多传感器交互滤波算法

 由于传感器节点感知范围有限,传感器网络内的目标跟踪过程可以被建模成为一个马尔可夫跳变系统.以此为基础根据贝叶斯理论设计接力卡尔曼滤波算法,重构新息方程,实现网络中连续的协作式跟踪.进而通过混合每次迭代状态和方差的初始值,提出了多传感器交互滤波算法.其性能优于接力卡尔曼滤波算法,却牺牲了算法的计算复杂度.最后,仿真结果验证了所提算法的有效性.     

多传感器自适应滤波融合算法

该文提出了一种在线调整权值的多传感器自适应滤波数据融合跟踪算法,用于解决复杂背景下机动目标跟踪问题。首先自适应寻找各个传感器所对应的最优加权因子,确定融合后某一时刻目标最优观测值;其次,以输入信号作为相关自适应滤波器的观测信号,通过新息相关自适应滤波算法根据状态方程及观测方程中误差的变化,实时动态地调整增益矩阵,同时依据自适应滤波状态偏差输出信号及当前观测数据,应用模糊推理在线调整各传感器权值,最终系统输出即为测量轨迹在两级自适应调整融合下最优轨迹。仿真结果证明了算法有效性。     

多传感器顺序粒子滤波算法

粒子滤波是一种基于Monte Carlo仿真的最优回归贝叶斯滤波算法.这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型,因此能够很好地解决非线性、非高斯环境下系统的状态估计问题.为了能够有效地解决非线性、非高斯环境中的集中式多传感器状态估计问题,本文研究了多传感器顺序粒子滤波算法.首先,从理论上推导了一般的集中式多传感器粒子滤波模型;然后根据集中式多传感器系统的特点,提出了顺序重抽样方法.最后,给出了算法的仿真分析.仿真结果说明顺序粒子滤波方法能够明显提高多传感器系统状态估计精度,并且随着传感器数增多,改善的效果越好.     

集中式多传感器不敏多假设滤波算法

为了解决非线性系统中杂波环境下的多传感器多目标跟踪问题,提出了一种集中式顺序多传感器不敏多假设滤波算法。在算法中,首先根据顺序结构多传感器系统实现方法将研究问题转化为顺序处理多个非线性单传感器多目标跟踪问题,然后结合多假设跟踪的思想将单传感器中量测点迹与多个航迹互联,在此基础上采用不敏卡尔曼滤波完成非线性条件下目标状态估计与协方差的递推。仿真结果表明,与MSJPDA/EKF算法相比,本算法具有更高的跟踪精度和稳定性。     

多传感器箱粒子PHD滤波多目标跟踪算法

针对目标检测概率较低导致单个传感器无法对目标进行有效检测并跟踪的问题,本文提出了多传感器箱粒子概率假设密度(multi-sensor box particle probability hypothesis density filter,MS-BOX-PHD)滤波器.MS-BOX-PHD滤波器首先将多个传感器的量测转换、融合成为一个量测集合,并利用箱粒子概率假设密度(box particle probability hypothesis density filter,BOX-PHD)滤波器对多个目标的状态进行预测和更新.数值实验表明,相较于单传感器箱粒子概率假设密度(Single-BOX-PHD)滤波器,MS-BOX-PHD滤波器在目标检测概率较低时,能够有效地对多目标的状态和数目进行估计;相较于区间量测下多传感器标准PHD粒子(multi-sensor standard probability hypothesis density particle filter with interval measurement,IM-PHD-PF)滤波器,在达到相同的跟踪性能时,计算效率提升了38.57％.     

多目标滤波中的多传感器概率假设密度算法

多传感器情况下的多目标概率假设密度(PHD)滤波是建立在假设模型上实现的。该文用随机有限集(RFS)方法描述多目标状态空间和传感器量测空间,分析了多传感器通用假设模型下的探测概率、似然函数和杂波分布,在此基础上利用概率产生泛函(PGFL)推导出了多传感器PHD滤波递归式,进而提出粒子标记法多传感器贯序蒙特卡洛PHD(SMC-PHD)滤波等价实现算法,降低了多传感器PHD滤波的计算复杂度。最后给出了算法的具体实现,得到了良好的多目标数目和可跟踪多目标状态的估计。     

多波束回波信号可变带宽滤波算法及其FPGA实现

噪声是限制多波束测深声呐深度估计精度的重要因素,目前在声呐系统中广泛采用的噪声抑制方法是固定带宽滤波。针对测量扇面内不同方向上噪声影响程度不同的特点,该文提出一种新的可变带宽滤波算法并依据多波束回波特性设计了相应的滤波器,与传统滤波方法相比,可以有效地提高信噪比,并且运算量小;其滤波算法结构非常有利于 FPGA的快速实现。文中给出了该滤波算法的FPGA实现结构,并仿真验证了该滤波算法的工程可行性。对湖上试验数据的处理结果验证了该算法的有效性。     

粒子滤波算法在多传感器测量中的应用

目标跟踪是粒子滤波算法在处理非线性问题的一种典型应用,但由于在线处理能力或传输条件的限制,实际应用中往往无法对多个传感器数据同时处理。据此,给出了一种基于多传感器选优的粒子滤波算法。假设每个时刻可以处理一个测量数据,该算法先采用加权的概率密度函数来评价每个传感器获得的测量值,并用粒子滤波对概率密度函数的加权进行实时更新,基于最大熵标准来选取最优测量数据进行处理。同时,最大熵标准保证了最优似然函数分布最宽,从而缓解粒子衰竭问题。通过数值仿真实验证明,该算法可以选择最优观测数据进行处理,有效降低多传感器测量中粒子滤波在线实时处理性能的要求,也较好地缓解了粒子滤波的"衰竭"问题。     

基于RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。     

多传感器系统的分散滤波

本文对分散Ｋａｌｍａｎ滤波和轨迹融合方法的发展概况进行了综述。     

一种新的可变步长LMS自适应滤波算法

本文在讨论基本L,MS,变步长NLMs【",改进的SVSI。MS[2]和LMS／Fp]组合自适应滤波算法的上基础上提出一种新的可变步长L.MS自适应滤波算法,新算法引入修正系数p和遗忘因子／lf=exl~(-i)(i=l,2,...,M-1),并利用p和^i来产生新的步长参与迭代。计算机仿真结果表明,与基本LMS算法或变步长NL,MS算法、改进的SVSLMS算法、LMS／F组合算法相比,新算法在保持算法简单这一特点的同时进一步加快了收敛速度,并能够收敛到更小且稳定的均方误差(MSE)。     

一种新的可变步长LMS自适应滤波算法

在简单讨论基本LMS，变步长NLMS和LMS／F组合自适应滤波算法的基础上提出一种新的可变步长LMS自适应滤波算法，新算法引入修正系数ρ和遗忘因子λi=exp(-i)，并利用ρ和λi来产生新的步长参与迭代，计算机仿真结果表明，与基本LMS算法或变步长NLMS、LMS／F组合算法相比，新算法在保持算法简单这一特点的同时进一步加快了收敛速度，并能够收敛到更小且稳定的均方误差(MSE)。     

避难硐室矿用多参数传感器设计

在煤矿井下避难硐室中,最基本的传感器组成为参数一氧化碳、氧气、甲烷、二氧化碳和温湿度。然而在现有传感器中,虽然已有温湿度二合一传感器集成,减少了传感器数量和繁琐布线,但目前很少具有四参数的传感器。以STM32F407单片机为设计核心,结合电化学一氧化碳、氧气和催化甲烷以及红外二氧化碳传感器为一次传感元件,经电路处理,实现一款专用于避难舱的传感器,具有一氧化碳、氧气、甲烷、二氧化碳四个参数监测预警功能,并能接入煤矿安全监控系统中。简化了煤矿避难硐室结构布局,节省了人力、物力,具有推广价值。     

基于FPGA高精度多参数传感器存储设备设计

为了提高多参数传感器信号存储的精度及可靠性,设计了一种以FPGA为主控芯片的高精度多参数传感器信号存储模块,采用AD7767作为加速度计传感器信号采集工作核心,AD7492作为高频传感器信号采集工作核心,AD7767与ADA4941-1组成高精度ADC以确保传感器信号的高精度存储,实现多参数传感器信号的高精度存储。通过多次实际测试显示,模块对多参数传感器信号的存储精度高,且具有很高可靠性,已成功运用于实际工程中。     

时变参数比例自适应滤波算法

在免提电话和视频会议系统中,自适应滤波器估计的回声路径通常是稀疏的.改进的比例归一化最小均方(IPNLMS)算法能够加快自适应滤波器在估计稀疏系统时的收敛速度,但与归一化最小均方(NLMS)算法相比,其稳态失调的波动性较大.为了解决这一问题,本文提出了一种时变参数IPNLMS(TV-IPNLMS)算法.该算法根据系统的均方误差(MSE)与噪声功率的比值,使用一个sigmoid函数来调整时变参数的值.该时变参数能够降低IPNLMS算法在滤波器到达稳态时的比例增益.仿真结果表明,时变参数方法能够降低IPNLMS算法稳态失调的波动性.该算法可用于回声消除、主动噪声控制等领域.     

基于AHRS的改进自适应互补滤波算法研究

针对基于MEMS传感器的航姿参考系统精度不高、数据易漂移导致测量无人载体航姿数据不准确的问题,设计了基于四元数与自适应互补滤波相结合的改进自适应互补滤波算法。通过对MEMS加速度计与磁强计输出数据、MEMS陀螺仪的积分数据进行补偿、数据融合,减小积分漂移。仿真实验数据表明,该改进互补滤波算法可抑制外部噪声对输出数据准确性的影响,提高了姿态角输出数据准确性。     

多传感器滤波算法下的两轮自平衡机器人控制

文中旨在实现两轮自平衡机器人更加稳定的姿态控制的研究,选择STM32作为开发平台,针对在对两轮平衡车姿态检测过程中存在一定的噪声干扰和测量误差的问题,设计了一种基于卡尔曼滤波的由多个传感器数据融合的方法。在更好地融合了多组陀螺仪与加速度计的数据,同时减少了存储量,得到更准确更稳定的角度值。控制结果表明,卡尔曼滤波方法下的多组传感器数据融合的姿态检测方案,能够更好地有助于系统抑制噪声,使得自平衡机器人的姿态调节更加稳定,更有利于机器人系统的控制。     

一类分布式传感器粒子滤波融合算法

针对非线性非高斯的分布式多传感器状态估计问题,提出了一种基于无迹卡尔曼滤波与粒子滤波相结合的融合跟踪算法。通过对量测方程的非线性分析,利用改进的粒子滤波算法(UPF)计算局部传感器的状态估计值,再应用分布式加权融合准则得到全局状态估值.     

一种新的可变步长LMS自适应滤波算法及其算法分析

在讨论基本LMS．变步长NLMS和LMS／F组合自适应滤波算法的基础上提出一种新的可变步长LMS自适应滤波算法,新算法引入修正系数和遗忘因子．并利用和来产生新的步长参与迭代。计算机仿真结果表明,与基本LMS算法或变步长NLMS、LMS／F组合算法相比,新算法在保持算法简单这一特点的同时进一步加快了收敛速度,并能够收敛到更小且稳定的均方误差(MSE)。     

基于可变阶数的集员滤波仿射投影算法

为了解决传统集员滤波仿射投影(SM-AP)算法收敛速度与稳态失调和计量复杂度之间的矛盾,提出一种新的数据选择性仿射投影算法。此算法在传统SM-AP算法的基础上,引入可变阶数(也称数据重用因子),称为基于可变数据重用因子的集员滤波仿射投影(VDRF-SM-AP)算法。通过利用步长提供的信息,此算法可以自动地分配数据重用因子,实现了在初始阶段数据重用因子大,收敛后数据重用因子小的目标,从而既保证了收敛速度又降低了稳态失调。通过理论分析和仿真验证,新算法的整体复杂度比其他传统的SM-AP算法低很多,同时保留了传统的SM-AP算法的快速收敛特性,但是却能达到更小的稳态失调。