协方差交叉融合鲁棒Kalman滤波器

对于带未知互协方差的两传感器系统,提出一种协方差交叉（CI）融合鲁棒稳态Kalman滤波器,它关于未知互协方差具有鲁棒性.严格证明了该滤波器的实际精度高于每个局部滤波器的精度,但低于带已知互协方差的最优融合Kalman滤波器的精度.基于协方差椭圆给出了精度关系的几何解释.进一步将上述结果推广到一般多传感器情形.一个跟踪系统的Monte-Carlo仿真例子表明,其实际精度接近于带已知互协方差的最优融合器的精度.     

快速对角阵权系数协方差交叉融合容积卡尔曼滤波器

针对互协方差信息未知的多传感器系统,本文提出了一种快速对角阵权系数协方差交叉融合算法(FDCI).本文首先提出了一种对角阵权系数协方差交叉融合(DCI)方案,并证明了所提出DCI算法在融合估计精度上高于经典批处理CI融合(BCI)算法.在此基础之上,针对非线性等复杂的互协方差未知的多传感器系统,提出FDCI算法,并证明了所提出FDCI算法的无偏性及鲁棒精度. FDCI融合算法虽然在融合估计精度上低于DCI,但FDCI无需进行多权系数的非线性代价函数的优化问题,进而大大降低了计算负担,提高了系统的实时性.最后,结合容积卡尔曼滤波算法(CKF)提出了快速对角阵权系数协方差交叉融合容积卡尔曼滤波算法.仿真实例验证了所提出算法的正确性和有效性.     

带观测滞后和不确定噪声方差的多智能体传感网络鲁棒序贯协方差交叉融合Kalman滤波

针对带观测滞后和不确定噪声方差的分簇多智能体传感网络系统,研究鲁棒序贯协方差交叉融合Kalman滤波器的设计问题.应用最邻近法则,传感网络被分成簇.应用极大极小鲁棒估计原理,基于带噪声方差最差保守上界的最差保守传感网络系统,提出了两级序贯协方差交叉(SCI)融合鲁棒稳态Kalman滤波器,可减小通信和计算负担并节省能量,且保证实际滤波误差方差有一个最小保守上界.一种Lyapunov方程方法被提出用于证明局部和融合滤波器的鲁棒性.提出了鲁棒精度的概念且证明了局部和融合鲁棒Kalman滤波器的鲁棒精度关系.证明全局SCI融合器的鲁棒精度高于每簇SCI融合器的精度且两者的鲁棒精度都高于每个局部鲁棒滤波器的精度.一个跟踪系统的仿真例子证明了鲁棒性和鲁棒精度关系.     

噪声特性未知的多传感器协方差交叉融合姿态估计

针对噪声特性未知的多传感器航天器姿态估计过程中互协方差未知的问题, 提出一种鲁棒的协方差交叉(CI) 融合算法. 首先采用容积卡尔曼滤波(CKF) 器获取局部的估计信息; 然后以最小化非线性性能指标为原则求取局部的估计信息权重; 最后使用CI 算法融合各局部估计信息. 此外, 对于由四元数描述航天器姿态时存在的冗余问题, 采用了以误差四元数和误差广义罗德里格参数相互切换的方法来替代. 仿真结果验证了所提出算法的有效性.

     

基于参数估计的多传感器数据融合算法研究

为提高多传感器数据融合精度,结合传感器网络的特点及应用实例,研究分批估计、自适应加权和方差估计算法在数据融合中的有效性、准确度和实时性,提出按测量方差的自适应加权数据融合算法,利用600个传感器所提供的实例数据,对几种算法进行仿真,并比较了几种算法的有效性及其融合精度的差异,其结果表明采用自适应加权算法可以有效提高融合精度,对考虑了环境噪声的多传感器数据采集系统较为适合.     

带丢失观测和不确定噪声方差系统改进的鲁棒协方差交叉融合稳态Kalman滤波器

对带丢失观测和不确定噪声方差的线性定常多传感器系统,引入虚拟噪声将原系统转化为仅带不确定噪声方差的系统.根据极大极小鲁棒估值原理,用Lyapunov方程方法提出局部鲁棒稳态Kalman滤波器及其实际方差最小上界,并利用保守的局部滤波误差互协方差,提出一种改进的鲁棒协方差交叉(covariance intersection,CI)融合稳态Kalman滤波器及其实际方差最小上界.证明了所提出的鲁棒局部和融合滤波器的鲁棒性,并证明了改进的CI融合器鲁棒精度高于原始CI融合鲁棒精度,且高于每个局部滤波器的鲁棒精度.一个仿真例子验证所提出结果的正确性和有效性.     

航迹融合算法在多传感器融合中的应用

研究寻的制导优化控制问题,针对传统单一传感器导引不能满足性能要求,提出采用多传感器复合制导.航迹融合是多传感器数据融合中一个非常重要的方面.由于公共过程噪声的原因,使在应用状态估计融合系统中,来自不同传感器的航迹估计误差未必有独立性,为了使航迹与航迹关联和融合,提出自适应航迹和协方差加权航迹融合的算法.通过仿真研究说明自适应航迹融合和协方差加权航迹融合的算法对多传感器数据融合技术有很明显的作用,数据融合效果好,为复合寻的制导优化设计提供了依据.     

带不确定协方差线性相关白噪声系统改进的鲁棒协方差交叉融合稳态Kalman 估值器

对于带有不确定协方差线性相关白噪声的多传感器系统, 利用Lyapunov 方程提出设计协方差交叉(CI) 融合极大极小鲁棒Kalman 估值器(预报器、滤波器、平滑器) 的一种统一方法. 利用保守的局部估值误差互协方差, 提出改进的CI 融合鲁棒稳态Kalman 估值器及其实际估值误差方差最小上界, 克服了用原始CI 融合方法给出的上界具有较大保守性的缺点, 改善了原始CI 融合器鲁棒精度. 跟踪系统的仿真例子验证了所提出方法的正确性和有效性.

     

高斯混合概率假设密度无序估计分布式融合

针对分布式传感器网络中多目标随机集状态混合无序估计问题,本文提出了一种基于高斯混合概率假设密度无序估计分布式融合算法.在高斯混合概率假设密度滤波器的框架下,首先基于概率假设密度递推滤波特性,建立适用于多目标随机集状态混合无序估计的最新可利用估计判别机制,然后利用扩展协方差交叉融合算法对经过最新可利用估计判别机制获得的无序概率假设密度强度估计进行融合处理,针对融合过程中高斯分量快速增长的问题,在保证信息损失最小的前提下,对融合过程的不同环节实施高斯混合分量裁剪操作,给出了一种多级分层分量裁剪算法.最后,仿真实验验证了文中所提的算法的有效性和可行性.     

决策融合算法在车辆类型判断中的应用

文章以运动目标分类为例,介绍了在无线传感网络中利用信息决策融合对两种车辆进行分类的过程.在单节点上采用最大似然分类器,并通过多节点的贝叶斯决策融合,然后对原有融合算法改进,在融合中加入了距离的影响.并利用真实的两种车辆的测试集数据进行实验,观察融合结果.实验表明,融合的结果与训练数据的数量有关,多节点的融合结果比单个节点的精确,并且加入距离信息后可以提高类型识别正确率.     

不完全量测下估计误差协方差与传感器精度上–下确界的关系

在不完全量测下估计系统状态时,状态的稳态误差协方差与各个传感器精度指标有关.今提出一种新算法.可以根据估计误差协方差确定出传感器精度的上-下确界.算法根据稳态卡尔曼滤波的估计误差协方差表达式,推出传感器探测概率以及量测噪声方差指标的容差,并结合线性矩阵不等式求出传感器量测噪声方差的上-下界.根据这些结果,可以对给定的估计误差协方差,采用传感器精度指标的下界,从而在满足其他工程要求的前提下,放宽采样频率,降低传感器成本.     

多传感器测量中的方差估计

在多传感器加权融合算法中,各传感器的权值仅由传感器的测量方差决定。假设各传感器噪声为平稳过程且相互独立,本文提出了待测状态未知且时变情况下．多传感器测量方差的估计算法,并讨论了估计方差的统计特性,证明了估计的无偏性。针对工程中环境噪声的变化,进一步提出了加窗方差估计方法,并给出了窗口宽度和估计精度的关系．使算法能有效地跟踪环境噪声的变化。该算法无需设置依赖于环境的初始值,并给出了递推公式．使其可用于对多传感器测量方差的实时自适应估计。仿真结果直观地说明了估计方法的有效性。     

New distributed fusion filtering algorithm based on covariances over sensor networks with random packet dropouts

This paper studies the distributed fusion estimation problem from multisensor measured outputs perturbed by correlated noises and uncertainties modelled by random parameter matrices. Each sensor transmits its outputs to a local processor over a packet-erasure channel and, consequently, random losses may occur during transmission. Different white sequences of Bernoulli variables are introduced to model the transmission losses. For the estimation, each lost output is replaced by its estimator based on the information received previously, and only the covariances of the processes involved are used, without requiring the signal evolution model. First, a recursive algorithm for the local least-squares filters is derived by using an innovation approach. Then, the cross-correlation matrices between any two local filters is obtained. Finally, the distributed fusion filter weighted by matrices is obtained from the local filters by applying the least-squares criterion. The performance of the estimators and the influence of both sensor uncertainties and transmission losses on the estimation accuracy are analysed in a numerical example.     

带观测滞后和不确定噪声方差的多智能体传感网络鲁棒序贯协方差交叉融合Kalman滤波（英文）

This paper deals with the problem of designing robust sequential covariance intersection(SCI) fusion Kalman filter for the clustering multi-agent sensor network system with measurement delays and uncertain noise variances. The sensor network is partitioned into clusters by the nearest neighbor rule. Using the minimax robust estimation principle, based on the worst-case conservative sensor network system with conservative upper bounds of noise variances, and applying the unbiased linear minimum variance(ULMV) optimal estimation rule, we present the two-layer SCI fusion robust steady-state Kalman filter which can reduce communication and computation burdens and save energy sources, and guarantee that the actual filtering error variances have a less-conservative upper-bound. A Lyapunov equation method for robustness analysis is proposed, by which the robustness of the local and fused Kalman filters is proved. The concept of the robust accuracy is presented and the robust accuracy relations of the local and fused robust Kalman filters are proved. It is proved that the robust accuracy of the global SCI fuser is higher than those of the local SCI fusers and the robust accuracies of all SCI fusers are higher than that of each local robust Kalman filter. A simulation example for a tracking system verifies the robustness and robust accuracy relations.     

异平台雷达和ESM的高精度协同估计方法

随着网络的应用,不同平台的协同作战成为一种趋势,该趋势促成了异类平台间的数据融合需求.作为典型的协同模式,异平台的雷达和ESM观测的坐标系不同,无法直接融合,且二维ESM数据和三维雷达数据直接融合的精度较低.论文提出将雷达距离及方差转换到ESM坐标系下,转换得到虚假的距离量测结合ESM的角度量测,在三维坐标下进行Kalman滤波,获得ESM的估计及协方差矩阵,再进行协方差交集估计处理,可以较大的提高估计精度.