测量方差自学习加权下的多传感器融合算法

分析了测量方差预先设定对多传感器融合算法中加权系数的分配和状态估计的不利影响;提出了一种测量方差自学习的多传感器加权和滤波算法.该滤波算法能够充分利用传感器每次量测带来的新信息进一步优化测量方差, 同时依据优化后测量方差合理地分配权系数和改进状态估计, 提高了对状态估计的精度.最后通过仿真计算验证了该算法的有效性.     

测量方差自学习加权下的多传感器数据融合算法

分析了测量方差预先设定对于多传感器融合算法中加权系数分配和状态估计的不利影响，提出了一种测量方差自学习的多传感器加权和滤波算法。该滤波算法能够充分利用传感器每次量测带来新的信息进一步优化测量方差，同时依据优化后测量方差合理地分配权系数和改进状态估计，提高了对状态估计的精度。最后通过仿真计算验证了该算法的有效性。     

测距成像一体化引信信息融合方法

为了提高防空导弹引信的起爆控制精度,即得到更为准确的起爆延迟时间,提出了一种基于粒子滤波的红外成像导引头以及激光测距仪测量数据的一体化信息融合方法。在对多模信息进行处理时,由于不同传感器的开机时间和采样频率的不同造成了两传感器的测量数据不在同一个时间基准上,所以,选择在典型弹目交会的环境下,针对激光测距仪的高频采样与红外导引头的低频采样,使用了一种基于线性插值法的量测数据的时间对准方法,从而将传感器测量所得数据应用到延迟时间模型的计算中去。在该模型的基础上,提出了一种基于粒子滤波的一体化传感器集中式数据滤波算法,并通过与传统扩展卡尔曼滤波算法的对比仿真实验得到:在该信息融合方法下,得到的探测角、方位角测量精度均有较大提高,起爆延迟时间的精度因此也得到了提高,从而验证了论文中所提数据融合方法的有效性。     

制导引信一体化信息融合技术

为了提高制导导弹引信的起爆控制精度,得到更为准确的起爆延迟时间,提出了一种基于红外导引头、激光测距仪测量数据的一体化信息融合方法.在多模信息处理时,不同传感器的开机时间、采样频率不同以及观测数据存在时间差造成了两台传感器测量数据不在同一个时间基准上,故而在典型弹目交会环境下给出了一种基于内插外推的时间对准方法,从而将传感器测量所得数据应用于延迟时间模型计算中.在该模型的基础上,提出了一种基于改进粒子滤波的一体化传感器集中式数据滤波算法.与传统扩展卡尔曼滤波算法的对比仿真实验结果表明:在该方法下,探测角精度提高了80.45％,方位角测量精度提高了78.61％,从而提高了一体化引信的起爆控制精度.     

改进的粒子滤波算法

针对标准粒子滤波算法重采样后粒子多样性丧失问题,提出一种在粒子补偿的基础上,利用预测值与观测值的方差进行粒子重采样的改进粒子滤波算法。该算法是在标准粒子滤波算法的基础上,加入粒子补偿的步骤,然后利用预测值与观测值的方差在权值较高的粒子周围进行重采样来改善标准粒子滤波算法中粒子多样性丧失问题。实验结果表明:在相同条件下,改进粒子滤波算法比标准粒子滤波算法具有更小的平均均方误差(RMSE)和更高的目标跟踪精度,数据表明,其目标跟踪精确度提高30%以上。     

粒子滤波算法在多传感器测量中的应用

目标跟踪是粒子滤波算法在处理非线性问题的一种典型应用,但由于在线处理能力或传输条件的限制,实际应用中往往无法对多个传感器数据同时处理。据此,给出了一种基于多传感器选优的粒子滤波算法。假设每个时刻可以处理一个测量数据,该算法先采用加权的概率密度函数来评价每个传感器获得的测量值,并用粒子滤波对概率密度函数的加权进行实时更新,基于最大熵标准来选取最优测量数据进行处理。同时,最大熵标准保证了最优似然函数分布最宽,从而缓解粒子衰竭问题。通过数值仿真实验证明,该算法可以选择最优观测数据进行处理,有效降低多传感器测量中粒子滤波在线实时处理性能的要求,也较好地缓解了粒子滤波的"衰竭"问题。     

基于扩展H_∞滤波自适应误差配准算法

提出了基于扩展的H∞滤波和地心坐标系的自适应多传感器误差配准方法,该方法采用地心坐标系来消除地球曲率对配准算法的影响,采用扩展的H∞滤波来消除状态模型和量测模型噪声方差的不准确对配准算法的影响,该方法能够解决多传感器异步数据的误差配准问题,并且状态方程和量测方程的噪声可以是非高斯的,并采用修正的基于BLUE的量测转换方法对修正后的传感器的量测进行滤波.仿真试验表明,该算法能有效地估计时变的传感器误差,即使在运动方程和量测方程的噪声方差不准确的情况下,也能得到满意的配准结果.     

基于分批估计的自适应加权数据融合算法

针对多传感器数据融合问题,文中提出了一种基于分批估计的自适应加权数据融合算法。该算法采用时间序列和空间序列对采集的数据分批求其方差,利用数据一致性检测对噪点进行剔除,进而得到自适应因子。随后采用自适应加权法对数据进行融合,得到预测值。文中模拟物联网数据进行仿真实验。结果表明,在处理数据时运用分批估计的自适应加权多传感器数据融合技术,能够提高传感器测量的精确度和系统的可靠性,基于分批估计的自适应加权平均法比传统自适应方法的均方根误差减少了10%,精度提高了2.3%。     

基于权衡因子的联邦滤波信息分配系数研究

组合导航系统的融合算法普遍采用运行速度快、实时性强、计算量小的联邦滤波算法。针对该算法中当前的信息分配原则无法同时兼顾系统滤波精度及容错性的缺陷,采用了一种基于权衡因子的自适应信息分配方法。通过各子系统的误差协方差及量测噪声方差分别计算出能够提高系统滤波精度和容错性的信息分配系数,将各子系统的故障概率归一化得出该子系统的权衡因子,并在权衡因子的作用下自适应调节上述两种信息分配系数所占的比重,达到同时兼顾系统滤波精度和容错性的目的。仿真结果表明该方法能够减小系统的融合误差,保证系统的工作性能及融合精度。     

基于Metropolis-Hastings采样的多传感器集合卡尔曼滤波算法

集合卡尔曼滤波是近年来发展起来的一种处理非线性系统估计的有效解决方法.针对标准集合卡尔曼滤波实现过程中,量测噪声不确定导致自举量测采样出现一致性偏差问题,提出了一种基于Metropolis-Hastings采样的多传感器集合卡尔曼滤波算法.首先,结合多传感器量测系统的物理特性和集合卡尔曼滤波中自举量测生成机理,构建多传感器条件下自举量测集合.其次,通过对多传感器自举量测似然度求解以及在量测接受概率函数合理设计基础上,利用Metropolis-Hastings采样策略实现有效量测的确认.新算法通过对多传感器量测中冗余和互补信息的提取与利用实现对一致性偏差的修正,进一步改善被估计系统状态的滤波精度.理论分析和仿真实验结果验证了算法的可行性和有效性.     

李世忠，王国宏，吴 巍，苏少涛

在强对抗条件下雷达/红外双模复合制导跟踪中,雷达采用间歇工作方式可以减少敌方导弹拦截概率和电子支援措施锁定概率。文中在导弹复合制导跟踪中提出了一种雷达间歇工作下的雷达与红外序贯滤波融合算法,该算法针对雷达、红外量测时间不一致的特点,采用顺序处理结构的多传感器集中式融合方法对目标进行跟踪,在跟踪中使用了基于交互多模型和扩展卡尔曼(IMM-EKF)的序贯滤波方法,利用滤波过程中的状态估计协方差与测量误差方差进行比较控制雷达间歇工作。该算法可以自动适应雷达间歇工作,不需要在单/双传感器跟踪模式之间切换,最后通过仿真的方法分析了传感器数据率和雷达间歇工作对跟踪精度的影响。     

容积信息粒子多传感器融合算法

为提高多传感器融合的精确度,提出一种容积信息粒子多传感器融合算法。算法将容积信息滤波(CIF)和粒子滤波(PF)结合一起,采用CIF传递PF的粒子,通过引入信息贡献向量和信息贡献矩阵,将多个传感器的量测信息更新到PF的粒子中,提高粒子与真实状态后验概率分布的逼近程度,改进多传感器融合精确度。同时将CIF估计值作为粒子,消除随机扰动对融合的影响,提高粒子有效度,进一步提高融合精确度。仿真与实验表明,算法能够有效处理集中式多传感器融合问题,具有较高的滤波精确度。     

MIMU／GPS组合导航模糊自适应卡尔曼滤波研究

针对组合导航初始对准中存在模型误差时常规卡尔曼滤波容易发散的问题,提出了一种模糊自适应卡尔曼滤波算法。该算法采用模糊控制规则,根据新息的方差和均值变化自适应调整量测噪声权值矩阵。此算法运用于MIMU/GPS组合导航初始对准中,获得了较高的导航精度。仿真结果表明,该算法能够有效防止滤波发散,减少模型误差对滤波结果的影响,提高了滤波精度,实现了参数的在线调整。     

Reliable guaranteed variance filtering against sensor failures

This paper presents a solution to a reliable filtering problem with error variance specifications for both continuous- and discrete-time systems. The filtering error variance in the sensor failure cases is guaranteed to be less than a given upper bound while the performance in the nominal case is optimized. A convergent iterative algorithm based on linear matrix inequality (LMI) is given to obtain the solution. The algorithm solves the problem without introducing additional conservativeness, and it is shown to get better performance and be less conservative compared with traditional LMI approaches. A numerical example is given to show the advantages of our approach over existing techniques.     

基于改进粒子滤波的PSK信号时延和码元联合估计算法

提出了一种基于自适应重采样的粒子滤波算法用于对PSK信号的时间延迟进行估计,可以消除由于状态噪声方差设置过小而产生不准确的后验概率分布和设置过大引起的估计误差增大的问题.同时,考虑已有算法无法实现较小时间延迟准确估计的问题,提出了一种码元正向与反向检测相结合的算法,可实现一个码元周期内任意时间延迟的准确估计.另外,对载频偏差进行精确估计并补偿.仿真结果表明这种新方法与原算法相比能够实现更精确的时间延迟估计与更低码元检测误码率     

Robust filtering under randomly varying sensor delay with variance constraints

This paper deals with a new filtering problem for linear uncertain discrete-time stochastic systems with randomly varying sensor delay. The norm-bounded parameter uncertainties enter into the system matrix of the state space model. The system measurements are subject to randomly varying sensor delays, which often occur in information transmissions through networks. The problem addressed is the design of a linear filter such that, for all admissible parameter uncertainties and all probabilistic sensor delays, the error state of the filtering process is mean square bounded, and the steady-state variance of the estimation error for each state is not more than the individual prescribed upper bound. We show that the filtering problem under consideration can effectively be solved if there are positive definite solutions to a couple of algebraic Riccati-like inequalities or linear matrix inequalities. We also characterize the set of desired robust filters in terms of some free parameters. An illustrative numerical example is used to demonstrate the usefulness and flexibility of the proposed design approach.     

A distributed minimum variance estimator for sensor networks

A distributed estimation algorithm for sensor networks is proposed. A noisy time-varying signal is jointly tracked by a network of sensor nodes, in which each node computes its estimate as a weighted sum of its own and its neighbors' measurements and estimates. The weights are adaptively updated to minimize the variance of the estimation error. Both estimation and the parameter optimization is distributed; no central coordination of the nodes is required. An upper bound of the error variance in each node is derived. This bound decreases with the number of neighboring nodes. The estimation properties of the algorithm are illustrated via computer simulations, which are intended to compare our estimator performance with distributed schemes that were proposed previously in the literature. The results of the paper allow to trading-off communication constraints, computing efforts and estimation quality for a class of distributed filtering problems.     

多传感器自主跟踪中的数据融合方法

为了提高光电跟踪系统的稳定性和自主跟踪能力,对多传感器数据融合算法和数据的有效性估计进行研究,提出一种多传感器自主跟踪算法。首先按照统计学方法,实时估计各传感器数据的误差协方差。然后按照均方误差最小准则,对各路数据进行融合。将最小二乘多项式拟合法和记忆衰减因子应用到误差协方差估计中,提高了融合结果的可信度。最后,提出一种多传感器跟踪数据切换策略,自动选择有效传感器数据中置信度最高、跟踪效果最优的一路数据,从而实现自主稳定跟踪的目的。实验结果表明,使用改进后的数据融合算法比原始方法的最终传感器选择结果正确率提高37.5%左右。在几种典型的传感器数据异常情况下,该数据融合算法和多路数据切换策略能够完成自主跟踪的目的。     

基于数据融合理论的多传感器几何定位算法

为解决多部(3部及以上)2D传感器网络对三维空间目标的定位估计和定位精度问题,克服地球曲率对观测模型的影响,建立了考虑实际地球曲率的等效地球模型和传感器观测模型,提出了此模型中基于二次数据融合的多传感器组网几何定位算法,该方法将几何定位与数据融合理论相结合,并对融合数据进行二次融合,充分利用了各传感器的量测数据。仿真实验证明了方法的有效性和实用性,在多部2D传感器组网的情况下可对三维空间内目标实现精确定位,定位误差趋近于克拉美-罗下界(CRLB),具有工程实用价值。