测量方差自适应的多传感器数据融合算法

针对测量方差预先设定对滤波精度的影响,提出了一种基于时空综合分析在线估算测量方差的方法,以充分利用多个传感器单次采样数据和单个传感器多次采样数据中蕴含的冗余和互补信息。改善了由于被测目标所处环境的先验信息匮乏而造成的建模误差问题。同时根据滤波误差协方差阵具有表示滤波精度的特性,实现系统中各传感器权系数动态合理的分配。最终给出了一种基于测量方差自适应的多传感器数据融合算法。通过蒙特卡罗仿真验证了该算法的有效性。     

多传感器数据融合系统闭环控制模式的构成与分析

本文从闭环控制的角度,通过对数据融合系统 功能的划分,提出了由传感器子系统、数据融合子系统、决策支持子系统和传感器管理子系 统构成的数据融合系统的闭环控制模式;然后分析了该控制模式中四个子系统的功能、构成 及采用的融合算法;最后论述了闭环控制模式的整体优化功能．     

基于权重一致性优化的实时Marginalized粒子滤波算法

针对Marginalized粒子滤波中随机量测噪声对于非线性状态估计精度的不利影响以及线性状态估计中计算量较大问题,提出了一种基于权重一致性优化的实时Marginalized粒子滤波算法.首先,结合量测系统建模中先验信息的提取和利用,通过粒子权重间一致性距离和一致性矩阵的构建,提出了量测提升策略下权重的一致性优化方法,以改善粒子滤波在非线性状态估计中的滤波精度.其次,通过对Marginalized粒子滤波实现中时间更新和量测更新环节的结构优化,给出了实时Marginalized粒子滤波,以降低蒙特卡罗仿真实现下卡尔曼滤波在状态线性估计中的计算复杂度.最后,在两者的动态结合基础上给出了新算法具体实现步骤.利用基于单站雷达目标跟踪仿真场景,分析了算法性能.理论分析和仿真实验结果验证了算法的可行性和有效性.     

量测提升卡尔曼滤波

滤波器设计是系统辨识和状态估计的重要基础.卡尔曼滤波通过状态预测和量测更新的实现框架,在最小方差准则下实现对目标状态的最优估计,但在单传感器量测环境中其滤波精度易受量测噪声随机性的影响.本文提出一种基于量测提升策略的卡尔曼滤波算法实现框架,新方法依据当前时刻量测和量测噪声先验统计信息构建虚拟量测,并通过对虚拟量测采样以及融合提升系统量测信息可靠性,进而改善状态估计精度.同时,针对算法在工程应用中实时性、准确性以及鲁棒性等需求,设计了分布式加权融合和集中式一致性融合的两种实现结构.理论分析和仿真实验结果验证了算法的可行性和有效性.     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.     

面向Web Server的QoS自适应控制鲁棒性研究

给出了一种面向Web服务器的自适应节模型和基于卡尔曼滤波的会话流自适应控制算法,并在此基础上提出了一种Web QoS自适应控制机制,利用在线系统辨识实现动态的连接调度和进程重新分配,从而为不同的服务类提供相应的QoS保证。采用全论域范围内基于离散型卡尔曼滤波方法进行QoS参数的最优预测。仿真结果表明,该自适应Web服务器的QoS控制机制可以实现鲁棒的相对QoS保证,并且能够确保稳定性。     

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。     

基于概率统计模型的一类传感器管理方法

基于概率统计模型给出了一种多传感器对多目标检测与分类的优化算法,通过目标环境不确定性定量描述的信息熵及其发生变化而产生的信息增量,给出了一种基于最大信息增量的传感器对目标（静止或运动）的搜索方法,性能分析表明：与其它方法相比,该方法具有错误率低、效率高的特点。     

基于“当前”统计模型的一种改进机动目标跟踪算法

介绍了目前存在的机动目标运动模型，针对“当前”统计模型中加速度极限值的预先设定对于跟踪算法造成的不利影响，通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应，进而提出了一种基于“当前”统计模型的改进机动目标跟踪算法，该算法避免了加速度极限值的预先设定问题，从而提高了对机动目标状态估计的精度，最后，仿真结果表明该算法具有一定的有效性。     

基于"当前"统计模型的一种改进机动目标跟踪算法

介绍了目前存在的机动目标运动模型.针对"当前"统计模型中加速度极限值的预先设定对于跟踪算法造成的不利影响,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应,进而提出了一种基于"当前"统计模型的改进机动目标跟踪算法.该算法避免了加速度极限值的预先设定问题,从而提高了对机动目标状态估计的精度.最后,仿真结果表明该算法具有一定的有效性.