基于异质多传感器的网络分布数据融合的一种算法

针对多异质传感器数据融合能够实现信息互补,改善目标跟踪精度,提出了一种异质多传感器异步量测融合算法,即首先将量测方程线性化,再在砷合中心通过建立伪量测方程,得到同步的量测数据,然后利用噪声相关的伪序贯思想进行融合处理得到全局估计,与现有算法进行仿真比较,结果表明了该算法的有效性。     

基于自适应变结构信息滤波的目标跟踪算法

目前目标跟踪算法采用的交互多模型,大多是通过固定模型之间的切换来完成目标跟踪,这容易出现模型集与目标真实运动不匹配问题,降低目标跟踪的精度。同时,现在大部分观测平台都能提供多传感器量测,这要求跟踪算法能对不同量测信息进行高效数据融合。针对上述问题,提出一种基于自适应变结构多模型和信息滤波的跟踪算法,它由少量模型构成模型集,通过在线更新模型集参数以自适应目标真实运动,采用无迹卡尔曼信息滤波融合多传感器量测信息,实现对目标的跟踪。仿真结果表明,该算法可以有效融合多传感器量测信息,自适应匹配目标真实运动,实现对目标稳定的高精度跟踪。     

基于模糊推理的多传感器数据融合方法

针对多传感器目标跟踪系统可能出现的传感器漏检现象,提出了一种基于模糊推理的消除漏检现象影响的方法。该算法根据各传感器的量测变化,及时调整参与融合的各传感器量测的数目及其加权系数,保证量测融合值的有效性。通过对两个传感器进行数据融合和目标跟踪的仿真表明,该算法是一种简单有效,有工程应用前景的数据处理算法。该方法同样适用于多于两个传感器的多传感器融合系统。     

基于多传感器不完全量测下的机动目标跟踪算法

针对传感器探测概率小于1的不完全量测情况下的非机动目标跟踪问题,提出一种基于多传感器不完全量测下的扩展Kalman滤波算法。首先,利用残差检测的野值剔除方法,确定目标状态估计过程中传感器是否接收到正确的量测数据;其次,基于每个传感器的量测数据,在不完全量测下采用改进的扩展卡尔曼滤波算法分别对目标运动状态进行估计;进而结合多传感器最优加权融合方法求解基于多传感器观测数据的状态估计;最后,将算法应用到光电跟踪系统中。仿真实验得到不完全量测下传感器探测概率对滤波效果的影响,验证了算法的有效性,其跟踪精度接近完全量测下的状态估计精度。     

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。     

一种基于点迹重构的异步序贯航迹融合算法

针对异步航迹融合问题,提出了一种基于伪点迹异步序贯航迹融合算法,伪点迹由局部估计结果重构形成,从而无需对局部估计间的相关误差进行处理。同时,对重构的异步伪量测数据情况采用序贯处理方式,这种串行合并式数据处理过程,不但避免了对异步数据进行时间校正的麻烦,反而利用了异步数据增加了多传感器系统的总体数据率,提高了多传感器系统对目标的跟踪精度。并用仿真结果证明了该算法的有效性。     

高度机动目标的异步多传感器偏差估计算法*

异步多传感器偏差估计问题是数据融合系统中的常见问题.在已有算法中,由于忽略了伪量测方程中的加速度项,在高度机动目标条件下的偏差估计可能是有偏的,为此提出了一种针对高度机动目标的异步多传感器偏差估计算法.该算法在构造伪量测差分矢量时通过反求最适的伪量测同步时刻,可以建立无加速度项的伪量测方程,并通过Kalman滤波对系统...     

基于贝叶斯理论框架的传感器选择算法

针对大规模传感器网络(Large-scale sensor networks)的目标跟踪问题, 本文在贝叶斯(Bayes)框架下, 提出了一种全新的基于传感器选择的多传感器目标跟踪算法.算法的具体思路为:首先基于Bayes框架, 根据不同的管理目标, 推导出传感器选择的目标函数; 然后根据目标函数, 计算出相应的传感器选择方案; 最后将选择的传感器进行数据融合, 求得传感器网络的目标跟踪结果.相比传统的基于量测野值点剔除思想的目标跟踪算法以及基于系统偏差估计的传感器配准算法, 本文提出的基于传感器选择的多传感器目标跟踪算法不仅目标跟踪精度更高, 且跟踪性能更稳定.同时本文提出的传感器选择算法还可以适用于杂波数目较少的目标跟踪场景.仿真结果说明了本文所提算法的有效性.     

具有形状信息的多传感器群目标跟踪算法

针对多传感器环境下具有形状信息的扩展/群目标跟踪问题,提出了两种融合算法,即高斯逆韦氏并行PHD滤波算法和高斯逆韦氏序贯PHD滤波算法。新算法分别结合并行滤波和序贯滤波算法思想,能够对扩展/群目标的质心状态进行跟踪,对形状进行有效估计。高斯逆韦氏并行PHD滤波算法将各个传感器产生的量测集合并到一个量测集中,统一对量测集进行划分。在滤波更新阶段,对划分后的量测集进行扩维,从而在形式上将多传感器环境下的跟踪问题转化为单传感器环境下的跟踪问题。高斯逆韦氏序贯PHD滤波算法则先对各个传感器产生的量测集依次进行划分,再依次对每一个划分后的量测集进行滤波,从而达到融合多个传感器量测的目的。仿真结果表明该算法的可行性和有效性。     

多声传感器异步融合算法

声探测定位技术是利用声传感器接收特定声波信号以确定声源的一种无源定位技术,它具有隐蔽性好、不易受干扰等优点.本文研究了仅能提供方位角信息的异步多声传感器无源探测系统数据融合问题,提出了一种适用于声传感器的在线估计可变周期融合算法.该算法首先采用伪线性算法,将非线性量测方程线性化;然后通过采用参数在线估计和基于运动模型向前追溯确保时间同步的方法,解决了目标跟踪时信号传输时延和传感器异步的问题.通过Monte Carlo仿真表明,在参数在线估计中,步长选取适当时,该算法可以满足声探测系统的精度要求,并且具有收敛快、精度高、稳定的特点.     

多传感器异步航迹融合算法与仿真

针对分布式多传感器数据融合系统,提出了一种多传感器异步航迹融合算法。由于不同传感器的采样时间各不相同,融合算法首先利用最小二乘法将局部航迹统一到融合中心的融合时间点,然后利用多传感器自适应航迹融合算法,将局部航迹进行融合,得到系统航迹。仿真结果表明该算法能够较好的解决异步航迹的融合问题,以较小的计算量达到了接近加权协方差(WCF)算法的融合精度。     

多传感器噪声方差未知情况下的异步航迹融合

针对分布式多传感器数据融合系统,提出了一种多传感器异步航迹融合算法。现有的多传感器信息融合算法大都基于Kalman滤波器,要求噪声方差已知,并且假定各传感器同步采样,不考虑通信延迟。本文在分布式处理的模式下,基于各传感器在扩展记忆因子递推最小平方(EFRLS)估计形成本地航迹的基础上,提出了一种融合误差均方差矩阵的迹最小意义下的异步目标航迹融合算法。仿真实验结果表明,这种融合算法是有效的,算法接近集中式融合算法的精度。     

基于反馈结构的多传感器自适应航迹融合算法

在分布式多传感器信息融合系统中，自适应融合算法通过预先设定两个距离测度。然后将它们与逻辑判决树中的阈值进行比较来选择不同的融合算法，达到适应系统特性的不断变化，平衡精度与计算量之间矛盾的目的；反馈结构可用来提高局部节点的跟踪性能，进而提高全局航迹的融合精度．综合上述两种方法，提出一种新的基于反馈结构的多传感器自适应航迹融合算法，并在传感器异步的情况下讨论了其具体的计算过程．仿真结果表明该算法以较小的计算量达到了近似加权协方差算法（WCF）的融合精度．     

基于强跟踪滤波和反馈综合的多传感器分布式航迹融合

研究基于强跟踪滤波和反馈综合相结合的多传感器分布式航迹融合算法.首先,以反馈 前后形成的跟踪门的交集构造有效跟踪门.然后,将强跟踪卡尔曼滤波和概率数据关联算法相结 合.利用构造的有效跟踪门,提出了一种新的多传感器分布式航迹融合算法.最后,对原有算法和 所提算法进行了仿真研究.     

一种机动目标跟踪的异步航迹融合算法

为实现机动目标跟踪,提出一种异步序贯航迹融合算法。融合中心包含匀速和匀加速2种融合模型,均通过信息去相关方法实现序贯航迹融合,并利用调整过程噪声的方法抑制融合发散。对匀加速融合模型的加速度估计进行显著性检验,实现机动检测。当检测到机动时输出匀加速融合模型的结果,反之输出匀速融合模型的结果。仿真结果表明,该算法能实现对机动目标的稳定跟踪,具有较高的跟踪精度。     

基于多传感器信息融合的目标跟踪与防撞决策

为了实现汽车主动安全系统中的目标跟踪与防撞,提出了混合式汽车防撞系统信息融合结构模型,采用分级信息融合实现目标跟踪,推导出了基于跟踪残留误差和预测残留误差共同校正的融合算法,并给出了算法的实现结构.在此基础之上,利用模糊积分方法融合多种相关信息,确定了汽车应采用的安全运行模式,实现了主动安全防撞决策.大量实验表明,该算法具有很好的稳定性和准确率.     

基于聚类融合的多目标跟踪算法

多目标跟踪是多传感器数据融合中的一个重要问题。基于模式识别理论 ,提出了一种通过对传感器测量数据集类 ,以区分源于不同目标的测量数据集合。对各个类对应的目标状态估计进行融合 ,从而实现了对多目标的实时跟踪。这种算法聚数据关联、数据融合和目标跟踪于一体 ,大大降低了多目标跟踪问题的复杂性和计算量。实际数据实验充分表明了本算法的有效性。     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

基于模糊逻辑应用于反馈结构的多传感器航迹融合的研究

在分布式多传感器信息融合系统中,反馈结构可用来提高局部节点的跟踪性能,进而提高全局航迹的融合精度.模糊逻辑应用于对多个航迹的位置偏差、速度偏差和加速度偏差进行模糊化、模糊逻辑推理及去模糊等,提出了关于模糊逻辑应用于反馈结构的多传感器航迹融合的方法.     

基于模糊逻辑应用于反馈结构的多传感器航迹融合的研究

在分布式多传感器信息融合系统中,反馈结构可用来提高局部节点的跟踪性能,进而提高全局航迹的融合精度.模糊逻辑应用于对多个航迹的位置偏差、速度偏差和加速度偏差进行模糊化、模糊逻辑推理及去模糊等,提出了关于模糊逻辑应用于反馈结构的多传感器航迹融合的方法.