基于EM算法的非高斯噪声参数估计

EM算法是一种从＂不完全数据＂中求解模型参数的极大似然估计的方法,在非高斯噪声的参数估计问题中是一种比较优秀的算法。非高斯噪声的参数估计问题的主要困难是充分统计量是不存在的,这意味着从观测空间到估计空间的映射依赖于这里试图估计的参数。在未知噪声概率密度的情况下,EM算法可以更准确地对非高斯噪声参数进行估计,估计方差接近C-R下界。     

基于EM-EKF的异类传感器系统误差配准算法

期望最大算法(EM算法)是参数估计中一种很重要的方法,在处理不完全数据中有重要应用。针对异类传感器误差配准过程中的未知参数,采用EM与EKF相结合的算法进行多传感器误差配准与航迹融合。该算法通过使似然函数的期望最大化,简化了似然函数的优化估计,EKF滤波和平滑过程实现了更加准确的期望估计,迭代算法可以有效地实现异类传感器的误差配准,使估计的系统误差收敛到似然函数的局部最优解,仿真结果显示了该算法的有效性。。     

非线性非高斯模型的改进粒子滤波算法

针对被动定位跟踪系统非线性强、传统跟踪滤波方法收敛速度慢且容易发散的问题,给出了一种用于纯方位目标跟踪的改进粒子滤波算法。该算法首先用有限的高斯混合模型来近似后验状态密度;其次针对随机噪声对粒子权值准确性的影响,给出了改进的变权平均似然函数。根据χ2检验,对每个粒子权值的更新,采取由多次观测值计算粒子似然函数并对其求变权平均和单一观测值求似然函数相结合的方式进行,既减小随机观测噪声对权值的影响也提高了算法实时性;最后利用基于退火机制的Aitken加速EM算法（A-DAEM）取代传统粒子滤波的再采样过程,克服了EM算法容易陷入局部最值的缺点,改善了粒子枯竭的问题。仿真实验结果表明该算法与变权平均似然函数粒子滤波（PF-ALDP）和基于EM的高斯混合粒子滤波(EM-GMPF)相比,具有高精度估计能力和较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。      

一种基于多模板的超宽带信道估计算法

该文针对码片率抽头间隔的脉冲超宽带(IR-UWB)系统离散信道,提出一种基于帧(frame)级采样速率的多模板信道估计算法。在该算法中引入了若干个复合信道参数,每个复合信道参数都是几个独立信道参数的线性组合。利用极大似然准则和从多个模板中获得的帧级采样数据,可以先获得所有复合信道参数的极大似然估计值。然后联合由不同模板得到的复合信道参数估计值,得到每个独立的信道参数的极大似然估计。通过仿真,验证了该方法的可行性。     

基于无线传感器网络的声目标定位算法研究

在建立声音能量模型基础上实现了基于极大似然估计的声目标定位。由于极大似然估计算法是一个有偏估计,而且容易受到参数扰动的影响,这两个不足影响了其定位精度的稳定性。因此,提出了基于最优化极大似然估计的目标定位算法。仿真实验结果表明,与一些存在的定位算法相比,此算法在传感器节点数目不同时,都能得到更高的定位精度。     

基于独立混合模型的EM算法参数初始化实现方法

隐马尔科夫树( Hidden Markov Tree, HMT )的状态不能被观测到,只能观测到另一个与状态有联系的量,通过观测量估计HMT模型参数是一个不完全数据参数估计问题。期望最大化( Expectation Maximization, EM )算法是一种求参数极大似然估计的迭代算法,可以用于解决不完全数据参数估计问题,因此被广泛应用于HMT模型的参数估计中。当初始参数偏离真实参数较大时,EM算法迭代次数多,收敛速度慢,通过一个计算量不大的参数初始化处理,能够有效减少EM算法的迭代次数,加快收敛速度。本文提出了一种基于独立混合模型的参数初始化方法,详细介绍了该方法的实现过程,通过采用独立混合模型进行参数初始化,使得EM算法的迭代次数明显减少,收敛速度大大提高。最后,计算机仿真验证了该方法的可行性和有效性。      

改进高斯混合粒子滤波被动目标跟踪算法

针对被动传感器跟踪系统非线性较强问题,提出了一种基于改进高斯混合粒子滤波的被动传感器目标跟踪算法。该算法基于Sigma点卡曼滤波和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。然后结合遗传算法和EM算法来实现模型的降阶,克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在被动传感器跟踪领域,与传统粒子滤波、基于EM的高斯混合粒子滤波和基于贪心EM的高斯混合粒子滤波相比,该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。     

毫米波/红外成像系统中的精确极大似然误差估计算法

为精确估计毫米波雷达/红外成像复合系统中传感器的系统误差,提出了一种基于无偏转换测量的精确极大似然(UCM-EML)误差估计算法.根据极坐标系下的测量噪声建立误差估计模型,据此推导似然函数和准则函数,采用高斯-牛顿迭代法进行准则函数的优化.仿真实验结果表明,UCM-EML算法在误差估计精度和收敛速度上都优于精确极大似然估计算法和修正的精确极大似然算法.     

DVB-T系统中信号的迭代检测方法

针对多径信道环境下的DVB-T系统,给出了数学期望最大(EM)算法迭代检测发送信号的方法,初始信道的频率响应采用最大似然(ML)和最小均方误差(MMSE)方法进行估计.由于该方法需要知道信道的统计特性,因此还给出了信道协方差矩阵和当前噪声功率的估计方法.仿真结果表明,利用估计的信道统计信息,系统的性能可以接近理想信道的性能.     

基于极大似然的联合多传感器配准与融合

传感器配准和多源融合是多传感器多目标跟踪系统中面临的两个重要问题。多传感器融合的精度一定程度上与传感器固有系统误差相关,为提高融合精度,需要进行多传感器配准。在多传感器多目标跟踪场景下,文中根据传感器量测噪声特性,通过公式推导实现了一种基于极大似然的联合多传感器配准与融合算法。该算法可同时在采样时刻间对传感器系统偏差和目标融合位置进行估计,并对传感器系统误差进行时间递推。仿真结果表明,文中算法具有较高的估计精度,可同时解决多传感器的配准与融合问题。     

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...     

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.     

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.     

基于多种群并行遗传算法的融合定位

多观测系统融合定位可以提高对目标位置的估计精确度,但如何提高信息融合效率目前没有得到较好的解决。针对此问题,提出一种基于多种群协同进化的分布式并行遗传算法。该算法将子观测系统转变为多个独立并行进化的子种群,通过设定离散适应度函数,使子种群收敛于一个最优值区域,通过个体的迁移操作为目标种群提供更多的测量信息进行融合,有效提高融合估计精确度。仿真结果表明,对比于集中式融合遗传算法和分布式并行Chan融合算法,本文所提算法信息融合效果较好,定位精确度更高。     

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。     

基于航迹隶属度的分布式系统数据融合算法

航迹关联与航迹融合是分布式目标跟踪系统数据融合的关键.本文研究了基于航迹隶属度的数据融合算法.综合各传感器航迹估计形成的目标运动状态特征向量与传感器分辨率,根据模糊聚类算法建立各观测时刻航迹隶属度矩阵与系统航迹关联决策矩阵,解决融合中心航迹关联问题.根据加权融合算法思想,结合各观测时刻航迹隶属度矩阵,实时、动态分配航迹号集合中各局部航迹权值,解决目标航迹融合问题.蒙特卡罗仿真表明,算法航迹关联效果明显优于加权航迹关联算法,并得到与简单航迹融合算法一致的目标融合航迹.     

An indicator kriging method for distributed estimation in wireless sensor networks

The problem of distributed estimation in a wireless sensor network with unknown observation noise distribution is investigated, where each sensor only sends quantized data to a fusion center. The sensing field is modeled as a spatially random field. The objective was to accurately estimate a hidden parameter at the location where no sensor exists, while minimizing the total energy consumption. Driven by the lack of a prior knowledge of the sensing field and the existence of some outliers, an indicator kriging estimator is developed for distributed estimation under imperfect communication channels between the sensors and the fusion center. The tradeoff between estimation performance and energy consumption is formulated as an optimization problem, and a global search algorithm is proposed to approximate the solution. The results show that the proposed indicator kriging estimator achieves better performance than the inverse distance estimator and the simple averaging estimator. Moreover, the proposed search algorithm can schedule the sensors to reach the tradeoff. Copyright © 2012 John Wiley & Sons, Ltd.     

容积卡尔曼一致滤波

针对卡尔曼一致滤波的应用受限于被估计系统需 满足线性条件的问题,通过容积卡尔曼滤波(CKF)和一致性策 略的动态结合,提出一种容积卡尔曼一致滤波(CKCF)算法。算法采用分布式融合机制, 传感器节点采集可通信相邻 节点的信息,并作为自身节点的量测信息应用于CKF,获取局部状态估计 值。在此基础上,利用一 致性策略实现对整个量测系统中传感器节点局部估计值的优化,进而通过增强传感器节点估 计值一致性实现目标 状态估计精度的提升。相对于标准卡尔曼一致滤波,本文算法将一致性策略推广到非线性系 统估计领域。理论分析 与仿真实验验证了算法的可行性与有效性。     

多光电跟踪设备异步序贯分布式目标跟踪算法

针对多光电跟踪设备组网后出现的异步测量问题，提出了一种异步分布式序贯目标跟踪算法。该算法由局部滤波器和融合滤波器构成，先利用状态转换方法，将多光电跟踪设备节点及其邻节点的异步测量对齐到融合时刻，得到拟测量方程。随后，利用射影原理对拟测量方程和目标运动状态方程构成的目标跟踪系统，提出异步序贯局部滤波器来计算较为精确的局部滤波值。再以协方差交叉算法为基础，提出基于扩散策略的融合滤波器，对局部估计值进行融合计算，来提高目标跟踪精度，并降低组网后各光电跟踪设备节点融合估计值的差异程度。最后对所提出的算法进行了仿真实验，以验证其有效性。     

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。