带观测滞后多传感器系统的改进协方差交叉融合Kalman滤波器

为了处理带观测滞后多传感器系统的融合估计问题,引入了局部次优递推Kalman滤波器,利用改进的协方差交叉融合算法,提出了改进协方差交叉融合Kalman滤波算法。它可以避免由互协方差计算引起的较大计算负担,并可以处理互协方差未知系统的融合问题。与传统协方差交叉融合Kalman滤波器相比有更高的鲁棒精度,改进的协方差交叉融合器的精度高于每个局部传感器,并且更接近于按矩阵加权的Kalman滤波器精度,因而具有良好的性能。仿真例子验证了其有效性、一致性,并对精度关系做出了几何解释。     

具有未知传输干扰和丢包的网络化多传感器系统的CI融合滤波器

研究了具有未知传输干扰和观测丢失的网络化多传感器系统的滤波器设计问题。采用一组满足伯努利分布的随机变量来描述观测丢失现象。在没有传输干扰任何信息的情形下,基于线性无偏最小方差估计准则,设计了系统状态的具有Kalman形式的递推滤波器。应用CI(Covariance Intersection)融合算法给出了分布式次优融合状态滤波器。并基于融合状态滤波器给出了未知传输干扰估计。仿真验证了该算法的有效性。     

基于融合协方差的红外和可见光图像特征融合方法

考虑到不同特征代表了图像的不同信息,融合后的特征更能体现图像的本质,重点阐述分析了基于融合区域协方差的特征融合方法,该方法可以自然地融合多个相关的特征,协方差计算本身具有滤波能力且效率高,最后通过设计合适的目标特征,基于区域协方差融合特征实现舰船目标识别。实验表明,融合协方差描述子可以较好地融合舰船可见光图像和红外图像的联合目标特征,提高目标识别能力。     

采用ARUKF算法的电力系统动态状态估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法进行电力系统状态估计时容易受到系统噪声和量测粗差影响的缺点,提出了一种新的自适应抗差无迹卡尔曼滤波(adaptive robust unscented Kalman filter,ARUKF)算法来改善估计过程中系统的稳定性。通过添加Sage-Husa噪声滤波器和抗差估计器,提高了未知噪声情况下系统的适应性及量测粗差情况下系统的滤波处理性能。实验结果表明,所提出的ARUKF方法与传统的UKF方法相比,在收敛速度基本不变的情况下,解决了滤波过程中系统噪声未知导致的估计精度下降问题,在系统存在粗差时具有更好的鲁棒性。     

自适应拟合推估法及其在GPS高程拟合中的应用

应用拟合推估法进行GPS高程拟合时,难以确保观测噪声协方差与信号协方差之间的协调,致使拟合推估解存在偏差。本文提出一种基于Helmert方差分量估计的自适应拟合推估法,通过自适应因子α合理调整观测噪声协方差与信号协方差之间的权比,提高拟合推估的精度。通过实例计算与分析,验证了自适应拟合推估的有效性,并探讨了不同的观测噪声初始方差对解算结果的影响。     

带未知观测输入和观测丢失多传感器随机不确定系统的集中式融合滤波

对带未知观测输入和观测丢失的多传感器随机不确定系统设计了集中式融合滤波器。通过乘性噪声描述的随机不确定性存在于系统的状态和观测矩阵中。在没有观测干扰任何先验信息的情况下,应用线性无偏最小方差准则,设计了不依赖于未知观测输入的具有Kalman形式的集中式融合滤波器。仿真验证了算法的有效性。     

基于CI算法的多传感器时滞航迹的分布式融合估计

网络的传感器节点向处理中心传输局部估计时,不可避免地存在随机延迟,从而导致航迹无序现象频发。在分布式框架下,研究多传感器时滞航迹的融合估计问题。采用最新可利用的局部估计原则,若未收到最新局部估计,则用之前收到的最新的估计进行预报。进而,运用避免计算互协方差阵的CI算法进行分布式融合。避免了计算互协方差阵,且能改善局部估计的精度。仿真例子说明算法的有效性。     

带有多随机观测时滞系统的最优满阶滤波器

研究了带有多随机观测时滞系统的满阶滤波器设计问题。利用一组服从Bernoulli分布的白噪声序列来描述具有时间戳的随机滞后的观测。采用射影理论,提出了线性最小方差最优满阶Kalman滤波器,与基于概率的滤波算法相比具有更高的精度。仿真实例验证了该算法的有效性。     

桁架形状优化的自适应协方差矩阵进化策略方法

自适应协方差矩阵进化策略(CMA-ES)是在进化策略算法(ES)基础上发展起来的一种新的全局优化算法,对于处理复杂非线性多峰值优化问题具有很好的适用性.结合有限元方法,提出一种桁架形状优化的自适应协方差矩阵进化策略方法.采用空间25杆桁架和平面37杆桥形桁架两个桁架形状优化的经典算例对方法的可行性和先进性进行验证,其中,空间25杆桁架分为不考虑局部稳定约束和考虑局部稳定约束两种情况进行计算.研究结果表明,该方法是可行的,与基于遗传算法、粒子群优化算法等现代全局优化算法的桁架形状优化方法相比较,具有寻优效率高、收敛速度快、全局优化能力强的优点,在获得相同精度最优解的条件下,调用有限元分析的次数明显较少,从而有效地减少了计算耗时.     

半参数Kalman滤波模型在GPS变形数据处理中的应用

提出半参数回归模型改进经典Kalman滤波系统误差和协方差矩阵,以消除系统误差对滤波的影响。将半参数Kalman滤波模型应用于GPS变形监测数据去噪等数据预处理中,并与自适应Kalman滤波和抗差自适应Kalman滤波进行对比,通过应用实例对比分析表明,半参数Kalman滤波模型去噪及预测精度更高,应用效果更好。