一类多速率传感器动态系统的建模与估计

研究了一类时变线性动态系统的多速率多传感器数据融合状态估计问题.首先,在不同传感器以不同采样率对同一目标进行观测的情况下,提出了一种多速率建模方法,该方法可将多采样率的融合估计问题转化为同采样率的状态估计问题.随后,利用Kalman滤波对目标状态进行了在线估计,并利用有反馈分布式融合结构对上述估计进行了有机融合,从而获得了目标状态的最优融合估计值.该方法不需要对状态或观测进行扩维,计算量适当,保证了算法的实时性.以景象匹配辅助GPS/INS组合导航为例,在两种采样关系下,分别做了仿真,仿真结果验证了算法的有效性.     

基于有理数倍采样的异步数据融合算法研究

本文研究了一类具有不同采样率的分布式多传感器动态系统的数据融合问题,针对一类采样率呈有理数倍关系的动态系统,提出一种基于多源异步采样数据的新融合算法.新算法首先是将来自各个传感器的测量值在融合中心的坐标系中和时钟下进行映射统一;其次,以对目标状态下一时刻的预测值与目标在该时刻状态的估计值之差为基础,建立起描述该融合周期内各个观测点处的目标状态向量之间的动态模型;然后,以该时刻目标状态基于全局信息的估计值为条件,结合建立的新模型和传统的Kalman滤波器,利用本周期内按序到达的各传感器观测值,依次对各个观测点处目标的状态进行估计和更新;最后,在顺序得到本周期内各个观测点处目标估计值的同时,也将获得下一时刻目标状态基于全局信息的估计值或预测估计值.文中在给出新算法基本思想的同时,也较为详细地对融合算法进行了推导,并通过计算机仿真的方法,将新算法与基于时间校准的算法在估计精确度上进行了比较,从而验证了新算法的有效性.     

一类多速率动态系统的异步数据融合算法

针对不同传感器以不同采样率、异步对同一目标进行观测的一类线性时不变动态系统,给出了一种有效的状态融合估计方法.利用该方法进行状态估计,首先根据多尺度系统理论,针对每一个传感器分别建立起相应的系统模型;然后利用Kalman滤波和有反馈分布式融合结构进行数据融合并给出状态估计.该方法避免了插值以及状态和观测的扩维,具有较好的实时性.理论分析和仿真结果均表明,融合估计结果在估计误差方差最小意义下,优于最高采样率的传感器Kalman滤波的结果,融合算法是有效的.     

多传感器单模型动态系统多尺度数据融合

利用多尺度分析的思想,将基于模型的动态系统分析方法与基于统计特性的多尺度信号变换方法相结合,建立起目标状态基于多源观测信息的多尺度数据融合估计新算法,在每个尺度上获得目标状态基于全体细尺度上传感器测量信息的融合估计值,此算法可有效地应用于拥有不同采样速率的多传感器动态系统的数据融合估计.     

基于强跟踪滤波器的多传感器非线性动态系统状态与参数联合估计

本文将强跟踪滤波理论与多传感器数据融合技术相结合,提出基于强跟踪滤波器的多传感器状态与参数联合估计新算法;对拥有相同采样率的分布式多传感器单模型非线性动态系统,应用强跟踪滤波器,得到目标状态基于全局信息融合估计结果,并利用计算机仿真结果对算法的有效性进行了验证;这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题,从而丰富和发展了多源信息融合理论.     

无线传感器网络中基于多比特量化数据的滚动时域状态估计

该文基于多比特的量化策略,提出了无线传感器网络中多比特分布式滚动时域状态估计算法。每个传感器节点预先设定一个包含多个阈值的阈值簿,利用这个阈值簿将观测值量化成多比特,融合中心接收这些比特信息运用滚动时域的思想得到系统的状态估计值,与预期相同。仿真结果表明阈值簿中阈值个数越多则估计的结果会越精确。与单比特滚动时域状态估计方法相比,该方法避免了每一时刻传感器节点接收融合中心的反馈状态估计值用来设计阈值,并且在多比特信息下状态估计值的精度更高。     

非线性系统的异步多速率数据 融合估计算法研究

 研究了一类非线性时变动态系统的状态估计问题,在不同传感器以不同采样率异步对同一目标进行观测时,提出了一种有效的数据融合估计算法.通过建立多尺度模型,将异步多速率系统形式转化为同步多速率系统;在每一步分别进行状态的预测和更新.在状态和观测预测时,采用强跟踪滤波(STF)算法;在状态更新时,采用有反馈分布式结构,顺序的利用每一个传感器的观测信息去更新状态的估计;从而基于给定的非线性系统模型,得到融合所有异步、多速率传感器观测信息的状态估计结果.该方法不需要对状态或观测进行扩维,计算量适当,从而保证了算法的实时性.仿真结果验证了算法的有效性.     

单传感器多尺度状态融合估计算法

该文在离散小波变换理论和动态多尺度系统理论的基础上,建立了一种基于单传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,对Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建多尺度Kalman滤波模型,充分利用状态估计和观测数据在不同尺度上的特征进行融合估计,获得了优于单尺度Kalman滤波及已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证该算法的有效性。      

基于全局状态估计的多传感器加权数据融合算法

自学习最小二乘加权数据融合算法已被广泛地应用于融合多传感器系统中的量测信息。但是,通过深入的理论分析和实验仿真发现,自学习最小二乘加权数据融合算法在进行双传感器数据融合时具有较差的融合精度,同时该算法还具有较差的抗干扰性及稳定性。基于以上研究结果,提出了一种基于全局状态估计的多传感器加权数据融合算法,采用卡尔曼滤波的状态估计特性及相关历史信息,使得状态的估计值能够充分逼近真实值,从而使得算法具有较高的融合精度及抗干扰性。最后,Monte Carlo仿真结果显示,相比于已有算法,提出的算法在融合精度及抗干扰性方面具有明显地提高。     

基于RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。     

基于CI的雷达与通信侦察航迹融合算法研究

针对异类被动传感器中的定位跟踪问题,提出了一种基于协方差交集（CI）的雷达与通信侦察航迹融合算法。将雷达侦察设备和通信侦察设备侦收到的信息分别通过扩展卡尔曼滤波（EKF）算法得到目标的航迹,再通过CI算法将两条航迹进行融合。仿真实验结果表明,融合后的航迹具有更高的准确度。     

High-resolution direction finding: the missing data case

This paper considers the problem of estimating the direction-of-arrival (DOA) of one or more signals using an array of sensors, where some of the sensors fail to work before the measurement is completed. Methods for estimating the array output covariance matrix are discussed. In particular, the maximum-likelihood (ML) estimate of this covariance matrix and its asymptotic accuracy are derived and discussed. Different covariance matrix estimates are used for DOA estimation together with the MUSIC algorithm and with a covariance matching technique. In contrast to MUSIC, the covariance matching technique can utilize information on the estimation accuracy of the array covariance matrix, and it is demonstrated that this yields a significant performance gain     

DOA estimation for noninteger linear antenna arrays with moreuncorrelated sources than sensors

We investigate direction-of-arrival (DOA) estimation involving nonuniform linear arrays, where the sensor positions may be noninteger values expressed in half-wavelength units, with some number of uncorrelated Gaussian sources that is greater than or equal to the number of sensors. We introduce an approach whereby the (noninteger) co-array is treated as the most appropriate virtual array when considering an augmented covariance matrix. Since such virtual arrays have an incomplete set of covariance lags, we discuss various completion philosophies to fill in the missing elements of the associated partially specified Hermitian covariance matrix. This process is followed by the application of an algorithm that searches for a specific number of plane wavefronts, yielding the minimum fitting error for the specified covariance lags in the neighborhood of the completion-initialized DOA estimates. In this way, we are able to resolve possible ambiguity and to achieve asymptotically optimal estimation accuracy. Numerical simulations of DOA estimation demonstrate a close proximity to the Cramer-Rao bound     

基于UKF的单站无源定位与跟踪算法

单站无源定位与跟踪系统观测方程的非线性性决定了定位与跟踪中必须采用非线性滤波技术.MGEKF等非线性滤波方法本质上都属于扩展卡尔曼滤波算法,都存在由于线性化误差而导致滤波器稳定性差等问题.基于unscented变换的UKF算法不存在线性化误差,具有更好的稳定性,但由于协方差估计不足,导致收敛速度较慢.该文基于UKF算法提出了一种迭代UKF(IUKF)算法,通过对状态和协方差的迭代估计,改善了UKF协方差估计不足的问题.仿真结果表明在不同的参数测量精度条件下,IUKF算法既保持了较好的稳定性又提高了算法的跟踪精度和收敛速度.     

Maximum likelihood estimation and Cramer-Rao bounds for directionof arrival parameters of a large sensor array

A maximum likelihood (ML) method is developed for estimation of direction of arrival (DOA) and associated parameters of narrowband signals based on the Taylor's series expansion of the inverse of the data covariance matrix R for large M, M specifying number of sensors in the array. The stochastic ML criterion function can thus be simplified resulting in a computationally efficient algorithm for DOA estimation. The more important result is the derivation of asymptotic (large M) expressions for the Cramer-Rao lower bound (CRB) on the covariance matrix of all unknown DOA angles for the general D source case. The derived bound is expressed explicitly as a function of snapshots, signal-to-noise ratio (SNR), sensors, separation, and correlation between signal sources. Using the condition of positive definiteness of the Fisher information matrix a resolution criterion is proposed which gives a tight lower limit on the minimum resolvable angle     

基于交互式联邦多模型的多传感器融合算法

针对多传感器机动目标跟踪过程中的航迹滤波发散问题,提出了一种将联邦滤波器与交互式多模型滤波算法（IMM）相结合的交互式联邦多模型融合算法IFMM.在IFMM算法中各传感器均具有相同的滤波模型集合,各传感器在同一模型下所产生的滤波结果先采用联邦滤波算法进行融合,然后采用IMM算法对各模型融合结果进行综合,产生目标状态的全局估计.仿真结果表明,IFMM有效提高了机动目标运动状态估计的精确度和稳定性.     

双通道接收机空间谱估计中的理论实现

介绍了双通道接收机在空间谱估计技术中的实现方法,其是在单通道接收机空间谱估计测向理论的基础上发展而来。同时给出了一种易于实现的权微扰方法来获得阵列的协方差矩阵,并通过结合MUSIC算法进行了计算机模拟仿真。通过实验证明,该理论方法可正确和有效地估计信号的波达方向。     

多传感器异步数据融合算法

由于传感器的采样速率和通信延迟,传感器的不同步问题大大降低了多传感器系统数据融合的精度。研究多传感器异步融合比同步数据融合更为迫切。该文利用误差协方差阵的迹最小准则建立了多传感器异步融合模型,给出了具有普遍意义的多传感器异步融合模型,弥补了目前多传感器异步数据融合仅限于两两传感器的局限性,并从理论上对多传感器异步融合的性能进行了分析。仿真结果表明该异步融合模型是有效的,能够对多传感器的异步数据进行优化处理,并且优于单一传感器的性能。     

Reversible jump MCMC for joint detection and estimation of sourcesin colored noise

This paper presents a novel Bayesian solution to the difficult problem of joint detection and estimation of sources impinging on a single array of sensors in spatially colored noise with arbitrary covariance structure. Robustness to the noise covariance structure is achieved by integrating out the unknown covariance matrix in an appropriate posterior distribution. The proposed procedure uses the reversible jump Markov chain Monte Carlo (MCMC) method to extract the desired model order and direction-of-arrival parameters. We show that the determination of model order is consistent, provided a particular hyperparameter is within a specified range. Simulation results support the effectiveness of the method