基于选择融合的任意步滞后无序量测滤波算法

在目标跟踪系统中,由于传感器具有不同的预处理时间与采样速率,以及信道固有的随机通信延迟,传感器量测数据可能出现无序到达融合中心的现象,即无序量测问题。在系统工作过程中,通常有多个无序量测相继或同时出现。为此,将多无序量测情形进行分类,基于选择融合提出任意步滞后无序量测滤波算法。利用基于对数似然比的假设检验筛选出需要处理的无序量测。在前向预测框架内,根据无序量测最优滤波过程,采用融入等价量测的信息滤波方法对目标状态估计与误差协方差矩阵进行更新。仿真结果验证了算法的精确性与有效性。     

粒子滤波的噪声相关下单步延迟无序量测更新算法

在目标跟踪系统中,因通信延迟等原因会出现传感器量测无序地到达融合中心的现象,将这些量测称为无序量测(OOSM).针对过程噪声、量测噪声相关的非线性系统中出现的无序量测问题,在现有算法基础上,提出了一种可处理单步延迟无序量测的新算法.在前向预测滤波框架下,对系统方程去相关化,并利用粒子滤波(PF)进行状态估计.仿真结果验证了算法的有效性.     

含无序量测的多传感器信息融合算法研究

由于通信时间的延迟性,在多传感器系统中常常会出现无序量测情况.为提高估计的精度,系统须对无序量测进行处理,状态更新法是处理无序量测问题的一种有效方法.对于多传感器信息融合问题,给出了一种处理无序量测的状态估计更新算法.仿真计算表明该算法能有效的提高融合估计的精度.     

无序量测问题研究综述

无序量测（OoSM）是多传感器融合系统亟需解决的不可回避的问题.在总结相关文献基础上,对OoSM进行了分类,从单步延时OoSM滤波、多步延时OoSM滤波、多个OoSM滤波、非线性非高斯条件OoSM粒子滤波算法、杂波/机动目标条件OoSM跟踪算法等方面,按照由简单到复杂的研究路线综述了国外开展的相关研究,并对未来研究方向进行了探讨与展望.     

无序量测的状态更新估计算法

实际中,过程噪声和测量噪声都来自同一个噪声源,即二者是相关的.文章采用直接状态更新法,讨论了无序量测的状态估计,给出了过程噪声和测量噪声相关情形下的一步延迟量测的最优状态更新估计算法,并通过计算机仿真验证了算法的有效性和可行性.     

顺序更新式无序量测处理算法

在集中式多传感器目标跟踪系统中,常出现源自同一目标的量测到达处理中心时的乱序现象,即无序量测问题。本文借鉴等价量测与重新滤波法的思想,提出一种基于等价量测的顺序更新式无序量测处理算法。该算法用等价量测来代替重新滤波法中需要缓存的量测序列,然后从无序量测处开始用无序量测和等价量测进行顺序更新。通过理论分析和仿真实验证明:该算法在处理一步延迟时是最优的,在处理多步延迟时,接近最优;且该算法有较高的滤波精度和较小的额外存储量。     

加权融合法处理无序量测问题

针对集中式多传感器目标跟踪系统中存在的无序量测问题,基于协方差加权融合的思想,在融合估计误差协方差矩阵迹最小意义下,建立了基于最优融合的多步延迟无序量测更新算法。该算法先将无序量测配准到最新状态估计的时刻,将其与之进行协方差加权融合。为进行无序量测与各传感器量测噪声相关性的计算,引入了等效量测。通过理论分析和仿真实验说明该算法能有效处理无序量测多延迟问题,其性能接近最优且随延迟步数增加性能下降非常小,而且有与最优的数据缓存法相同的滤波精度,以及较小的额外存储量。     

网络化无序量测融合方法综述

传感器网络环境下的融合系统在进行信息采集、传输和处理的过程中,将不可避免的受到网络约束,如节点信息的相关性,信息传输的延迟无序性等。延迟的随机性必然使得有序采样的信息到达融合中心时呈现无序的现象,而信息的无序将导致传统基于有序到达的Kalman滤波算法无法直接有效的应用于无序信息系统。然而,现有的基于传统Kalman滤波框架下的无序量测更新算法的研究复杂性相当高,其推导过程和最后的算法公式也都比较复杂,所以,开展新型框架下的融合算法显得非常迫切,也是当前亟待解决的问题。本文较详细的介绍了当前国内外网络环境下无序量测融合算法的研究现状以及存在的问题,并在此基础上提出了进一步研究的方向以及未来的发展趋势。     

无序量测滤波更新算法综述

各种传感器的广泛应用促进了多传感器信息融合问题的研究.由于不同类型的传感器具有不同的采样率、预处理时间以及数据通信延迟,导致出现多个传感器量测无序到达融合中心的现象.对此,综述了在国外主要文献上发表的无序量测更新算法,并对进一步的研究方向提出了建议.     

基于UT变换的单步滞后无序量测算法

针对滞后无序量测((OOSM)的单步滞后滤波问题,在现有算法的基础上,推导非线性单步滞后无序量测更新方程.提出用UT变换来计算其中涉及到的状态向量以及相关量测之间的协方差,从而有效解决了状态转移方程为线性而量测方程为非线性的非线性Gauss系统的单步滞后OOSM问题.然后,针对多传感器单步滞后OOSM情况,给出了基于U...     

一般相关噪声下多传感器平滑融合算法

针对单目标跟踪中多传感器平滑融合算法估计精度问题, 提出了具有一般相关过程噪声与量测噪声时的离散线性系统新的平滑融合估计算法. 该算法通过将给定区间内全部量测进行集中式扩维, 并对误差传递进行分析, 从而精确地给出误差间的相关性, 在线性无偏最小方差意义下对系统状态进行递推估计. 与不考虑相关性以及仅考虑部分相关性的卡尔曼平滑融合算法相比, 新的固定区间平滑融合算法在噪声的高斯分布假设下具有明显的优越性, 且其跟踪性能随噪声相关性增强而优越性明显, 而固定延迟平滑融合算法是次优的. 仿真实验进一步验证了本文算法在一般相关噪声环境下的优越性.     

多个相关测量的融合算法及其最优性

将不相关测量融合算法推广到了相关测量的融合．对两种方法进行了比较：第一种是先用本文提出的融合算法将多个相关测量进行融合，然后将融合后的测量用于Kalman滤波；第二种是直接将多个相关的测量用于Kalman滤波．理论分析证明两种方法是等价的，因而也证明了本文融合方法的最优性．仿真结果表明了理论分析的正确性．     

相关观测融合稳态Kalman滤波器及其最优性

对于带相关观测噪声和带不同观测阵的多传感器系统, 用加权最小二乘 (Weighted least squares, WLS) 法提出了两种相关观测融合稳态Kalman滤波算法. 其原理是用加权局部观测方程得到一个融合观测方程, 它伴随状态方程实现观测融合稳态Kalman滤波. 用信息滤波器证明了它们功能等价于集中式融合稳态Kalman滤波算法, 因而具有渐近全局最优性, 且可减少计算负担. 它们可应用于多通道自回归滑动平均 (Autoregressive moving average, ARMA) 信号观测融合滤波和反卷积. 两个数值仿真例子验证了它们的功能等价性.     

相关观测融合Kalman估值器及其全局最优性

对于带相关观测噪声和带不同观测阵的多传感器线性离散时变随机控制系统, 用加权最小二乘法(WLS)提出了两种加权观测融合Kalman估值器, 它们包括状态滤波、状态预报和状态平滑. 基于信息滤波器形式下的Kalman滤波器, 证明了在相同初值下, 它们在数值上恒等于相应的集中式观测融合Kalman估值器, 因而具有全局最优性. 但是它们可明显减轻计算负担. 数值仿真例子验证了它们在功能上等价于集中式观测融合Kalman估值器.     

基于量化新息的容积粒子滤波融合目标跟踪算法

针对现有非线性网络化目标跟踪融合算法存在的精度低和实用性差等不足,以一类带有噪声相关的非线性网络化目标跟踪系统为对象,研究基于测量新息量化策略和容积粒子滤波（Cubature particle filter,CPF）的目标跟踪融合算法. 首先,利用状态方程恒等变换和矩阵相似变换理论解除过程噪声与测量噪声以及测量噪声之间的相关性;其次,各个传感器节点采用自适应策略量化局部测量新息并将其发送到融合中心（Fusion center,FC）;随后,在集中式融合框架下采用容积粒子滤波器设计基于测量值扩维的量化融合跟踪算法,进而给出相应的顺序滤波量化融合算法,上述算法可有效解决因自适应量化引起的非高斯问题;最后,通过两个计算机仿真实验验证了所提出跟踪算法的有效性.     

一种非合作目标的多传感器量化融合跟踪方法

针对非合作目标跟踪问题,为解决无线传感器网络有限带宽和相关噪声造成的精度影响,在集中式融合框架下提出了三种基于量化信息的目标跟踪算法.首先,局部传感器节点采用自适应的量化策略将观测值量化成消息,并发送到融合中心;然后,融合中心利用状态方程恒等变换和Cholesky分解技术解除任意噪声的相关性;最后,引入强跟踪滤波技术、矩阵求逆引理和顺序滤波技术设计融合方法.几个仿真实验表明,三种新方法的估计精度完全等价,新算法还具备应对目标状态突变等不确定因素的能力,增强了算法的鲁棒性.     

Critical Issues on Kalman Filter with Colored and Correlated System Noises

The Kalman filtering (KF) is optimal under the assumption that both process and observation noises are independent white Gaussian noise. However, this assumption is not always satisfied in real‐world navigation campaigns. In this paper, two types of KF methods are investigated, i.e. augmented KF (AKF) and the second moment information based KF (SMIKF) with colored system noises, including process and observation noises. As a popular noise‐whitening method, the principle of AKF is briefly reviewed for dealing with the colored system noises. The SMIKF method is developed for the colored and correlated system noises, which directly compensates for the covariance through stochastic model in the sense of minimum mean square error. To accurately implement the SMIKF, a refined SMIKF is further derived regarding the continuous‐time dynamic model rather than the discrete one. The computational burdens of the proposed SMIKF along with representative methods are analyzed and compared. The simulation results demonstrate the performances of proposed methods.     

加权多分辨率图像融合的快速算法

快速、可靠的融合算法是图像融合技术实用化的关键,因此具有良好融合效果的快速融合算法的研究显得尤为重要。传统的加权多分辨率图像融合方法能够产生良好的融合效果,但是其计算复杂度却不能令人满意,为了降低算法的复杂度,基于定义的相关信号强度比,提出了一种加权多分辨率图像融合的快速算法。同传统加权多分辨率图像融合方法相比,算法具有较低的计算复杂度。实验结果表明,该算法同传统加权多分辨率图像融合方法一样,能够产生良好的融合效果。     

基于支持向量机的多传感器信息融合算法

支持向量机(Support Vector Machine,SVM)是一种基于结构风险最小化原理,具有很高泛化性能的学习算法。针对工业多传感器测控系统中,被测系数与相关参数之间存在有较大的非线性和模糊关系,提出了一种基于支持SVM的多传感器信息融合模型及算法。为小样本、非线性、高维数一类多传感器信息融合问题的建模提供了一种有效的途径。通过对“纸张水份在线测量系统”应用表明,基于SVM的多传感器信息融合模型及算法在测量精度和推广性能上都具有一定的优越性。     

离散线性一致性算法噪声问题研究

多智能体一致性问题在传感网、社交网、协同控制等诸多领域有着广泛的实际应用背景, 本文对离散线性一致性算法的噪声问题进行了研究, 证明了离散线性 一致性算法的噪声不可控性; 提出基于抑噪算子ε(t)的噪声控制策略, 指出当ε(t)为t-0.5的高阶无穷小时, 抑噪后的一致性算法噪声可控; 分析了抑噪算子对一致性 算法收敛性的影响, 证明了在无噪声条件下, 当抑噪算子ε(t为t-1的低阶无穷小时, 抑噪后的一致性算法依然可以使Agent收敛至原收敛状态x*.在上述结论基础上进一步指出, 当t→∞ 时, 若抑噪算子ε(t)的阶在t-0.5~t-1之间, 所有Agent 的状态将以原收敛状态x* 为中心呈正态分布. 最后, 以DHA 为例对相应理论结果进行了验证和讨论. 本文为线性一致性算法的噪声控制提供了理论依据, 对抑噪算s子的确定有较强的指导意义.