动态加权和测量方差时变的多传感器融合算法

在基于卡尔曼滤波及其一些改进算法中,由于测量方差预先设定,从而导致滤波发散和信息资源的浪费,为此提出了一种动态加权下测量方差时变的多传感器融合算法。该算法依据各传感器当前时刻的滤波精度合理地分配权值,同时测量方差的时变特性使得每次测量信息得到充分的利用。仿真结果表明该算法显著地提高了对机动目标的跟踪效果并具有实时性的优点。     

基于分段信号假设检验的方差估计算法

针对传感器测量噪声变化导致加权数据融合精度下降的问题,提出一种新的方差估计算法.方差估计采用自适应移动数据窗,窗口长度由多元假设检验的结果决定.假设检验环节首先应用信号分段处理方法与中心极限定理,使得检验统计量满足正态分布,简化了后续计算与理论推导.然后根据马尔可夫状态转移理论和最大后验概率准则,实现测量噪声方差变化的快速检测.通过与典型算法的仿真对比,验证所提算法克服了典型方法的局限性,能够保证加权数据融合具有更高精度.     

基于Bayes估计的多传感器最优融合

本研究了多传感器数据融合技术的一种方法融合方法以Bayes估计理论为基础,并对数据进行了一致性检验,得到了多传感器最优融合数据,提高了数据的精确度。实际应用结果验证了算法的准确性,并进行了Matlab仿真,这种数据融合方法计算简便,可以获得比有限个传感器的算术平均值更准确的测量结果．具有较高的可靠性,可用于测量结果具有正态分布特性的多传感器测量系统。     

自适应窗长方差估计在多传感器数据融合中的应用

针对多传感器数据融合中,恒窗长方差估计算法对噪声变化跟踪能力不强的缺点,提出了一种根据噪声变化自适应调整窗长的方差估计算法。给出了对方差估计曲线突变段的寻找方式以及自适应窗长的选择策略。该算法能灵敏的跟踪传感器测量噪声的突变,同时不依赖于初始窗长的设定,能自动收敛到适合的窗长模式。仿真结果说明了该算法在多传感器数据融合中的有效性。     

基于测量方差时变的传感器管理算法

基于预先设定的测量方差对协方差估计所产生的不良影响,提出了一种基于测量方差时变的传感器管理算法。首先,该算法根据时变的测量方差计算目标的估计协方差;其次,利用所得的估计协方差求出目标的信息增量;最后,根据信息增量最大化的原则对传感器资源进行分配。所提算法既充分利用了传感器每次测量带来的信息,又进一步优化了测量方差。仿真实验表明:该算法不仅能提高状态的估计精度,同时,也使系统性能得到改善。     

多传感器采样系统的分布式容错估计

研究了多传感器采样系统在发生一类典型故障情况下的分布式融合估计问题;首先,针对局部传感器,利用Kalman滤波获得的新息进行故障检测;然后在最小方差意义下发展了传感器故障在线递归估计方案;进一步将所获得的估计结果对故障传感器的测量值进行重构,并应用射影定理建立了局部传感器容错更新算法;最后基于线性最小方差融合原则给出了多传感器采样系统的分布式容错估计方案;相比于已有融合估计方法,所提方案不仅能及时检测传感器故障,并且能进一步充分利用故障传感器信息来提高估计精度;数值仿真验证了方法的有效性和优越性。     

多传感器数据融合控制

本文研究了多传感器数据融合控制的结构及基于卡尔曼滤波的融合控制算法，最后给出了仿真结果。     

应用于状态监测的多传感器融合估计

在状态监测的工程实际中, 使用多个同类传感器进行在线测量可以得到更为准确的状态估计．但各传感器测量噪声会出现相关的情况, 而且很难得到相关测量噪声的方差矩阵的精确值, 测量系统往往是不确定的．本文根据系统测量将系统分解为确定和不确定扰动两部分, 分别进行估计, 然后将两者的融合估计结果相加得到了最优鲁棒的融合估计．针对确定部分, 利用同类传感器的测量方差为Pei-Radman矩阵的特性, 通过求解测量噪声方差矩阵的最大特征值得到了一种简便的最优融合估计算法, 该算法避免了求解方差矩阵的逆的过程．针对不确定     

一种改进的多无线传感器数据分批估计自适应加权融合算法

为解决温室大棚中多无线传感器监测数据融合精度低的问题,提出了一种改进型的分批估计自适应加权融合算法。算法首先对单个无线温度传感节点一段时间内所采集的数据根据容许函数阈值剔除误差较大的数据,然后对该温度传感器的数据进行分批估计得出该节点某一段时间内的最优估计值,以此得到该区域所有无线温度传感节点最优估计值后,依据权值最优分配原则对每组传感器数据进行组内自适应加权融合,从而计算得到该段时间内温室大棚的温度精确值。通过实验验证得出：相对于平均值法与传统的分批估计算法,本算法数据融合易于实现,融合值相对误差值更低,稳健性更好。     

提高测量可靠性的多传感器数据融合有偏估计方法

为了提高测量数据可靠性,多传感器数据融合在过程控制领域得到了广泛应用. 本文基于有偏估计能够减小最小二乘无偏估计方差的思想,提出采用多传感器有偏估计数据融合改善测量数据可靠性的方法. 首先,基于岭估计提出了有偏测量过程,并给出了测量数据可靠性定量表示方法,同时证明了有偏测量可靠度优于无偏测量可靠度. 其次,提出了多传感器有偏估计数据融合方法,证明了现有集中式与分布式无偏估计数据融合之间的等价性. 最后,证明了多传感器有偏估计数据融合收敛于无偏估计数据融合. 实例应用验证了方法的有效性.     

测距传感器数据在线自适应加权融合

针对移动机器人的测距系统,采用了红外线传感器与超声波传感器共同测距,避免了因使用单个传感器进行多次测量而降低系统的实时性和产生信号串扰问题;应用自适应加权数据融合估计算法对实时测量数据进行在线融合估计,只对当前采样时刻的测量数据进行自适应加权融合,而各传感器的加权因子则通过传感器的测量数据进行方差在线学习估计以自适应方式进行调整,使融合结果的均方误差始终最小,实现两种传感器在功能上的互补;实验结果表明,该方法提高了整体测距精度,得到了被测距离更加准确的估计.     

A Framework for Globally Optimal State Estimation for Systems with Unknown Inputs (II): Untrammeled Approach

In this paper, a globally optimal state estimation, in light of unbiased minimum‐variance filtering over all linear unbiased estimators, is addressed. This paper is the second part of a comprehensive extension of original work by Hsieh, with the main aim being to develop an untrammeled filtering framework that does not need any transformations for global unbiased minimum‐variance state estimation (GUMVSE) for systems with unknown inputs that affect both the system and the output. The main contributions of this paper are: (i) a more general derivation of the globally optimal state estimator (GOSE) for the GUMVSE is presented; (ii) a more direct proof, verifying the global optimality of the GOSE by finding the global minimum of the trace of the estimation error covariance, is constructed; and (iii) an application of the proposed result to re‐derive a specific transformation‐based GOSE, i.e., the recursive optimal filter proposed by Cheng et al., is illustrated. The relationship with previously proposed results is also addressed. A simulation example is given to illustrate the usefulness of the proposed results. Copyright © 2011 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

数字信号融合中的最优加权法

根据模拟信号中最优加权数据融合权系数的分配,结合量化过程的统计特点,推导得出了数字信号的最优加权数据融合方法中权系数的分配,仿真结果验证了该融合方法在数字信号处理中的有效性.     

多传感信息融合与自动化

综述多传感信息融合技术的概念、发展的起因、主要研究内容、现有的理论和方法,同时还就其在工业机器人、汽车自动导航与驾驶、身份识别、多目标跟踪、人工智能等自动化领域的应用进行了讨论.作者对于这一新兴研究方向未来的发展趋势作了展望,并就信息融合的一般理论、主要方法论、存在的问题等进行了探讨.     

分簇传感网络系统两级鲁棒观测融合Kalman滤波器

研究了分簇传感网络分布式融合Kalman滤波器.根据最邻近原则将传感网络分成簇,每簇由传感节点和簇首组成.应用极大极小鲁棒估计原理,基于带噪声方差最大保守上界的最坏保守系统,对带不确定性噪声方差的分簇传感网络系统提出了两级鲁棒观测融合Kalman滤波器.当传感器数量非常多的时候它可以明显减小通信负担.在鲁棒性分析中利用Lyapunov方程方法证明了局部和融合Kalman滤波器的鲁棒性.提出了鲁棒精度的概念,并证明了局部和融合鲁棒Kalman滤波器之间的鲁棒精度关系.证明了两级加权观测融合器的鲁棒精度等价于相应的全局集中式鲁棒融合器的鲁棒精度,并且高于每个局部观测融合器的鲁棒精度.一个仿真例子说明上述结果的准确性.     

On Nonparametric Residual Variance Estimation

In this paper, the problem of residual variance estimation is examined. The problem is analyzed in a general setting which covers non-additive heteroscedastic noise under non-iid sampling. To address the estimation problem, we suggest a method based on nearest neighbor graphs and we discuss its convergence properties under the assumption of a Hölder continuous regression function. The universality of the estimator makes it an ideal tool in problems with only little prior knowledge available.     

多传感器分布式区间估计融合

考虑了对未知参数θ的多传感器分布式区间估计融合问题. 建立了一种最优区间估计融合模型———凸线性组合融合, 并给出搜索最优权系数的Gauss Seidel迭代算法, 另外, 给出了一种近似的区间估计融合, 它能减少大量的计算量, 并且在某些情况下可以达到最优的估计性能. 最后采用计算机数值模拟, 用以上方法得到的融合区间估计均优于每个传感器的区间估计的性能.     

基于多传感器的运动姿态测量算法

在基于MEMS传感技术的运动姿态测量中, 陀螺仪信号的漂移和载体线性加速度与重力加速度的叠加是影响测量结果准确性的主要原因, 实践中一般采用静态补偿和滤波技术减小测量误差. 基于自主研发的惯性测量单元, 设计了一种新型两级扩展卡尔曼滤波器: 基于四元数的运动姿态测量模型, 首先构造自适应加速度误差协方差矩阵, 消除载体线性加速度, 再采用多传感器融合技术进行数据融合, 修正陀螺仪信号漂移产生的误差. 实验表明, 本文算法结果与业界认可的动作捕捉系统Xsens的测量结果一致, 可有效满足应用需求.