基于数据融合估计理论的Kalman滤波

本文在经典Kalman滤波算法的基础上针对多传感器数据处理的特点,根据不同的数据融合结构方案给出了多传感器数据融合系统的Kalman滤波算法。根据多传感器数据融合估计知识,建立了基于Kalman滤波的数据融合模型;给出了融合结构的数据融合滤波算法：集中式Kalman滤波算法;进行了算法仿真演示实验。实验结果表明,通过多传感器融合能够提高系统的估计精度。     

一种导航传感器试飞基准获取方法研究

在简要分析导航传感器试飞现状的基础上, 提出了利用数据融合算法获取导航传感器数据基准的实现方案, 在方案中充分考虑了不同导航传感器的性能特性, 提出了基于集中Kalman滤波的试飞导航数据初步融合和在Kalman滤波基础上利用固定区间平滑滤波实现全局信息优化融合的导航传感器基准获取方法, 并利用试飞数据对融合算法进行了验证。结果表明: 该方法有效利用了不同传感器的特性和事后数据处理的优势, 融合输出精度较融合前有明显提高, 为导航传感器的试飞评估提供了新的思路和方法。     

单传感器多尺度状态融合估计算法

该文在离散小波变换理论和动态多尺度系统理论的基础上,建立了一种基于单传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,对Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建多尺度Kalman滤波模型,充分利用状态估计和观测数据在不同尺度上的特征进行融合估计,获得了优于单尺度Kalman滤波及已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证该算法的有效性。      

多分辨率传感器多尺度融合估计算法

该文在基于信号统计特性的离散小波变换理论(DWT)和基于状态转移模型的动态多尺度系统理论(DMS)的基础上,提出了一种多分辨率传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,首先对不同分辨率传感器Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建统一的多尺度Kalman滤波模型,然后将不同分辨率传感器在同一尺度上获得的观测向量融合滤波,获得了优于已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证了该算法的有效性。     

合成孔径声纳姿态及运动估计--鲁棒Kalman估计算法

合成孔径声纳姿态及运动估计系统一般由惯性测量单元(IMU),差分DGPS,声多普勒计程仪DVL,深度传感器,磁罗经等多种测量传感器组成.通常情况下,惯性测量单元(IMU)必须与DVL或DGPS进行数据融合,才能获得更好的测量性能;同时,由于姿态及运动监测系统的传感器较多,系统受外界扰动影响比较严重,即观测野值比较严重.因此,将M-估计原理应用到Kalman滤波算法中,利用鲁棒Kalman滤波算法来处理合这类估计问题.计算机仿真结果表明,该方法将惯性测量单元(IMU)测量结果与差分DGPS或DVL测量结果进行数据融合,较好地解决了合成孔径声纳姿态、运动估计问题.     

一种组合式的Kalman滤波算法

针对Kalman滤波算法在估计过程中存在噪声影响和过程信号无法直接观测等问题,提出一种组合式的Kalman滤波算法.首先对观测的数据进行自适应加权融合,然后将融合的结果作为第二级Kalman滤波的先验估计值,进行Kalman滤波.通过自适应算法与Kalman算法的组合算法进行数据融合,可以提高融合的准确度和精度.最后通过仿真证实算法的有效性.     

一类多速率动态系统的异步数据融合算法

针对不同传感器以不同采样率、异步对同一目标进行观测的一类线性时不变动态系统,给出了一种有效的状态融合估计方法.利用该方法进行状态估计,首先根据多尺度系统理论,针对每一个传感器分别建立起相应的系统模型;然后利用Kalman滤波和有反馈分布式融合结构进行数据融合并给出状态估计.该方法避免了插值以及状态和观测的扩维,具有较好的实时性.理论分析和仿真结果均表明,融合估计结果在估计误差方差最小意义下,优于最高采样率的传感器Kalman滤波的结果,融合算法是有效的.     

一种基于多传感器的复合量测IMM-EKF数据融合算法

为了提高多传感器系统的目标跟踪精度,且解决传感器数量多导致的耗时长的问题,提出了一种复合量测IMM-EKF（Interacting Multiple Model-Extended Kalman Filter）融合算法.该算法根据各传感器的测量精度,对各传感器关于同一目标的量测点迹进行加权融合,再将融合后的点迹进行IMM-EKF滤波处理.通过仿真及实验数据处理,将复合量测IMM-EKF融合算法与加权IMM-EKF融合算法、扩维IMM-EKF融合算法进行了对比分析,比较了三种算法的跟踪精度及耗时长度.结果表明,扩维IMM-EKF融合算法具有最优的跟踪精度,复合量测IMM-EKF融合算实时性最好.最后分别给出了三种算法的适用场合.     

无线电／激光高度表复合测高技术研究

无线电高度表和激光高度表是巡航导弹上用于探测地形高度的2种主要传感器,激光高度表具有探测精度高、抗电磁干扰能力强的优点;而无线电高度表不受天气和环境的影响,可全天候使用。因而,将无线电高度表与激光高度表进行复合探测,有利于提高地形探测精度,并增强系统抗干扰能力。在高度表测量方程的基础上,基于卡尔曼滤波公式和简单融合算法,给出了无线电／激光多传感器的滤波及融合模型;并利用M atlab对多传感器融合效果进行了仿真。仿真结果表明：基于多传感器融合的高度测量系统的精度比单个传感器的测量精度要高,且系统的稳定性和可靠性更强,所设计的基于无线电／激光高度表多传感器数据融合的高度测量算法是有效的。     

基于MTF的多传感器融合算法

Kalman滤波是一种应用非常广泛的状态估计算法,基于信息融合的Kalman滤波包括状态向量融合和测量融合两种方法。传统的Kalman方法(TTF)具有较低的估计误差和很长的计算时间。提出的状态向量和测量向量的融合模型MTF利用局部融合信息给出一种更好的状态估计,计算时间短,性能也比TTF高。