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.     

带有色观测噪声系统多传感器标量加权最优信息融合稳态Kalman滤波器

基于标量加权多传感器线性最小方差最优信息融合准则,对被多传感器观测的带有色观测噪声的离散线性随机控制系统,提出了一种具有两层融合结构的标量加权信息融合稳态Kalman滤波器,它等价于相应的带相关噪声系统的最优信息融合稳态Kalman预报器.最优信息融合稳态预报器可在所有局部预报器达到稳态时,通过一次融合获得,且任两个子系统之间的稳态预报误差互协方差阵可通过任选初值迭代求得,并证明了它的收敛性.通过将它应用到带三个传感器的雷达跟踪系统验证了其有效性.     

具有传感器增益退化的不确定系统融合估计器

研究具有传感器增益退化、模型不确定性的多传感器融合估计问题, 其中传感器增益退化现象描述为统计特性已知的随机变量, 模型的不确定性描述为系统矩阵受到随机扰动. 设计一种局部无偏估计器结构, 并建立以局部估计器增益为决策变量、以有限时域下融合估计误差为代价函数的优化问题. 在给出标量融合权重时, 考虑到求得最优的局部估计器增益的解析形式较为困难, 通过最小化代价函数的上界得到一组次优的局部估计器增益. 最后通过算例仿真表明了所设计融合估计器的有效性.

     

离散随机奇异系统的最优融合全阶状态估值器

研究带多传感器和相关观测噪声的离散随机奇异系统的分布式融合状态估计问题.核心思想是将带多传感器的随机奇异系统转化为一个等价的非奇异系统组.在得到局部非奇异系统的状态估计后,利用线性最小方差意义下的最优加权融合算法,得到原系统的全阶最优融合滤波器和平滑器.仿真算例表明,融合估值器优于每个局部估值器.     

具有传感器增益退化、随机时延和丢包的分布式融合估计器

研究了具有传感器增益退化、模型不确定性、数据传输时延和丢包的网络化多传感器分布式融合估计问题,模型的不确定性描述为系统矩阵受到随机扰动,传感器增益退化现象通过统计特性已知的随机变量来描述,随机时延和丢包现象存在于局部最优状态估计向融合中心传输的过程中.首先,设计了一种局部最优无偏估计器,然后将传输时延描述为随机过程,并在融合中心端建立符合存储规则的时延-丢包模型,利用最优线性无偏估计方法,导出最小方差意义下的分布式融合估计器.最后,通过算例仿真证明所设计融合估计器的有效性.     

带相关噪声异步采样系统的分布式最优线性递推融合估计

对带相关噪声的异步均匀采样线性离散系统, 研究了分布式最优线性递推融合预报和滤波问题. 通过引入 满足伯努利分布的随机变量将系统同步化, 给出了局部Kalman预报器和滤波器. 分别推导了局部估值间的互协方 差阵、分布式最优线性融合估值与局部估值间的互协方差阵. 提出了分布式最优线性递推融合预报器和滤波器. 与 局部估值按矩阵加权的分布式融合估计算法相比, 所提出的算法具有更高的估计精度, 但与集中式融合相比有精度 损失. 为了进一步提高估计精度, 又提出了带反馈的分布式最优线性递推融合预报器和滤波器, 证明了带反馈的融 合估计与集中式融合估计具有相同的精度. 仿真例子验证了所提算法的有效性.     

分布式系统中H∞滤波的最优融合

分布式多传感器系统的一个关键问题是如何在融合中心将各分站的局部估计进行最优融合。分布式Kalman滤波因其具有分布式估计的诸多优点,并能达到中心式估计的最优性能而受到广泛关注。针对分布式不确定动态系统的H＊滤波给出了最优融合公式,并证明其同样能够达到中心式的融合性能,通过仿真实例验证了该最优融合的有效性。     

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.     

不确定多传感器系统鲁棒观测融合Kalman 预报器

对于带不确定模型参数和噪声方差的线性离散时不变多传感器系统, 用虚拟噪声补偿不确定参数, 系统转化为仅带噪声方差不确定性的多传感器系统. 用加权最小二乘法和极大极小鲁棒估计准则, 基于带噪声方差保守上界的最坏情形保守系统, 提出一种鲁棒加权观测融合稳态Kalman 预报器, 并应用Lyapunov 方程方法证明了它的鲁棒性, 同时给出了与鲁棒局部和集中式融合Kalman 预报器的精度比较. 最后通过一个仿真例子说明了如何搜索参数扰动的鲁棒域, 并验证了所提出的理论结果的正确性和有效性.

     

标量及对角阵加权的序贯估计融合算法研究

针对多传感器分布式估计融合系统,在最小化估计误差的协方差矩阵迹的准则下,采用标量加权及对角阵加权融合方法,提出了估计误差相关条件下的序贯处理式最优估计融合Kalman滤波器。该融合滤波器以两传感器估计融合算法为基础,对传感器采集信息依次进行融合计算,得到多传感器融合结果。比较两种算法与局部滤波器的估计精度,并进行了仿真。仿真结果表明了基于加权估计融合的序贯处理算法的可行性和有效性。     

带多层融合结构的广义系统 Kalman 融合器

对带多传感器的线性离散随机广义系统, 用奇异值分解将其化为两个降阶耦合子系统, 应用现代时间序列分析方法, 基于自回归滑动平均 (Autoregressive moving average, ARMA) 新息模型和白噪声估计理论, 提出了带三层融合结构的分布式稳态 Kalman 融合器, 它由两个加权融合器和两个复合融合器组成. 第一层给出子系统状态融合器, 实现了每个子系统分量解耦融合; 第二层给出变换后状态融合器, 实现了两个子系统的解耦融合; 第三层给出原始状态融合器, 它可统一处理状态融合滤波、平滑和预报问题. 为计算最优加权阵, 给出了计算局部估计误差互协方差阵公式, 证明了它的精度比每个局部估值器精度高. Monte Carlo 的仿真实例说明了其有效性.     

遮挡情况下刚体位姿估计的自适应无迹卡尔曼分布式融合

针对视觉目标位姿估计系统中常出现的因为特征点遮挡而造成系统估计结果不准确的问题,本文提出了一种利用自适应无迹卡尔曼滤波(AUKF)作为局部滤波器的分布式融合估计方法.通过引入改进的Sage-Husa噪声估计器自适应过程噪声.根据特征点识别量将遮挡情况分为部分遮挡和严重遮挡,对部分遮挡子系统根据先验信息修复缺失观测点后进行局部滤波估计,严重遮挡子系统不参与融合,利用当前时刻整体估计结果对其进行初始化.通过仿真获取了区分遮挡情况的阈值,实验结果表明所提方法能够提升系统在遮挡情况下的估计精度与鲁棒性.     

空间连接系统分布式递推状态估计

针对空间连接系统, 提出一种分布式递推状态估计算法, 并给出算法收敛的充分必要条件. 该分布式估计器由一系列子估计器组成, 每个子估计器只利用本地子系统和相邻子系统的输出测量值估计本地子系统的状态. 与集总式Kalman 滤波相比, 在牺牲少量估计精度的情况下, 所提出算法大幅降低了计算复杂度和数据传输压力.     

噪声方差未知情况下多传感器航迹融合

在多传感器信息融合中,已有的航迹融合算法都是在噪声方差已知情况下基于最优的卡尔曼滤波算法的,而实际应用中噪声方差往往是未知的.针对上述问题,基于扩展记忆因子递推最小平方(EFRLS)估计的滤波方程,研究了噪声方差未知情况下集中式、分布式、混合式多传感器航迹融合方法.并对三种航迹融合算法的跟踪性能和卡尔曼滤波融合算法的性能进行了仿真比较.由于多级式多传感器的航迹融合方法可由本文的方法直接推广,所以只需研究两级的情况就可.     

Multi-sensor Optimal Data Fusion for INS/GNSS/CNS Integration Based on Unscented Kalman Filter

This paper presents an unscented Kalman filter (UKF) based multi-sensor optimal data fusion methodology for INS/GNSS/CNS (inertial navigation system/global navigation satellite system/celestial navigation system) integration based on nonlinear system model. This methodology is of two-level structure: at the bottom level, the UKF is served as local filters to integrate GNSS and CNS with INS respectively for generating the local optimal state estimates; and at the top level, a novel optimal data fusion approach is derived based on the principle of linear minimum variance for the fusion of local state estimates to obtain the global optimal state estimation. The proposed methodology refrains from the use of covariance upper bound to eliminate the correlation between local states. Its efficacy is verified through simulations, practical experiments and comparison analysis with the existing methods for INS/GNSS/CNS integration.     

Fusion estimation in clustering sensor networks under stochastic deception attacks

In this paper, a fusion estimation problem in clustering sensor networks under stochastic deception attacks is investigated. The sensors are divided into several clusters, and a local estimator is embedded in each cluster. During the network transmissions, deception attacks are considered to randomly occur and the statuses of the attacks are described by a set of Bernoulli variables. By using the clustering sampled information, a local minimum variance filter is derived and the filter gains are recursively determined. By using the local estimates and the local estimation error covariance matrices, a covariance intersection fusion algorithm is presented for the fusion centre to generate the final estimate. Moreover, the relationship between the trace of the local estimation error covariance matrix and the uniform successful attack rate is analysed. An illustrative example is given to shown the effectiveness of the proposed theoretical results.     

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.     

Distributed weighted robust Kalman filter fusion for uncertain systems with autocorrelated and cross-correlated noises

In this paper, the problem of distributed weighted robust Kalman filter fusion is studied for a class of uncertain systems with autocorrelated and cross-correlated noises. The system under consideration is subject to stochastic uncertainties or multiplicative noises. The process noise is assumed to be one-step autocorrelated. For each subsystem, the measurement noise is one-step autocorrelated, and the process noise and the measurement noise are two-step cross-correlated. An optimal robust Kalman-type recursive filter is first designed for each subsystem. Then, based on the newly obtained optimal robust Kalman-type recursive filter, a distributed weighted robust Kalman filter fusion algorithm is derived for uncertain systems with multiple sensors. The distributed fusion algorithm involves a recursive computation of the filtering error cross-covariance matrix between any two subsystems. Compared with the centralized Kalman filter, the distributed weighted robust Kalman filter developed in this paper has stronger fault-tolerance ability. Simulation results are provided to demonstrate the effectiveness of the proposed approaches.