基于带输入估计变维滤波的多传感器信息融合

带输入估计变维滤波利用最小二乘法对系统未知输入进行估计,同时对机动运行开始时刻给出估计,从而有效地克服了输入估计算法和变维滤波各自在系统模型单一和机动运行开始时刻估计不精确方面的缺陷。考虑到多传感器信息融合系统可给出比单传感器更为精确的结果,基于带输入估计变维滤波,将系统状态融合和确定性输入融合相结合,提出了一种多传感器带输入估计变维滤波融合算法。系统仿真结果表明,该算法可以有效地提高估计精度,适用于机动目标跟踪。     

一种面向多无人机协同感知的分布式融合估计方法

针对基于扩展卡尔曼滤波的融合估计算法存在线性化误差,且分布式融合计算复杂等问题,基于无色变换、交互多模型和信息滤波,采用递阶分布式融合估计结构,提出一种分布式无色信息滤波算法.该方法中的无色变换能够保证更高的估计精度,交互多模型使其具有更好的鲁棒性,信息形式的卡尔曼滤波使融合估计计算变得简单.仿真结果表明,该算法能够提高多无人机融合估计性能.     

最小熵反馈式变结构多模型融合算法

统变结构多模型方法(VSMM)在处理高机动日标状态估计问题和大观测误差时存在因模型集合与真实模式匹配欠佳导致估计质量下降的问题.本文结合最小信息熵准则(ME)提出一种反馈式变结构多模型融合算法(MEVSMM),将在所有模型相关的在线估计信息进行反馈,进而选取状态估计分布信息熵最小的模型集作为当前有效模型集,计算多模型估计结果;结合粒子滤波算法(PF)和设计擂台赛算法(CM),构造了易于工程实现的次优算法(PF-MEVSMM).理论分析与仿真表明,与传统VSMM算法相比,本法具有模型集更精简、有效,融合估计结果鲁棒性更强、精度更高的优点.     

基于遗传算法的变结构多模型估计

通过多模型划分理论与遗传算法相结合,建立了一种新的多模划分滤波器。这种算法并不需要知道模型转换的规律,具有很好的执行效果,通过仿真实验证明了该算法比固定结构的MMPF算法有更好的性能。     

多传感器信息融合模糊控制模型设计

多传感器数据的来源众多,数据时间序列的特征随机性强,难以统一,导致其信息应用范围缩小。提出一种多传感器信息融合的模糊控制模型。运用不同映射模式描述多传感器信息融合状态空间,创建随机时段下测量空间矩阵,获得传感器信息采集时间序列特征。根据信息采集时间序列特征构建二级架构信息融合模型,第一级架构使用模糊控制算法划分输入-输出空间模糊区间,得到模糊规则并计算模糊规则相对信任度,利用模糊规则映射关联聚类信息,剔除传感器冗余数据。在此基础上使用智能粒子滤波法将多传感器信息传输至相应粒子滤波模块,代入遗传算法交叉与变异操作调整粒子权重,通过重采样保存高权值粒子,得到完整的多传感器信息融合结果。仿真结果表明,多传感器信息融合的最大能耗值为110 mJ,信息采集网络延迟为0.75 s,融合时间平均值为4.5 s,信息融合的误差值小于50 m,系统鲁棒性较强。     

多传感器分布式信息融合粒子滤波器

针对非线性非Gaussian系统的状态估计问题,提出一种基于信息融合的多传感器分布式粒子滤波算法。该算法首先利用粒子滤波方法分别计算局部传感器的状态估值,再应用分布式标量加权融合准则对状态估值进行信息融合。仿真结果表明和单传感器情形相比可提高滤波的精度。     

多模型融合验证的视觉跟踪算法

为提升孪生网络和学习判别模型跟踪算法的精度和鲁棒性,提出了一种多模型融合验证的视觉跟踪方法.首先用置信反馈调节评估目标搜索区域特征与分类器之间的相似性响应图,反映目标定位的可靠度,然后结合孪生网络生成一系列候选对象并估计其相似性得分,最后验证网络评估候选框,并输出最佳候选框.在VOT2018、VOT2019、OTB10...     

基于多段信号融合的实时高精度频率估计算法

在利用信号融合来进行频率估计时,由于相位不连续性会造成很大的误差,通过相位校正,可以得到很好的估计效果,然而其运算量也将随之增加,本文利用频谱细化的思想,提出一种新的多段等长同频信号融合算法。为验证算法的有效性,对算法进行仿真,仿真结果表明,该算法在提高算法精度的同时,大大降低了运算量,使其更适合于对实时性要求较高的应用。     

虚假数据注入攻击信号的融合估计

研究了信息物理系统中假数据注入(False data injection, FDI)攻击信号的检测问题. 在分布式融合框架下, 首先将FDI攻击信号建模为信息物理系统模型中的未知输入, 从而使得攻击信号的检测问题转化为对FDI攻击信号的实时估计问题. 其次, 在每个传感器端设计基于自适应卡尔曼滤波的FDI攻击信号的局部估计器; 在融合中心端引入补偿因子, 设计分布式信息融合准则以导出攻击信号的融合估计器. 特别地, 当FDI攻击信号是时变情况时, 融合过程中补偿因子的引入可以大大提高对攻击信号的估计精度. 最后, 通过两个仿真算例验证所提算法的有效性.     

基于多段分频等长信号融合的频率估计方法

多段采样信号十分常见,对其进行信息融合能有效提高信号处理的精度,尤其适用于低信噪比、被测频率持续时间短的情况。为提高多段采样信号频率估计的精度和扩展已有方法的适用范围,给出一种多段分频等长信号融合方法。在该方法中,因各段信号的被测频率不等,故生成频域分析参数矩阵以实现同频化效果;因同频化后各段信号之间仍然相位不连续,故设计相位差补偿因子矩阵以达到相位连续信号的效果;因相位差补偿因子矩阵包含未知参数,故生成搜索频率序列以用于实际计算并得到具有特定形式的功率谱矩阵。为验证方法的正确性,给出了数学证明。针对多种应用环境状态进行了仿真实验,结果表明该方法具有普适性,抗噪性好,频率估计精度比现有方法有较大提高。     

一种基于信息融合的粒子滤波跟踪算法

针对粒子滤波在复杂背景下容易造成跟踪目标丢失的问题,提出一种基于多特征信息融合的粒子滤波算法。该方法同时利用灰度和梯度信息描述目标,有效提高了复杂场景下对目标描述的可靠性;在此基础上,推导出多信息融合的观测似然函数,将两种信息融合在一起,使得融合算法能根据当前跟踪形势自适应调整各信息的加权,实现了信息间的优势互补。实验结果表明,该算法鲁棒性较高,明显提高了跟踪精度。     

快速信息融合Kalman滤波器

应用现代时间序列分析方法,在标量加权线性最小方差融合准则下,提出一种多传感器快速信息融合稳态Kalman滤波器.基于ARMA新息模型计算稳态Kalman滤波器增益,提出了计算传感器之间的滤波误差方差阵和协方差阵的Lyapunov方程,它可用迭代法求解,并证明了迭代解的指数收敛性.与基于Riccati方程按矩阵加权的信息融合Kalman滤波器相比,可明显减小计算负担,便于实时应用,可用于设计含未知噪声统计系统的信息融合自校正Kalman滤波器.最后以目标跟踪系统的一个仿真例子说明了其有效性.     

融合目标特征和空间信息的粒子滤波跟踪

传统的基于颜色直方图的粒子滤波跟踪算法不能很好地利用跟踪对象的空间结构信息,因此在邻域颜色相似或目标模型微小变化时,不能取得良好的跟踪效果。提出一种融合目标特征和目标空间位置信息的粒子滤波跟踪算法,该算法鉴于目标空间位置包含跟踪对象一定的结构信息,可以和目标特征互为补充,利用定义的融合目标特征和目标空间位置的度量函数来进行跟踪对象相似度度量,以提高跟踪算法的稳健性和精确性。同时针对粒子滤波计算粒子相似度时可并行的特点,运用OpenMP共享存储并行计算进行粒子滤波跟踪的加速。实验表明,基于融合目标特征和空间信息的粒子滤波跟踪算法能得到更鲁棒的跟踪效果,可以有效地提高目标跟踪的速度。     

一种多特征融合的粒子滤波跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种有效的多特征融合跟踪方法,该方法同时结合了颜色和运动边缘特征,并通过粒子滤波方法合理地进行概率融合。实验结果表明,算法能够在一种特征受到背景干扰导致目标鉴别能力丧失时,其它特征仍能稳定可靠地跟踪目标,算法简单,鲁棒性高,能够有效适用于复杂背景下的目标跟踪。     

基于SVM的信息融合新方法*

利用SVM对大规模数据进行训练时,需要占用很大的内存空间,甚至会因内存不够而无法训练。为此,提出了将大规模数据分块求解,然后将分块求解的结果进行信息融合的新方法。首先训练得到各模块的支持向量,将所有支持向量进行融合,得到决策模型和一组支持向量。当有新的数据加入时,将其作为一个子模块,训练得到该模块的支持向量,与原模型中获得的支持向量进行融合,训练得到新的决策模型。利用KDDCUP99数据进行实验,结果表明该方法的测试精度与在所有数据集上训练的精度相当,花费时间少,适用于增量学习。     

多传感器信息融合的目标跟踪研究

为了提高红外与毫米波雷达双模制导系统的目标跟踪精度,提出了将UKF用于红外和毫米波雷达的数据处理,采用分布式融合结构,通过对两传感器的滤波协方差矩阵的相关估计,将滤波协方差矩阵和状态估计进行融合。该方法应用于红外与毫米波雷达双模制导系统的目标跟踪仿真,仿真结果表明：与单传感器系统相比,该方法提高了制导系统的目标跟踪精度。     

多传感器信息融合Wiener滤波器和平滑器

应用现代时间序列分析方法,基于ARMA新息模型和增广状态空间模型,应用标量加权最优融合准则,对于带白色和有色观测噪声的ARMA信号,提出了多传感器分布式最优信息融合Wiener滤波器和平滑器,其中给出了计算局部平滑误差方差和互协方差的计算公式,它们可被用于计算最优加权系数。同单传感器情形相比,可提高平滑器的精度。一个三传感器目标跟踪系统的仿真例子说明其有效性。     

A switch-mode information fusion filter based on ISRUKF for autonomous navigation of spacecraft

Aiming at the problem of loss of accuracy using extended Kalman filter (EKF) in case of orbit maneuver, this paper proposes a novel information fusion filtering algorithm-iterated square root unscented Kalman filter (ISRUKF), and then designs a switch-mode information fusion filter based on ISRUKF and extended Kalman filter (EKF). This method combines navigation sensors’ geocentric vector and geocentric distance with starlight angular distance, which efficiently improves the reliability of autonomous navigation. On this basis, the method deduced measurement function of information fusion. With a semi-physical simulation to verify the proposed method, the simulation results for stably running and orbital maneuvering spacecraft show that the switch-mode information fusion filter can reduce the complexity of the algorithm and ensure the accuracy of the estimation. Thus, the proposed switch-mode filter is very suitable for spacecraft autonomous navigation system and other strong nonlinear state estimation fields.     

基于智能粒子滤波的多传感器信息融合算法

针对粒子滤波中存在粒子质量低和粒子贫化的问题,提出了一种基于智能粒子滤波的多传感器信息融合算法。该算法分为两个模块,首先,将多传感器数据发送给相应的粒子滤波计算模块,以优化粒子分布为目的更新建议分布密度;然后,在智能粒子滤波模块中对多传感器数据构造完整的似然函数,引入设计的遗传因子将小权重粒子修正为大权重粒子,近似于真实的后验分布,重采样过程中保留了权值较大的粒子,又避免了粒子耗尽问题,进一步保持粒子的多样性,提高了滤波精度,最终得到最优的估计值。根据实船实验的数据进行了验证,将所提算法应用于GPS/SINS/LOG组合导航系统进行仿真计算验证了其有效性。实例仿真结果表明,所提算法能够得到精确的位置、速度和航向信息,而且也能有效改善滤波性能,提高了组合导航系统的解算精度,能够满足船舶高精度导航定位的要求。