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。     

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.     

噪声相关的一步滞后无序量测递推融合算法

因传感器网络特殊的通信方式,以及传感器节点预处理量测的时间也各有不同,常会出现源于同一目标有序的测量数据却经网络传输后无序地到达融合中心的现象,即无序量测问题.加之,现有的相关融合算法大都是在各量测数据间噪声独立情况下建立的.为此,针对一个由多个子系统组成的传感器网络无序量测系统;其中假定每个子系统均是由两个分别与融合中心同步与异步且采样率相同的传感器组成;并在考虑各传感器测量噪声相关条件下,利用顺序加权融合技术,在融合中心建立一个能实现对目标状态实时估计且在线性最小均方误差意义下最优的递推加权融合算法.理论分析与计算机仿真表明,与现有方法相比,新算法在适用范围、实时处理能力、存储量和融合估计精度等方面均有显著的优势.     

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...     

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。     

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。     

量测不确定下多传感器一致性数据融合算法

针对量测不确定下多传感器信息采集系统中数据有效融合处理,提出一种量测数据一致性融合算法.首先,引入马氏距离实现两传感器量测数据一致性的近似估计;然后,结合模糊理论中隶属度函数的性质定义一种度量局部量测信息提取和利用效率的支持度函数,进而构建综合全局量测数据间相互支持程度的支持度矩阵;最后,通过对支持度矩阵的计算求解各传感器量测数据在评估系统状态估计中的权重,并通过加权融合方式实现对系统状态真值的估计.理论分析和仿真实验验证了算法的有效性.     

多目标无序量测OOSM-GMPHD滤波算法

针对无序量测条件下多目标跟踪问题,提出了一种适用于线性系统的单步滞后无序量测滤波算法(OOSM-GMPHD).在前向预测框架内,以高斯混合概率假设密度(GMPHD)滤波器为基础滤波算法,对每一高斯分量分别用延迟到达的量测与等价量测进行预测、更新,经剪枝与合并等步骤获得最终的目标数量与状态估计.仿真结果表明:算法可有效消除无序量测的影响,准确估计多目标数目和状态.     

基于近邻量测认知信息的多传感器融合估计

在构建传感器模糊量测认知偏差的基础上,提出一种新的多传感器融合估计方法。运用相邻量测样本均值和协方差度量传感器可靠性,确保融合权重分配的客观性和灵敏性。实验结果表明,与基于均值融合算法和支持度融合算法相比,使用该方法得到的融合权值分配方式更加合理,可进一步提高估计精度。     

多源信息融合在故障诊断技术中的应用研究

从数据源的空间表示和信息源的可计算性两个方面阐述了信息融合应用于故障诊断的数学基础,然后引入信息论中有关“熵”、“条件熵”、“平均条件熵”和“互信息”等概念,从信息论的角度证明了信息融合在故障诊断中的有效性和实用性。最后结合信息融合技术与装备故障诊断实践,给出了具有通用性的信息融合故障诊断的模型框架。     

多传感器信息融合火灾预报技术研究

论述了火灾探测器设计和安装方式,研究了多传感器火灾监测系统及其智能化数据融合方法、数据处理、故障检测和系统可靠性等方面的基本问题。     

基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著;从传感器信息融合的角度看,神经网络就是一个融合系统;通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求.     

多传感器信息融合技术

系统地介绍了多传感器信息融合技术的理论、模型和应用,并对多传感器信息融合的几种主要算法进行了全面的阐述和归纳,指出了信息融合研究中存在的主要问题,最后对信息融合技术的未来研究方向进行了展望。     

多传感器信息融合技术

文章通过对多传感器信息融合技术近年来国内外研究成果的总结,阐述了信息融合的基本概念,包括定义、融合模型、融合方法、应用领域,并对目前信息融合在智能机器人、故障诊断等领域的应用现状进行了剖析;信息融合技术虽然发展迅速,但尚待完善,在理论框架、融合模型、融合算法、关联二义性等方面还存在问题,最后指出了信息融合的研究方向,使读者能够全面地了解和掌握信息融合技术,并为其实际应用这一技术打下坚实的理论基础.     

带有色观测噪声多传感器多重时滞系统分布式融合滤波器

基于新息分析方法, 对带有色观测噪声的多重时滞系统, 提出了一种带白噪声估值器的非增广的最优滤波器. 它等价于一个带相关白噪声多重时滞系统的一步预报器. 当系统带有多个传感器时, 推导了多重时滞系统的任意两个传感器子系统之间的估计误差互协方差阵. 基于线性最小方差最优加权融合估计算法, 给出了分布式加权融合最优滤波器. 分布式融合估计比基于每个传感器的局部估计具有更高的精度. 比增广的集中式最优滤波器具有更好的可靠性, 且避免了高维计算和大存储空间. 仿真例子验证了其有效性.     

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。     

基于Android的多传感器信息融合技术应用

介绍基于Android的多传感器信息融合技术在气溶胶自动化检测中的应用。多个传感器采用统一接口方式组网,每一个独立传感器采集的数据通过蓝牙传输到网内的Android处理终端进行融合和分析。通过对5种传感器进行组网采集数据,结果证明多传感器信息融合技术的应用增强了信息处理系统的适应性,实现了传感器之间的数据互补,提高了系...     

无人机多传感器信息融合的关键技术

以Hex-Rotor无人机为研究平台,介绍机载多传感器信息融合这一关键技术,探讨信息融合技术的理论与方法.