多传感器时滞系统信息融合最优Kalman滤波器

基于线性最小方差最优加权融合估计算法,对多传感器的离散线性状态时滞随机系统,给出了一种非增广分布式加权融合最优Kalman滤波器.推导了状态时滞系统任两个传感器子系统之间的滤波误差互协方差阵的计算公式.它与状态增广加权融合滤波器具有相同的精度.与每个传感器的局部滤波器相比,分布式融合滤波器具有更高的精度.与状态和观测增广最优滤波器相比,具有较小的精度.但避免了增广所带来的高维计算和大的空间存储,可减小计算负担.仿真例子验证了其有效性.     

广义离散系统多传感器信息融合Kalman滤波器

考虑了广义离散随机线性系统的多传感器信息融合状态估计问题．在广义系统无脉冲的假设条件下。通过等价变换将其转化为正常系统．应用经典Kalman滤波方法,在线性最小方差信息融合准则下,提出了按矩阵加权的广义系统多传感器信息融合稳态Kalman状态滤波器．仿真结果说明了算法的有效性。     

多传感器信息融合Wiener滤波器和平滑器

应用现代时间序列分析方法,基于ARMA新息模型和增广状态空间模型,应用标量加权最优融合准则,对于带白色和有色观测噪声的ARMA信号,提出了多传感器分布式最优信息融合Wiener滤波器和平滑器,其中给出了计算局部平滑误差方差和互协方差的计算公式,它们可被用于计算最优加权系数。同单传感器情形相比,可提高平滑器的精度。一个三传感器目标跟踪系统的仿真例子说明其有效性。     

基于粒子滤波和检测信息的多传感器融合跟踪

从概率角度审视低检测率、低信噪比下的多传感器融合算法.首先建立传感器检测概率模型，然后计算传感器检测响应、量测信息的融合似然度，在贝叶斯框架下建立一种非线性目标基于粒子滤波器的多传感器多源信息融合算法，该算法融合了传感器的量测信息和检测响应，提高了跟踪精度蒙特卡洛仿真结果表明了算法的有效性.     

基于强跟踪滤波器的多传感器信息融合应用研究

在对经典Kalman滤波器和强跟踪Kalman滤波器分析的基础上,给出了改进的强跟踪Kalman滤波器方法,并进一步给出了改进的强跟踪Kalman滤波器分布式信息融合方法。该方法底层采用改进的强跟踪器滤波,上层采用估计误差方差最小方法进行分布式信息融合,信息融合结果精度高,同时对突变信号有很强的实时跟踪能力。仿真结果表明该方法的有效性和可靠性。     

多传感器快速粒子滤波器融合的方法及其在导航中的应用

提出在高斯噪声条件下,将多传感器融合中多维测量的全局粒子滤波器的粒子权重表示成多个一维测量的子粒子滤波器的粒子权重的乘积的形式,从而避免了通常计算全局粒子权重需要的大计算量,达到提高测量融合速度的目的.本文还分析了现有方法和提出方法的计算复杂度,并将提出方法应用于导航.分析和仿真的结果均表明,所提出的方法明显提高了计算速度,且随着粒子数目的增加,优势愈加明显.     

多传感器多目标状态信息融合

研究了多传感器多目标状态信息融合问题。针对被动式跟踪的特点，借助主动跟踪的距离通道值，提出类主动的被动式跟踪。在此基础上提出主被动串并联状态信息融合算法。仿真结果表明该融合方法可以大大提高跟踪精度，而且提高系统的可靠性。     

基于智能粒子滤波的多传感器信息融合算法

针对粒子滤波中存在粒子质量低和粒子贫化的问题,提出了一种基于智能粒子滤波的多传感器信息融合算法。该算法分为两个模块,首先,将多传感器数据发送给相应的粒子滤波计算模块,以优化粒子分布为目的更新建议分布密度;然后,在智能粒子滤波模块中对多传感器数据构造完整的似然函数,引入设计的遗传因子将小权重粒子修正为大权重粒子,近似于真实的后验分布,重采样过程中保留了权值较大的粒子,又避免了粒子耗尽问题,进一步保持粒子的多样性,提高了滤波精度,最终得到最优的估计值。根据实船实验的数据进行了验证,将所提算法应用于GPS/SINS/LOG组合导航系统进行仿真计算验证了其有效性。实例仿真结果表明,所提算法能够得到精确的位置、速度和航向信息,而且也能有效改善滤波性能,提高了组合导航系统的解算精度,能够满足船舶高精度导航定位的要求。     

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.     

一种基于信息融合的粒子滤波跟踪算法

针对粒子滤波在复杂背景下容易造成跟踪目标丢失的问题,提出一种基于多特征信息融合的粒子滤波算法。该方法同时利用灰度和梯度信息描述目标,有效提高了复杂场景下对目标描述的可靠性;在此基础上,推导出多信息融合的观测似然函数,将两种信息融合在一起,使得融合算法能根据当前跟踪形势自适应调整各信息的加权,实现了信息间的优势互补。实验结果表明,该算法鲁棒性较高,明显提高了跟踪精度。     

量测不确定下多传感器自适应粒子滤波算法

针对量测不确定条件下多传感器量测数据的有效利用问题,提出一种多传感器自适应粒子滤波算法.利用随机采样策略和量测模型转移概率实现当前时刻多传感器量测集合的采样,通过粒子滤波中重采样步骤完成估计状态和量测集合的更新,进而依据重采样后单个传感器量测数目在传感器量测集合中的比重实现当前时刻传感器量测的确认.该算法通过有效量测的合理选择,改善了扰动对滤波精度和计算量的不利影响.理论分析和仿真实验均验证了所提出算法的有效性.     

Multi-sensor optimal information fusion Kalman filter

This paper presents a new multi-sensor optimal information fusion criterion weighted by matrices in the linear minimum variance sense, it is equivalent to the maximum likelihood fusion criterion under the assumption of normal distribution. Based on this optimal fusion criterion, a general multi-sensor optimal information fusion decentralized Kalman filter with a two-layer fusion structure is given for discrete time linear stochastic control systems with multiple sensors and correlated noises. The first fusion layer has a netted parallel structure to determine the cross covariance between every pair of faultless sensors at each time step. The second fusion layer is the fusion center that determines the optimal fusion matrix weights and obtains the optimal fusion filter. Comparing it with the centralized filter, the result shows that the computational burden is reduced, and the precision of the fusion filter is lower than that of the centralized filter when all sensors are faultless, but the fusion filter has fault tolerance and robustness properties when some sensors are faulty. Further, the precision of the fusion filter is higher than that of each local filter. Applying it to a radar tracking system with three sensors demonstrates its effectiveness.     

多传感器标量加权最优信息融合稳态Ka lman 滤波器

提出一种新的标量加权多传感器线性最小方差意义下的最优信息融合准则．该准则考虑了局部估计误差之间的相关性，只需计算加权标量系数，避免了加权矩阵的计算，明显减小了计算量，便于实时应用．运用稳态Kalman滤波理论，基于该融合准则，给出了多传感器最优信息融合稳态Kalman滤波器．在所有局部滤波器达到稳态时，只需一次融合便可获得信息融合稳态滤波器，算法简单．仿真例子验证了其有效性．     

快速信息融合Kalman滤波器

应用现代时间序列分析方法,在标量加权线性最小方差融合准则下,提出一种多传感器快速信息融合稳态Kalman滤波器.基于ARMA新息模型计算稳态Kalman滤波器增益,提出了计算传感器之间的滤波误差方差阵和协方差阵的Lyapunov方程,它可用迭代法求解,并证明了迭代解的指数收敛性.与基于Riccati方程按矩阵加权的信息融合Kalman滤波器相比,可明显减小计算负担,便于实时应用,可用于设计含未知噪声统计系统的信息融合自校正Kalman滤波器.最后以目标跟踪系统的一个仿真例子说明了其有效性.     

一种多特征融合的粒子滤波跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种有效的多特征融合跟踪方法,该方法同时结合了颜色和运动边缘特征,并通过粒子滤波方法合理地进行概率融合。实验结果表明,算法能够在一种特征受到背景干扰导致目标鉴别能力丧失时,其它特征仍能稳定可靠地跟踪目标,算法简单,鲁棒性高,能够有效适用于复杂背景下的目标跟踪。     

适用于稀疏动态无线传感器网络的并行融合分布式无迹信息滤波算法

稀疏和随机动态变化是实际无线传感器网络(wireless sensor network,WSN)中普遍共同存在的两种通信拓扑不稳定因素,使基于一致性算法的分布式无迹信息滤波(distributed unscented information filter,DUIF)算法适用于稀疏动态WSN,将极大提高其实用性.为此,本文提出一种并行融合DUIF(parallel fusion DUIF,PF–DUIF)算法.在PF–DUIF算法中,通过将实时局部后验估计均值和协方差用于局部无迹信息滤波器(local unscented information filter,LUIF)的Sigma点采样,使LUIF和加权平均一致性滤波器(weighted average consensus filter,WACF)得以并行运行,从而有效抵制由通信拓扑随机动态变化带来的较大一致跟踪误差的困扰;同时,WACF通过对LUIF输出的无偏局部信息矩阵和向量分别进行平均一致性滤波,最终得到不包含由稀疏通信拓扑引起的平均一致误差的分布式后验估计结果;进而,建立即时更新机制有效抑制随机动态通信拓扑引起的PF–DUIF算法滤波异步问题,同时,基于稀疏动态WSN的平均网络模型,在通信能量消耗受限条件下优化WACF均方收敛速率,从而提高PF–DUIF算法的整体滤波效率.仿真实验结果表明,PF–DUIF算法能够有效应用于稀疏动态WSN机动目标跟踪.     

Multi-sensor information fusion white noise filter weighted by scalars based on Kalman predictor

A unified multi-sensor optimal information fusion criterion weighted by scalars is presented in the linear minimum variance sense. The criterion considers the correlation among local estimation errors, only requires the computation of scalar weights, and avoids the computation of matrix weights so that the computational burden can obviously be reduced. Based on this fusion criterion and Kalman predictor, an optimal information fusion filter for the input white noise, which can be applied to seismic data processing in oil exploration, is given for discrete time-varying linear stochastic control systems measured by multiple sensors with correlated noises. It has a two-layer fusion structure. The first fusion layer has a netted parallel structure to determine the first-step prediction error cross-covariance for the state and the filtering error cross-covariance for the input white noise between any two sensors at each time step. The second fusion layer is the fusion center to determine the optimal scalar weights and obtain the optimal fusion filter for the input white noise. Two simulation examples for Bernoulli-Gaussian white noise filter show the effectiveness.