基于REKF的异类传感器异步数据融合算法研究

提出了一种基于异类传感器(R和IR)的数据融合目标跟踪算法,两种传感器具有不同的测量维数,量测数据异步采样并以不同的速率传输到融合中心站点.通过时间匹配技术,完成两种异步数据的融合,然后实现滤波器的状态更新.同时文中讨论了一种REKF(旋转推广卡尔曼滤波:Rotation Extended Kalman Filter)算法,可以有效地解决量测非线性和降低计算量的问题.     

基于多传感器异步数据融合的目标跟踪方法

在具有伪测量次优滤波器的基础上，提出多传感器异步融合的目标跟踪算法。通过蒙特卡罗模拟结果证明了该算法的有效性。     

基于卡尔曼滤波数据融合的温室监控系统

为实现温室农作物生长数据的实时采集和监测,设计了基于多传感器的无线监控系统.系统介绍了卡尔曼滤波的数据融合算法的实现及仿真,结果表明,卡尔曼滤波算法可以有效降低采样点数,提高传感器测量精度,耗能低,实时性好.农户通过上位机就能实时掌握草莓生长环境信息,利用融合后的数据控制执行机构进行相关操作,从而达到高产的目的.     

一种基于异步数据融合的传感器管理方法

针对多传感器系统存在观测数据过多,数据融合中心处理负担过重的问题,在引入一种基于传感器观测数据序贯处理的最优异步融合算法的基础上,提出一种基于目标协方差控制的传感器选择算法对异步观测数据进行优化组合,从而实现以最小的计算量达到所要求的目标状态估计精度。最后的仿真结果证明了该算法的有效性和可行性。     

多传感器目标识别的数据融合

本文针对军事上的目标识别问题，论述了多传感器的属性融合技术，包括属性融合的概念，原理，处理结构，算法及应用举例，指出属性融合中存在的主要问题，难点及可能解决的途径，并预测了未来发展趋势。     

多传感器分布式推广卡尔曼滤波算法及其在雷达红外目标跟踪中…

本文提出了一种用于非线性系统的多传感器分布式推广卡尔曼滤波算法，该算法系统的动态方程和传感器的观测方程分别围绕全局估计和全局预测线性化，融合中心基于所有传感器观测的全局估计由各传感器基于自身观测的局部估计来重构。     

被动式多雷达系统的多目标数据融合

1　概述　　由于被动式雷达具有高度的稳蔽性和生存能力 ,因此它被广泛应用到各种预警雷达和反辐射导弹系统中 .但被动式雷达没有距离量测 ,无法对其进行定位 .完成目标三维定位需要多个被动式雷达联合工作 ,并通过数据融合技术得到更精确的目标位置信息 .在多目标情况下 ,要实现数据融合 ,首先要进行测量值关联 ,即分清各个雷达站的数据是否来自于同一个目标 ,并把属于同一目标的多个站数据组合在一起 ,然后根据一定的融合算法把属于同一目标的多个雷达站量测数据合成起来 ,最后进行多目标量测点迹与航迹关联及卡尔曼滤波处理 .本文根据被…     

一种改进的多传感器数据融合方法

最优加权法在数据融合时需要确知噪声方差信息,其权值固定不变,而联合卡尔曼滤波法需要确知噪声协方差信息。在噪声先验信息与实际数值差别较大或传感器系统噪声相关时,这两种方法的参数估计精度将急剧下降。针对以上不足,文中提出了一种新的动态最优加权和最小二乘滤波相结合的数据融合方法,该方法能随传感器信号起伏的变化动态调整权值,不需要噪声的统计信息,在系统噪声相关时仍能获得较高的测量精度,具有较强的稳健性。仿真结果验证了新方法的有效性。     

一种新的目标跟踪定位数据融合处理方法

提出了在多传感器目标跟踪中对有效测元逐个融合计算的新方法,它能充分利用测量数据,提高目标跟踪精度。该方法克服了基于卡尔曼滤波方法需要建立统一测量方程的困难,解决了基于非线性优化类的最小二乘方法需要迭代求解、计算量大、很难满足实时计算要求的矛盾。与传统方法相比,该方法物理含义明显、计算简便、精度高,便于工程实现。     

基于数据中台的多源数据融合关键技术研究

目前研究的多源数据融合关键技术可信度分配数值与峰值相差较大,导致融合后的数据冲突程度过高,融合效果难以达到人们的要求。为了解决上述问题,基于数据中台研究了一种新的多源数据融合技术。对多源数据的融合层次进行划分,根据划分结果建立融合模型。应用数据中台的数据技术、治理和运营来实现数据赋能,建立有效的框架体系中心,利用数据框架体系中心分析数据资料,处理多源数据,实现数据的匹配与转换,最终表达数据的模式。实验结果表明,所研究的多源数据融合关键技术可信度分配数值为0.5,融合过程中数据源相似性较高,融合效果较好。     

基于无迹卡尔曼滤波的iBeacon/INS数据融合定位算法

针对微机电惯性导航系统(MEMS-INS)定位解算存在积累误差及低功耗蓝牙技术iBeacon指纹定位存在跳变误差等问题,该文提出一种基于无迹卡尔曼滤波器(UKF)的iBeacon/MEMS-INS数据融合定位算法。该算法对iBeacon锚点与定位目标的距离进行解算,利用加速度计和陀螺仪的数据实现姿态阵和位置解算。将蓝牙锚点位置向量、载体速度误差信息等组成状态量,将惯性导航定位信息和蓝牙定位距离信息等组成观测量,设计无迹卡尔曼滤波器,实现iBeacon/MEMS-INS数据融合定位。实验测试结果表明,该算法有效解决MEMS-INS存在较大积累误差及iBeacon指纹定位存在跳变误差的问题,可以实现1.5 m内的定位精度。     

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。     

基于多传感器Kalman滤波器的GPS/IMU数据融合算法设计

针对GPSIIMU组合导航系统，现有的滤波算法难以检测传感器的错误数据并及时排除。文章设计了一种考虑滤波器环境信息的多传感器Kalman滤波器，该算法适于在不重构滤波器的情况下对多传感器进行整合。仿真结果表明该算法提高了数据融合的可靠性。     

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。     

机动目标跟踪中数据互联新方法

为解决机动目标跟踪过程中的数据互联问题,该文提出了一种数据互联新方法。与概率数据互联滤波器不同,在进行数据互联时,该方法假定目标当前转弯率在某一范围内取值,这样其预测中心不再是一个点,而是一线段。在计算测量的权重系数时,采用的是测量距该线段的距离。仿真实验表明,杂波环境下对机动目标跟踪时,该方法降低了航迹丢失率,提高了状态估计的精度。     

一种新的基于概率理论的概率数据互联滤波器

该文从理论上分析了用于目标跟踪的概率数据互联滤波器(PDAF)和联合概率数据互联滤波器(JPDAF)存在的不足,提出了一种新的概率数据互联滤波器(NPDAF)。NPDAF在数据关联时基于概率理论：一个测量可能源于目标,也可能源于杂波,但其源于目标的概率与其源于杂波的概率之和应为1。同时,给出了跟踪过程中NPDAF的数据互联模型及滤波器的实现方法。该实现方法首先计算测量与各目标的关联概率,然后用概率对跟踪滤波器的增益加以修正。仿真实验表明,在对多目标进行跟踪时NPDAF的性能优于JPDAF。     

基于卡尔曼滤波的动态轨迹预测算法

基于拟合的传统轨迹预测算法已无法满足高精度和实时性预测要求.提出基于卡尔曼滤波的动态轨迹预测算法,对移动对象动态行为进行状态估计,利用前一时刻的估计值和当前时刻的观测值更新对状态变量的估计,进而对下一时刻的轨迹位置预测.大量真实移动对象数据集上的实验结果表明：GeoLife数据集上基于卡尔曼滤波的轨迹预测算法的平均预测误差（预测轨迹点与实际轨迹点的均方根误差）为12.5米;与基于轨迹拟合的轨迹预测算法相比,T-Drive数据集预测误差平均下降了555.4米,预测准确率提升了7.1%.在保证预测时效性前提下,基于卡尔曼滤波的动态轨迹预测算法解决了轨迹预测精度较低的问题.     

远距离干扰环境下目标跟踪的扩展卡尔曼粒子滤波算法

该文在扩展卡尔曼粒子滤波算法的基础上融合了负信息(没有接收到观测值的扫描)来实现远距离干扰环境下的目标跟踪。在整个实现过程中,由传感器模型推导出的高斯和似然函数充分考虑了正负信息,直接用于计算粒子权重更新。并且通过扩展卡尔曼滤波算法产生重要性密度函数,利用当前时刻的量测,使得粒子的分布更接近其后验概率分布,而且使用较少的粒子个数即可达到较好的跟踪效果。仿真证明,扩展卡尔曼粒子滤波算法在航迹连续性和跟踪精度方面明显优于扩展卡尔曼滤波算法,但计算复杂度较高。     

基于数据融合估计理论的Kalman滤波

本文在经典Kalman滤波算法的基础上针对多传感器数据处理的特点,根据不同的数据融合结构方案给出了多传感器数据融合系统的Kalman滤波算法。根据多传感器数据融合估计知识,建立了基于Kalman滤波的数据融合模型;给出了融合结构的数据融合滤波算法：集中式Kalman滤波算法;进行了算法仿真演示实验。实验结果表明,通过多传感器融合能够提高系统的估计精度。     

一种基于无先导卡尔曼滤波的混沌相移键控通信系统的非相干检测方法

基于UKF算法,该文提出一种CSK通信系统的非相干检测方法。第一个发送符号作为训练符号,接收端根据第一个发送周期内的接收信号,应用UKF算法估计载波信号;然后将估计的载波信号和后续接收信号相乘,解调后续发送符号。与相干检测方法相比,这种方法不需要混沌同步。仿真结果表明,与已有的非相干检测方法相比,这种方法具有较好的误码性能,甚至比FM-DCSK通信系统的误码性能更好。