广义离散系统多传感器信息融合Kalman 滤波器

考虑了广义离散随机线性系统的多传感器信息融合状态估计问题．在广义系统无脉冲的假设条件下。通过等价变换将其转化为正常系统．应用经典Kalman滤波方法，在线性最小方差信息融合准则下，提出了按矩阵加权的广义系统多传感器信息融合稳态Kalman状态滤波器．仿真结果说明了算法的有效性。     

可在线配置结构的多源融合位姿估计框架

针对组合导航系统中,融合算法结构难以在线进行配置的问题,基于误差状态扩展卡尔曼滤波器（ ES-EKF）和标准观测模型库,提出一种不依赖特定平台、可在线配置结构的多源融合估计框架,赋予组合导航系统动态变更信息源融合方式的能力。对多种导航子系统的输出信息进行分类和建模,建立一个不依赖于特定传感器和平台的标准观测模型库。设计一种算法结构的表示规则,将算法结构映射为融合模式,实现信息源和变量的灵活选择。基于该融合估计框架,设计并实现了一个惯性测量单元／磁力计／编码器／相机／激光雷达组合导航系统。最后,在野外数据集上进行了多种测试,该系统能够通过人工静态地或自主动态地变更融合模式灵活配置融合算法的结构,且定位精度优于 robot-localization 算法。试验结果表明,该框架可有效地实现多源融合估计、可在线地配置融合结构。     

求解频率分配问题的自适应的多种群蚁群算法

提出一种自适应的多种群蚁群算法用于求解频率分配问题．算法将蚂蚁群体划分为若干个子群体，每个子群体的蚂蚁并行地进行优化．在寻优过程中，算法为每个蚂蚁子群体定义一个收敛系数，根据收敛系数来决定子群体内部的路径的选择和信息量的更新．算法同时根据各个子群体的解的质量和分布情况来自适应地决定信息交流策略，包括选择信息交流的对象和调节信息交流的周期以及信息更新策略，以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡．对固定频率分配和最小跨度频率分配问题在并行计算机上的实验结果表明，本文算法不仅具有较快的全局收敛速度，而且有高质量的解和高的效率．     

一种优化的贝叶斯估计多传感器数据融合方法

由于来自多个传感器的测量数据总是有一定程度的不确定性和不一致性,采用多传感器数据融合算法将多个节点的测量数据进行数据融合,利用数据的冗余度来减小这种不确定性,得到高可靠性的数据信息。提出了一种优化的贝叶斯估计多传感器数据融合方法,将贝叶斯估计和卡尔曼滤波器结合起来,应用于无线传感网络数据融合中。根据滤波器应用到传感数据、融合数据或者两者的方式,提出3种不同的技术,即:前向滤波法、后向滤波法和前后向滤波法。通过一个实例研究估计移动机器人的位置,验证算法的有效性。实验表明,在集中式和分布式两个方面数据融合体系结构,结合卡尔曼滤波器的贝叶斯融合算法能够有效地解决数据的不确定性和不一致性。     

基于证据理论的状态估计方法及其在液位估计中的应用

本文给出了一种基于证据理论的迭代算法估计噪声有界下的动态系统状态,并将其应用于工业液位仪的液位动态估计当中。该算法将系统的状态方程、观测方程及实际观测看作提供证据的3个信息源,利用证据的随机集表示及随机集扩展准则从信息源中构造关于系统状态和观测的证据:通过相关证据融合方法:将所构造的证据进行融合,并利用Pignistic期望从融合结果中计算出状态估计值。与基于置信函数的前反向传播算法相比,所提算法中的融合过程增加了估计的聚焦程度,使得估计结果更加精确。通过在液位估计中的应用说明新算法可以使得估计的相对误差提高约0.3个百分点。     

融合微粒群的多种群协同进化免疫算法

提出一种融合微粒群的多种群协同免疫优势克隆选择算法(PMCICA).该算法将生态学中的协同进化思想引入人工免疫算法中,各子种群内部通过免疫优势克隆选择操作加快了种群收敛速度;所有子种群共享经过改进微粒群优化的高层优良库,实现了整个种群信息共享与协同进化.针对旅行商问题(TSP)的多个实验结果表明,该算法在收敛速度与最优解等方面均取得了较好的效果.     

融合Pareto邻域交叉算子的多目标分布估计算法

将分布估计算法用于多目标优化问题,提出一种融合Pareto邻域交叉算子的多目标分布估计算法（MEDAP）。与一般分布估计算法只通过采样方法产生新种群不同,MEDAP算法利用采样和交叉相结合的方法产生新种群,并通过模拟退火技术在线调节尺度因子,以此来控制采样和交叉的贡献量,根据NSGA-II的选择策略选出下一代进化种群。数值实验分为两组,一组选取8个常用测试函数并与NSGA-II、SPEA2、MOPSO三个多目标算法进行比较,数值实验结果表明了MEDAP算法的有效性。另一组与不加Pareto邻域交叉算子的多目标分布估计算法进行比较,数值实验结果验证了Pareto邻域交叉算子的加入提高了算法的性能。     

基于融合EKF的航空发动机气路性能健康预测

针对集中式滤波算法存在计算效率不高、容错性差,引入融合滤波的思想,提出采用非线性融合的联邦式扩展卡尔曼滤波器进行发动机气路健康性能预测.子滤波器根据量测参数完成发动机部分健康性能的局部估计,主滤波根据子滤波器估计参数完成融合滤波估计,并将状态估计值和协方差反馈至子滤波器用于下一步健康预测.通过某型涡扇发动机仿真表明:融合EKF滤波器能准确地预测发动机的健康状态,估计稳定收敛时间短、计算时间短、效率高.     

标量及对角阵加权的序贯估计融合算法研究

针对多传感器分布式估计融合系统,在最小化估计误差的协方差矩阵迹的准则下,采用标量加权及对角阵加权融合方法,提出了估计误差相关条件下的序贯处理式最优估计融合Kalman滤波器。该融合滤波器以两传感器估计融合算法为基础,对传感器采集信息依次进行融合计算,得到多传感器融合结果。比较两种算法与局部滤波器的估计精度,并进行了仿真。仿真结果表明了基于加权估计融合的序贯处理算法的可行性和有效性。     

基于边缘融合的多图像直线提取算法

该文提出了一种新的基于边缘融合的多图像直线提取算法，该算法首先对所有多图像分别提取边缘，然后通过将多图像对应的梯度方向相似的、相邻近的边缘编组，以形成融合的直线支持区域，最后基于最小二乘的方法从直线支持区域拟合出直线段，并提取直线属性．该文提出的算法把边缘的相位信息作为融合要素，能够从复杂的图像中提取出相当低对比度的直线，并且通过分析多图像边缘之间的特性，提出相位压缩和融合编组方案，不仅可以充分融合互补信息还有效降低了算法复杂度．真实的遥感图像直线提取结果表明了该文算法的有效性．     

一种鲁棒自适应推广Kalman滤波及其在飞行状态估计中的应用

本文在自适应推广Kalman滤波基础上，为了防止滤波发散，改善自适应Kalman滤波的数值稳定性和计算效率，利用U－D分解滤波，并引进滤波发散的判据等，提出一种鲁棒自适应推广Kalman滤波新算法，并把该算法应用于飞行器飞行状态估计问题，仿真及实际计算结果证明了本文方法的有效性。     

迭代测量更新CDKF的粒子滤波方法

为了提高中心差分卡尔曼粒子滤波（CDKFPF）算法跟踪时的估计精度,提出了一种基于迭代测量更新CDKF的粒子滤波（ICDKFPF）新算法。该算法利用迭代中心差分卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,并用Levenberg-Marquardt方法对状态协方差进行修正,使粒子的观测信息得到充分有效的利用,更加符合真实状态的后验概率分布。仿真结果表明,所提出算法的估计性能要明显优于标准的粒子滤波（PF）和中心差分卡尔曼粒子滤波（CDKFPF）。     

多模噪声中粒子滤波算法研究

粒子滤波是一种解决非高斯滤波问题的有效方法,受到许多领域的研究人员的重视。在扩展卡尔曼滤波(EKF)的基础上,提出一种基于多层感知器(MLP)的扩展卡尔曼滤波算法。利用扩展卡尔曼粒子滤波器和MLP对当前时刻状态重要性采样,引入MLP对样本进行重采样。该算法能有效利用测量值的最新信息,对状态估计的误差更小。在实验中,对于多模噪声非线性系统,该算法与另外算法进行比较。结果证明,所提算法性能优异于其他算法。     

基于矩阵对角化变换的高阶容积卡尔曼滤波

为了提高高阶容积卡尔曼滤波器(CKF)的滤波性能, 提出一种基于矩阵对角化变换的高阶CKF 算法. 该算法基于高阶容积准则, 利用矩阵对角化变换代替标准高阶CKF 中的Cholesky 分解, 使得协方差矩阵分解后的平方根矩阵保留了原有的特征空间信息, 状态统计量计算更加准确, 从而提高了滤波精度; 同时, 矩阵对角化变换不要求协方差矩阵正定, 增强了算法滤波稳定性. 仿真结果表明, 所提出的算法是可行而有效的, 明显改善了标准高阶CKF 的滤波效果.

     

一种高精度APNCKF算法在谐波检测中的应用

为了进一步提高含噪环境下谐波检测的精确度,提高卡尔曼滤波器的稳定性,对系统噪声协方差进行了分析,通过不断的在线辨识出过程噪声协方差,提出了一种自适应过程噪声协方差卡尔曼滤波算法。该算法利用序贯最大化可信度更新先验信息来辨识过程噪声,然后通过卡尔曼滤波器进行迭代运算,估计出相应的幅值和相位。该算法最大的特点就是辨识出的过程噪声Q的骤然增大匹配的即是谐波幅值暂降的出现。通过在MATLAB环境下进行谐波仿真验证,结果表明该算法在准稳态条件下较好地跟踪电力系统谐波状态,且与常规卡尔曼、基于最大似然准则的卡尔曼、小波/小波包变换相比,该自适应算法的收敛速度较快、滤波精度高、实时性以及稳定性较好,具有重要的工程实际意义。     

非高斯噪声中的粒子滤波算法研究

在非线性非高斯动态系统中,粒子滤波已成为解决系统参数估计和状态滤波的主流方法。然而,粒子退化是粒子滤波中不可避免的现象,粒子重采样是解决方法之一。本文针对粒子退化现象,在扩展卡尔曼滤波器的基础上研究了一种基于支持向量机粒子滤波算法,算法实现中扩展卡尔曼粒子滤波器结合支持向量机对当前时刻的重要性采样,再对粒子样本进行重采样。该算法能有效地利用量测值的最新信息,状态估计误差较小,同时避免了粒子匮乏。理论分析和仿真结果表明,新算法在双模噪声非线性系统估计的精度优于标准粒子滤波算法与扩展卡尔曼粒子滤波算法。     

基于交互容积卡尔曼的随机切换系统故障诊断

针对一类随机切换非线性系统的故障检测和故障估计问题,提出了一种基于交互式多模型和容积卡尔曼滤波（IMM CKF）的系统状态估计算法。该算法利用容积卡尔曼滤波（CKF）在不同时刻对每个子系统进行状态估计,把不同子系统状态估计结果融合得到最终的状态估计,实现对系统真实状态的估计。针对一类随机切换非线性系统发生执行器故障,采用IMM CKF估计系统状态;然后分析了IMM CKF算法的稳定性;根据状态估计结果,构造残差信号,设计残差评价函数,检测故障发生。当检测到故障发生时,设计增广系统,对故障幅值进行估计。通过仿真实验验证提出算法的有效性,结果表明该算法可以较为准确地诊断系统故障。     

基于指纹库更新补偿的波束跟踪算法研究

针对拒止、复杂电磁环境下,高动态无人节点定向通信面临的坐标信息不精确、飞行姿态和轨迹变化剧烈等问题,为保持可靠的波束对准与跟踪,提出了一种基于卡尔曼滤波的指纹库更新补偿算法。首先,利用卡尔曼滤波算法对自身姿态进行预测更新,建立新的载体坐标系;利用改进的算法对波束指向进行预测更新,并利用指纹库对状态向量均值和协方差矩阵进行更新补偿,调节采样比例,并将新的数据存入指纹库对指纹库数据更新,然后进行二次状态信息预测,完成最终波束指向。整体设计的波束跟踪算法流程更加符合实际应用场景,满足无人机自组网的需求。仿真结果表明,在半波束宽度为3°,100个通信时隙中,维持正常通信的成功率有92%以上,相比传统跟踪算法提高了8%,具有更加稳定的通信质量。     

带有噪声递推估计的自适应集合卡尔曼滤波

卡尔曼滤波(KF)广泛应用于线性系统的状态估计问题.然而,它需要精确已知过程噪声的统计特性,这在实际应用中往往是不能满足的.在这个背景下,首先,根据协方差匹配原理建立一种带有过程噪声递推估计的自适应KF算法;然后,为了突破KF只能处理线性系统估计问题的局限,将过程噪声递推估计引入集合卡尔曼滤波(EnKF)中,提出一种自适应EnKF算法;最后,采用估计理论证明所提出算法的稳定性.与标准EnKF相比,该自适应算法在过程噪声统计特性未知的情况下滤波依然收敛,滤波精度及稳定性显著提升.仿真结果验证了所提出算法的有效性.     

多传感器系统含状态约束的分布式并行卡尔曼滤波算法

基于群智能建筑系统,提出一种含有状态约束的并行式卡尔曼滤波算法。算法通过物理约束建立方程,利用相邻节点间的约束关系和投影法计算出含有状态约束的卡尔曼滤波估计值,从而达到故障诊断与数据校核的目的。算法基于的分布式结构采用传感器网络节点的形式,每个节点有自身处理系统而不需要任何中心节点或中心通信设施。因此,本文提出的算法具有完全分布性,允许在多个测量节点之间独立计算。本文详细论述算法推导过程,并通过软件仿真与硬件测试,验证了算法的并行性、准确性和稳定性。