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.     

确定采样型强跟踪滤波飞机舵面故障诊断与隔离

为了克服扩展多模型自适应估计中扩展卡尔曼滤波的理论局限性,多重渐消因子强跟踪改进引起的滤波发散现象以及多维高斯故障概率计算量大等问题,本文将一类基于确定解析采样近似方法的非线性次优高斯滤波与多模型自适应估计相结合,提出了改进的多重渐消因子强跟踪非线性滤波快速故障诊断方法.确定采样型滤波克服了扩展卡尔曼滤波的理论局限性;推导了等效多重渐消因子计算方法,避免了非线性系统雅克比矩阵的计算,提高了故障突变时的跟踪性能;提出了基于平方根分解的改进的一步预测协方差更新方程,保证了滤波稳定性;提出了基于欧几里得范数简化的故障概率计算方法,降低了计算量.通过对比仿真验证了3种不同非线性滤波算法及其强跟踪改进算法的有效性,故障诊断方法跟踪性强、速度快、精度高,具有较好的鲁棒性和稳定性.     

无线传感器网络可扩展一致性目标跟踪算法研究

为提高机动目标跟踪性能,降低无线传感器网络的能量消耗,提出一种可扩展的动态平均一致卡尔曼滤波算法.根据预测的下一步目标位置,将无线传感器网络的节点动态组织成簇,多个传感节点协作执行目标的检测及分布式状态估计.给出三种可扩展动态一致卡尔曼滤波算法,即基于观测值、观测新息和估计值的一致性卡尔曼滤波,适应于不同情况的目标跟踪.簇中传感节点仅需接收邻居节点的信息,簇头节点负责下一步任务节点的选择并将当前状态估计值和对应的误差协方差发送给下一步的任务节点以减少整个网络的通信量.仿真结果表明,基于观测值、新息及估计值的分布一致卡尔曼滤波在跟踪精度方面与集中卡尔曼滤波性能相当,而其分布式结构决定了算法具有更强的鲁棒性和容错能力,能够提高系统的可靠性.     

基于参数估计的传感器故障诊断的改进方法

针对基于参数估计的非线性系统传感器故障诊断方法中存在的滤波稳定性差、估计精度低的缺点,提出了卡尔曼滤波与小波滤波相结合的方法.在将传感器故障参数都等效为偏差型故障参数的基础上,通过增大强跟踪滤波器算法中的量测噪声方差和系统噪声方差,使其大于实际噪声方差,以提高滤波器的稳定性和故障检测的快速性,同时引入小波滤波以提高对故障参数的估计精度.仿真实验表明,该方法较好地兼顾了滤波稳定性、估计精度及速度.     

基于强跟踪滤波的传感器故障诊断的改进方法

针对基于强跟踪卡尔曼滤波的传感器故障诊断方法中存在的滤波稳定性差、估计精度低的缺点,提出了双滤波器的方法。一个滤波器的量测噪声方差和系统噪声方差均大于实际值,它对故障的估计精度较低,但跟踪速度较快;另一个滤波器的算法中的量测噪声方差大于实际值,它对故障的估计精度较高,但跟踪速度较慢,正好与前者形成互补,然后用第一个滤波器实现故障的及时检测,用第二个滤波器实现对故障幅值的精确估计。仿真实验表明,该方法较好地兼顾了滤波稳定性、估计精度及速度。     

MPC算法在机载传感器规划中的应用

针对传感器规划过程中传感器对移动目标的实时跟踪探测问题,将模型预测控制(MPC)的基本思想与卡尔曼滤波理论相结合,提出了一种改进MPC算法的传感器规划方法。仿真实验结果表明:该算法在解决传感器对移动目标实时跟踪探测方面具有良好的效果,能够快速、准确地搜索到移动目标。     

GPS动态定位中卡尔曼滤波模型的建立及其强跟踪算法研究

提出一种改进的强跟踪卡尔曼滤波算法,应用于GPS动态定位滤波中获得明显效果。首先建立了一种新的GPS动态定位滤波模型,该模型与以往采用的非线性卡尔曼滤波模型相比,具有模型简单、实时性好的特点。为了进一步提高滤波器的动态性能,改进了文献[1]中的强跟踪滤波算法,大大提高了滤波器的跟踪能力。     

异类传感器融合跟踪系统配准偏差的在线补偿

针对多传感器融合跟踪系统的时变配准偏差补偿问题,提出了一种配准偏差的在线估计和补偿算法.该算法首先依据多传感器提供的测量和跟踪信息,建立配准偏差的动态模型,然后利用极小化似然函数结合卡尔曼滤波方法在线估计系统偏差,利用估计的配准偏差,补偿和修正跟踪器的测量信息,实现多传感器的融合跟踪.最后针对异类传感器(雷达、红外)组成的多传感器跟踪系统,给出了应用该方法的仿真结果.     

基于无迹卡尔曼滤波的被动多传感器融合跟踪

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.     

融合手机和无人机多传感参数的运动目标跟踪方法

针对基于图像的无人机运动跟踪方法存在因图像退化带来的错检和漏检问题,提出一种基于手机和无人机多传感器数据融合的运动目标跟踪方法。将手机IMU(Inertial Measurement Unit,惯性测量单元)数据与无人机的IMU和图像数据作为扩展卡尔曼滤波的输入,其中IMU数据用于滤波器的状态估计,并通过将ORB(Oriented FAST and Rotated BRIEF)方法得到的运动目标图像坐标作为卡尔曼滤波的测量更新部分,再将扩展卡尔曼滤波之后的数据用于校正状态估计,进一步提高无人机运动目标跟踪的准确性。设计实验通过实测数据集来模拟无人机跟踪场景,验证该方法的可行性。实验表明,采用多传感器数据融合的无人机运动目标跟踪方法能够达到0.67m的定位误差,相比于基于图像的方法的精度高,验证了该方法的有效性。     

强跟踪平方根容积卡尔曼滤波和 自回归模型融合的故障预测

为了解决非线性系统中不可测量参数的预测问题,提出一种带有次优渐消因子的强跟踪平方根容积卡尔曼滤波(STSCKF)和自回归(AR)模型相结合的故障预测方法.利用AR模型时间序列预测法预测未来时刻的测量值,将预测的测量值作为STSCKF的测量变量,从而将预测问题转化为滤波估计问题.STSCKF通过在预测误差方差阵的均方根中引入渐消因子调节滤波过程中的增益矩阵,克服了故障参数变化函数未知情况下普通SCKF跟踪故障参数缓慢甚至失效的局限性,使得STSCKF能较好地预测故障参数的发展趋势.连续搅拌反应釜(CSTR)仿真结果表明,STSCKF的预测精度高于普通SCKF和强跟踪无迹卡尔曼滤波(STUKF),验证了方法的有效性.     

基于模型的曲轴位置传感器故障诊断研究

为了对汽车发动机转速传感器作出快速准确的诊断,结合曲轴信号处理原理,在MATLAB/simulink中设计基于卡尔曼滤波器残差检验的OBD诊断模块,实现了曲轴位置传感器无信号、信号错误等故障诊断功能。针对卡尔曼滤波器法无法排除掉非故障性信号输入的缺点,在卡尔曼滤波法基础上加入逻辑诊断,通过条件判断以启动诊断,加入决策逻辑以确定故障状态。验证结果表明,卡尔曼滤波器法能够准确快速识别两种传感器故障,但在非故障性信号时无法准确判断故障。加入诊断逻辑的改进卡尔曼滤波法能够准确排除非故障性输入,保证诊断的准确性。     

通信受限下网络化多传感器系统序贯卡尔曼滤波加权融合

针对通信受限下网络化多传感器系统难以实时滤波的问题,提出实时序贯滤波融合方法和故障诊断方法.首先基于周期性分组传输通信策略,采用序贯卡尔曼滤波方法,对当前时刻访问融合中心的传感器组进行局部滤波,并导出剩余传感器组的最优局部估计,进而得到线性最小方差意义下的最优融合估计.利用残差加权平方和方法对发生故障的传感器进行定位,仿真结果验证了所提出算法的有效性.     

基于多渐消因子强跟踪UKF 和约束AR模型的故障估计与预测

针对非线性系统中不可观测故障参数估计和预测问题, 提出一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF) 的状态和参数联合估计法, 通过引入多重渐消因子增强了对变化函数未知的故障参数的跟踪能力. 对于得到的故障参数估计值, 利用递推最小二乘法更新约束AR预测模型, 从而实现故障参数的在线估计与预测. 仿真结果表明, MSTUKF方法在故障参数估计精度上优于UKF 和单渐消因子强跟踪UKF, 约束AR模型的预测精度高于无约束条件下的预测精度.

     

基于强跟踪滤波器的多传感器信息融合应用研究

在对经典Kalman滤波器和强跟踪Kalman滤波器分析的基础上,给出了改进的强跟踪Kalman滤波器方法,并进一步给出了改进的强跟踪Kalman滤波器分布式信息融合方法。该方法底层采用改进的强跟踪器滤波,上层采用估计误差方差最小方法进行分布式信息融合,信息融合结果精度高,同时对突变信号有很强的实时跟踪能力。仿真结果表明该方法的有效性和可靠性。     

强跟踪卡尔曼滤波在视频目标跟踪中的应用

针对经典卡尔曼滤波器在滤波数学模型与实际过程的数学规律不匹配、滤波特性较差的情况,提出利用强跟踪卡尔曼滤波器对视频序列图像中的运动目标进行跟踪。该方法是在经典卡尔曼滤波递推公式中的一步验前误差方差阵中引入可在线计算的时变渐消矩阵,从而调节增益K,使之能够不断变化,保证对新息序列的自适应调节,使状态滤波更准确。实验结果表明,较之经典卡尔曼滤波,该方法具有对运动目标更强的跟踪能力,跟踪精度更高,均方误差更小。     

一种强跟踪扩展卡尔曼滤波器的改进算法

针对模型不匹配卡尔曼的状态估计发散和应用范围限于连续系统问题,提出一种基于有限差分强跟踪滤波嚣（STFDEKF）．在滤波计算中,引入强跟踪滤波因子修正滤波器的状态预协方差矩阵。滤波精度得以提高,滤波器应用有限差分方法计算滤波过程中非线性函数的偏导数。扩大了适用范围．几种卡尔曼滤波器经过仿真比较。STFDEKF应用于复杂非线性系统状态估计时．具有较高数值稳定性、强跟踪性和较宽应用范围．