准确度,降低跟踪误差。     

分布式传感器多目标跟踪改进算法

利用分布式传感器网络进行目标跟踪,能够有效增加传感器的覆盖范围,提高对运动目标的检测和跟踪能力,但如何充分利用相邻传感器之间的信息进行有效的融合,仍然是一个难点问题。本文在多伯努利滤波框架下,提出了一种改进的分布式融合跟踪算法用于目标数未知且变化的多目标跟踪。提出算法包含三种精度提升策略,即特征级融合反馈、决策级融合输出及交互反馈;其中,决策级融合输出策略可以提取更加准确的估计状态,特征级融合反馈策略可以降低错误融合结果对后续滤波过程的不良影响,交互反馈策略可以避免单传感器因漏检而导致的滤波失败。实验结果表明,提出算法的跟踪精度明显要优于传统的基于GCI分布式融合算法以及粒子多伯努利跟踪算法,具有较好的跟踪性能。      

基于RPF的异构传感器检测前跟踪算法研究

针对异类传感器信息差异化、标准粒子滤波在检测与跟踪时存在的粒子贫乏等问题,提出了基于RPF的异类传感器检测前跟踪算法.由于标准粒子滤波器容易产生粒子贫乏,无法对检测空间进行有效搜索检测,因此,引入RPF滤波器解决粒子滤波器重采样时的粒子贫乏问题,并在保证跟踪精度的前提下确保跟踪与搜索粒子数目不变;同时利用粒子空间分布特点,通过空间变换的手段实现粒子空间转换与配准,以此实现异类传感器在概率空间的一致表示.对该算法进行仿真,仿真实验结果表明异类跟踪算法优于单一传感器的检测与跟踪性能.     

基于稀疏贝叶斯正则化的阵列SAR高分辨三维成像算法

阵列合成孔径雷达(Linear Array Synthetic Aperture Radar, LASAR) 3维成像技术是一种具有重要潜在应用价值的雷达成像新体制,但受线阵天线及平台尺寸限制,传统匹配滤波成像算法难以实现LASAR高分辨3维成像。该文利用LASAR回波信号及观测目标的先验分布特性,提出了一种基于快速稀疏贝叶斯正则化重构的LASAR高分辨3维成像算法。该算法先结合贝叶斯估计准则及最大似然估计原理,构造LASAR目标重构的稀疏贝叶斯最小化代价函数;再利用迭代正则化方法求解联合范数最优化问题实现LASAR稀疏目标高分辨3维成像。另外,针对稀疏贝叶斯正则化成像运算量大的问题,结合位置预测快速成像思路,利用阈值分割算法对稀疏粗成像进行强目标提取,进而提升算法运算效率。仿真数据和实测数据验证了该文算法的有效性。      

Distributed fusion architectures and algorithms for target tracking

Modern surveillance systems often utilize multiple physically distributed sensors of different types to provide complementary and overlapping coverage on targets. In order to generate target tracks and estimates, the sensor data need to be fused. While a centralized processing approach is theoretically optimal, there are significant advantages in distributing the fusion operations over multiple processing nodes. This paper discusses architectures for distributed fusion, whereby each node processes the data from its own set of sensors and communicates with other nodes to improve on the estimates, The information graph is introduced as a way of modeling information flow in distributed fusion systems and for developing algorithms. Fusion for target tracking involves two main operations: estimation and association. Distributed estimation algorithms based on the information graph are presented for arbitrary fusion architectures and related to linear and nonlinear distributed estimation results. The distributed data association problem is discussed in terms of track-to-track association likelihoods. Distributed versions of two popular tracking approaches (joint probabilistic data association and multiple hypothesis tracking) are then presented, and examples of applications are given.     

基于激光信息和射频识别的运动轨迹跟踪研究

为提高运动轨迹跟踪精度,设计了基于激光信息和射频识别的运动轨迹跟踪方法,首先将射频识别阅读器与激光传感器采集数据进行速度估算处理,并利用加权因子对激光传感器估算速度进行平滑处理,然后通过相似度对比方法匹配激光传感器与射频识别阅读器获取的运动目标速度,采用粒子滤波算法融合激光传感器与射频传感器获取的运动目标速度,通过粒子滤波的预测、更新与重采样三个阶段实现准确的运动目标轨迹跟踪,最后实验结果表明,该方法对目标的运动轨迹跟踪精确度高达99%。     

机载传感器时间间隔优化管理算法

提出了一种机载传感器目标探测时间间隔优化管理方法.该方法考虑目标状态估计精度,采用交互多模型滤波算法进行传感器量测信息滤波,进而实时计算传感器目标探测跟踪的信息矩阵.在此基础上,搜索计算传感器在一定探测目标精度下的探测最佳间隔时间,实现机载传感器探测资源的有效配置和管理.进行了该传感器时间间隔优化管理算法的仿真研究,结...     

NLOS error mitigation with information fusion algorithm for UWB ranging systems

This article puts forward a scalar weighting information fusion (IF) smoother with modified biased Kalman filter (BKF)and maximum likelihood estimation (MLE) to mitigate the ranging errors in ultra wid...