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.     

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.     

一类多速率多传感器系统的状态融合估计算法

基于不同传感器以不同采样率对同一目标状态进行观测的多传感器单模型动态系统,该文提出了一种状态融合估计算法。不同传感器之间采样率之比可以是正有理数。该算法不仅具有好的实时性,而且在线性最小方差意义下是最优的。进一步可以证明:融合多个传感器获得的最高采样率下状态的估计值优于单传感器的估计结果,而减少任何一个传感器的信息所获得的估计值的误差协方差都将增大。仿真结果验证了算法的可行性与有效性。     

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.     

一种基于分步式滤波的数据融合算法

本文提出了一种基于分步式滤波的多传感器动态系统数据融合算法.在由多传感器组成的分布式动态系统中,当对目标状态的所有观测值到来时,首先基于系统先前信息对该时刻目标状态进行预测估计,利用Kalman滤波器和各局部观测值依次对该时刻目标状态的估计值进行更新,从而得到该时刻目标状态基于全局信息的融合估计值.文中详细推证了融合算法的具体形式,并与传统的集中式数据融合算法在计算复杂度上进行了比较,计算机仿真表明该算法与传统的集中式算法对目标状态具有相同的估计精确度.     

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。      

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.     

一种基于异步数据融合的传感器管理方法

针对多传感器系统存在观测数据过多,数据融合中心处理负担过重的问题,在引入一种基于传感器观测数据序贯处理的最优异步融合算法的基础上,提出一种基于目标协方差控制的传感器选择算法对异步观测数据进行优化组合,从而实现以最小的计算量达到所要求的目标状态估计精度。最后的仿真结果证明了该算法的有效性和可行性。     

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.     

多传感器多尺度图像信息融合算法

在已获得对同一目标场景的多个传感器观测图像的情况下,本文建立了一种基于概率模型的多尺度图像信息融合算法.其基本思想是:首先对每个传感器图像分别进行小波包多尺度分解变换,建立基于该传感器图像的塔式结构子图像集,并且在每个尺度上得到基于每个子图像像素的概率模型;然后在每个尺度上的对应像素处,基于来自不同传感器图像的多个对应像素值,利用最小二乘规则对多尺度概率模型中的参数进行估计;再后是根据贝叶斯规则对该像素处的像素值进行融合估计;最后通过利用小波包多尺度逆变换,获得目标场景基于多个传感器图像的融合估计结果.应用该算法我们对获得的可见光和红外两种传感器图像进行计算机仿真实验,结果表明,与相关的方法相比新算法更有效.     

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。     

Multi-layer track fusion algorithm based on supporting degree matrix

The random noises of multi-sensor and the environment make observations uncertain and correlative, so the performance of fusion algorithms is reduced by using observations directly. To solve this problem, a multi-layer track fusion algorithm based on supporting degree matrix is proposed. Combined with the track fusion algorithm based on filtering step by step, it uses multi-sensor observations to establish supporting degree matrix and realize multi-layer fusion. Simulation results show its estimation precision is higher than the original algorithm and is increased by 20% around. Therefore, it solves the problem of target tracking further in the distributed track fusion system.     

Decentralized Optimal Fusion Filtering for Multi-Sensor Multi-Delay Singular Systems

The optimal fusion problem for the state estimation of discrete-time multi-sensor multi-delay stochastic singular systems is considered. The key idea is to convert a multi-sensor stochastic singular system into a group of nonsingular systems. Applying projection theory, the state estimation and estimating error variance for each local nonsingular subsystem are derived. After obtaining the estimating error cross-covariance between local subsystems, and using the optimal fusion algorithm in the linear minimum variance sense, a fusion filter for the original singular system is derived. A simulation example shows that the fusion filter is better than each local filter.     

基于EM算法的极大似然分布式量化估计融合新方法

该文针对水下目标探测中的多传感器分布式量化估计融合问题,建立了分布式量化估计融合模型,在考虑信道噪声且其统计特性不完全已知条件下,充分利用EM算法在观测数据缺失时参数估计的优越性,提出了一种基于期望极大化(EM)算法的极大似然分布式量化估计融合新方法。该方法将未知的水声信道噪声参数以及局部量化器量化概率建模为EM算法中二元高斯混合模型参数,利用极大似然估计方法的估计不变性得到目标参数的估计融合结果。仿真实验表明:该方法在局部传感器观测样本数目大于5000和信噪比大于6 dB时与已有理想信道条件下的估计方法性能相当,该方法为水下目标探测中分布式量化估计融合系统的工程实现提供了理论依据。     

机载雷达红外传感器集中式融合与管理

提出一种机载多传感器集中式序贯融合与管理的方法.传统扩展卡尔曼滤波融合算法滤波精度不高,因此先利用雷达传感器的量测,采用修正扩展卡尔曼滤波算法对目标状态进行估计,再把估计值作为红外传感器的预测值进行序贯融合.在此基础上采用分辨力增益的方法对传感器进行管理.仿真结果表明该方法能够提高对目标的跟踪精度,增强跟踪系统对环境变化的适应能力.     

异步多基地雷达分布式批估计方法研究

在实际应用中,由于初始偏差、采样速率不同等原因,系统量测一般也非同步。多基地雷达数据通常面临异步数据融合问题。为了解决该问题,该文按照批处理的思路,联合一段时间内的多个异步数据对同一目标状态进行估计,并基于最优贝叶斯估计原理,提出了一种新的批估计数据融合准则;然后,依据该准则推导出了一种解析的分布式批估计方法;最后,针对非线性非高斯场景,提出了一套完备的粒子滤波实现方案。仿真结果表明,文中提出的方法相比现有方法具有跟踪精度高,计算量小等优点。     

基于EKF的MMW/IR空中机动目标融合跟踪仿真

针对毫米波雷达/红外传感器(MMW/IR)复合制导空中机动目标融合跟踪问题,分别在集中式、分布式结构基础之上研究了基于扩展卡尔曼滤波(EKF)的集中式、分布式融合算法,并提出了评估算法性能的指标.通过仿真,比较分析了两种融合方式下空中机动目标状态的估计误差,对所提出的算法的跟踪性能进行了验证,为MMW/IR复合制导空中...     

基于互信息的多传感器最优布设方法研究

在目标跟踪系统中，一个核心的问题是如何根据传感器的量测数据准确估计目标的运动状态。传统的滤波估计算法仅是对量测数据的优化处理，但量测数据才是决定目标跟踪系统性能的基础。量测数据的优劣不仅取决于传感器的性能，也取决于传感器与目标的相对位置。本文针对纯方位量测传感器，以互信息为效能函数，推导了一个基于互信息最大化的多传感器最优布设方法，有效提高了目标估计的精度，并通过仿真证明了理论分析的正确性。