一种改进的分布式航迹估计融合算法研究

在航迹估计融合算法研究中,加权融合估计算法实现起来特别容易,因此得到了广泛应用。但由于其加权因子直接影响融合结果,一般说来都根据平时经验制定其加权因子,导致算法性能很不稳定,设计起来也不方便。针对此问题,设计了一种改进加权融合算法,并与其它算法进行比较,结果表明,算法稳定性更高,设计更科学,融合效果更好。     

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.     

分布式多传感信息融合系统的异步航迹关联方法

在分布式多传感信息融合系统中,由于每个局部传感器的采样频率不同以及具有不同的通信延迟,导致来自不同传感器的局部航迹往往是异步的.针对此问题,提出了一种异步航迹关联方法.该方法首先基于最小二乘法实现单传感器的时域融合,从而将多传感异步航迹同步化.接下来,将多传感多目标航迹关联问题转化为在网络中搜索总费用最小的多个互不相交的路径问题,从而获得相应于每个目标的各个传感器的局部航迹组合.仿真试验表明,算法可以有效地解决异步航迹的关联问题,且具有较高的关联成功率.     

基于Bayes估计的多传感器最优融合

本研究了多传感器数据融合技术的一种方法融合方法以Bayes估计理论为基础,并对数据进行了一致性检验,得到了多传感器最优融合数据,提高了数据的精确度。实际应用结果验证了算法的准确性,并进行了Matlab仿真,这种数据融合方法计算简便,可以获得比有限个传感器的算术平均值更准确的测量结果．具有较高的可靠性,可用于测量结果具有正态分布特性的多传感器测量系统。     

无序量测的状态更新估计算法

实际中,过程噪声和测量噪声都来自同一个噪声源,即二者是相关的.文章采用直接状态更新法,讨论了无序量测的状态估计,给出了过程噪声和测量噪声相关情形下的一步延迟量测的最优状态更新估计算法,并通过计算机仿真验证了算法的有效性和可行性.     

一种基于数据驱动传输策略的带宽受限的分布式融合估计器

针对无线网络化多传感器融合估计中存在的网络拥堵、传感器能量有限以及通信带宽有限的问题, 本文以多传感器经通信网络组成的线性离散随机系统为研究对象, 提出了一种基于数据驱动传输策略的带宽受限的分布式融合估计器, 能够在降低传感器数据传输率的同时满足有限带宽的限制. 在目标状态满足高斯性的前提下, 给出了融合估计误差均方差一致有界的条件. 最后通过算例仿真验证所提方法的有效性.     

基于可信度的航迹融合

本文提出了一种基于可信度的数据融合的航迹处理方法。该方法基于各雷达提供的信息的相对可信度,对不同航迹分别建立多雷达可信度判断矩阵,求得各雷达对该目标的可信度,进而求得各雷达的综合可信度。根据雷达的可信度,采用可信度高的雷达所获取的航迹信息进行卡尔曼滤波,获得每条航迹的最佳估计值。然后对多部雷达滤波后的数据进行线性加权融合处理,最终得到唯一航迹。     

一种滤波系数化的分布式航迹融合方法

传感器本身及外界环境存在的随机干扰,使得量测信息具有不确定性及相关性,且当某个传感器的测量精度较低时,直接融合观测信息导致融合算法有效性的降低。针对此问题,提出一种滤波系数化的分布式航迹融合方法。该方法通过局部估计信息建立支持度矩阵来完成滤波估计信息的系数化,最后加权组合滤波,实现对目标的实时融合跟踪。相对于原有融合算法,无论在哪种情况下该方法均使融合跟踪精度提高了16%以上,保证了算法的有效性。     

基于测量矩阵优化的分布式压缩估计算法

为更好地解决无线传感网分布式测量中有效数据估计问题,提出一种新的分布式压缩估计算法。通过在一个压缩维度上完成未知参数变量的分布式估计,并采用自适应随机梯度递归方法更新测量矩阵,将分布式压缩估计与测量矩阵优化相结合,实现收敛速度及估计误差精度的最优化。仿真结果表明,与d NLMS、DCE算法相比,该算法具有更快的收敛速度及更高的估计误差精度。     

基于强跟踪滤波和反馈综合的多传感器分布式航迹融合

研究基于强跟踪滤波和反馈综合相结合的多传感器分布式航迹融合算法.首先,以反馈前后形成的跟踪门的交集构造有效跟踪门.然后,将强跟踪卡尔曼滤波和概率数据关联算法相结合.利用构造的有效跟踪门,提出了一种新的多传感器分布式航迹融合算法.最后,对原有算法和所提算法进行了仿真研究.     

粒子滤波的噪声相关下单步延迟无序量测更新算法

在目标跟踪系统中,因通信延迟等原因会出现传感器量测无序地到达融合中心的现象,将这些量测称为无序量测(OOSM).针对过程噪声、量测噪声相关的非线性系统中出现的无序量测问题,在现有算法基础上,提出了一种可处理单步延迟无序量测的新算法.在前向预测滤波框架下,对系统方程去相关化,并利用粒子滤波(PF)进行状态估计.仿真结果验证了算法的有效性.     

多目标无序量测OOSM-GMPHD滤波算法

针对无序量测条件下多目标跟踪问题,提出了一种适用于线性系统的单步滞后无序量测滤波算法(OOSM-GMPHD).在前向预测框架内,以高斯混合概率假设密度(GMPHD)滤波器为基础滤波算法,对每一高斯分量分别用延迟到达的量测与等价量测进行预测、更新,经剪枝与合并等步骤获得最终的目标数量与状态估计.仿真结果表明:算法可有效消除无序量测的影响,准确估计多目标数目和状态.     

无序量测问题研究综述

无序量测（OoSM）是多传感器融合系统亟需解决的不可回避的问题.在总结相关文献基础上,对OoSM进行了分类,从单步延时OoSM滤波、多步延时OoSM滤波、多个OoSM滤波、非线性非高斯条件OoSM粒子滤波算法、杂波/机动目标条件OoSM跟踪算法等方面,按照由简单到复杂的研究路线综述了国外开展的相关研究,并对未来研究方向进行了探讨与展望.     

Optimality analysis of one-step OOSM filtering algorithms in target tracking

In centralized multisensor tracking systems, there are out-of-sequence measurements (OOSMs) frequently arising due to different time delays in communication links and varying pre-processing times at the sensor. Such OOSM arrival can induce the “negative-time measurement update” problem, which is quite common in real multisensor tracking systems. The A1 optimal update algorithm with OOSM is presented by Bar-Shalom for one-step case. However, this paper proves that the optimality of A1 algorithm is lost in direct discrete-time model (DDM) of the process noise, it holds true only in discretized continuous-time model (DCM). One better OOSM filtering algorithm for DDM case is presented. Also, another new optimal OOSM filtering algorithm, which is independent of the discrete time model of the process noise, is presented here. The performance of the two new algorithms is compared with that of A1 algorithm by Monte Carlo simulations. The effectiveness and correctness of the two proposed algorithms are validated by analysis and simulation results.     

序贯处理的多传感器航迹融合算法研究

基于分布式的多传感器航迹融合系统,采用序贯处理的方法并结合矩阵加权的融合算法,在估计误差协方差阵迹最小的准则下,提出了估计误差相关条件下的航迹融合算法,从理论上对算法的航迹融合性能进行了分析,并进行了仿真。仿真结果表明了基于序贯处理的融合算法的可行性和有效性。     

Distributed fusion estimation for multi-sensor asynchronous sampling systems with correlated noises

This paper is concerned with the distributed fusion estimation problem for a class of multi-sensor asynchronous sampling systems with correlated noises. The state updates uniformly and the sensors sample randomly. Based on the measurement augmentation method, the asynchronous sampling system is transformed to the synchronous sampling one. Local filter is designed by using an innovation analysis approach. Then, the filtering error cross-covariance matrix between any two local filters is derived. Finally, the optimal distributed fusion filter is proposed by using matrix-weighted fusion algorithm in the linear minimum variance sense. Simulation results show the effectiveness of the proposed algorithms.     

基于信息融合估计的离散系统最优跟踪控制

针对期望输出和未来干扰无预见的离散线性系统最优跟踪问题,提出一种基于信息融合最优估计的控制方法.若将当前给定值和可测干扰值分别看作系统未来输出和干扰的预见值,则跟踪控制问题可转化为具有无限预见步数的预见控制问题,并将无限预见信息融合成一步等效预见信息,进而获得近似最优融合控制律.对线性直流电机系统和宏观经济系统的仿真结果均验证了该控制器在提高系统跟踪精度和抑制干扰等方面的有效性.     

基于改进加权航迹关联的异步融合算法与仿真

在分布式多传感器信息融合系统中,来自各传感器的局部航迹往往是不同步的。针对分布式多传感器异步航迹关联与融合问题,文中提出一种基于改进加权航迹关联的异步航迹顺序融合算法。把多传感器异步航迹外推校准到同一时刻,实现异步航迹的同步化,再用改进的加权航迹关联算法进行航迹关联,并利用顺序融合算法对已关联航迹进行融合。仿真结果表明了该算法的有效性。