带有色观测噪声的广义系统Kalman滤波器

对于带自回归滑动平均(ARMA)有色观测噪声的多传感器为广义离散随机线性系统,应用奇异值分解,将其变换为等价的两个降阶多传感器子系统,提出了广义系统多传感器信息融合状态滤波问题。为了提高精度,采用Kalman滤波方法,在线性最小方差按块对角阵最优加权融合准则下,给出了按矩阵加权解耦的分布式Kalman滤波器,可减少计算负担和改善局部滤波精度。为了计算最优加权,提出了局部滤波误差协方差阵的计算公式。一个Monte Carlo仿真例子说明了方法的有效性。     

多传感器状态融合估计在雷达跟踪中的应用

采用Carlson最优数据融合准则,将基于Kalman滤波的多传感器状态融合佑计方法应用到雷达跟踪系统.仿真实验表明,多传感器Kalman滤波状态融合佑计误差小于单传感器Kalman滤波得出的状态佑计误差,验证了方法对雷达跟踪的有效性.     

自校正信息融合Kalman平滑器

对含未知噪声统计的多传感器系统,用现代时间序列分析方法,基于滑动平均(MA)新息模型的在线辨识和求解相关函数矩阵方程组,得到了噪声统计的在线估值器,进而在按矩阵加权线性最小方差最优信息融合准则下,提出了自校正信息融合Kalman平滑器,提出了一种按实现收敛性新概念,证明了自校正Kalman融合器按实现收敛于最优Kalman融合器,因而它具有渐近最优性．同单传感器自校正Kalman平滑器相比,它可提高平滑精度,一个目标跟踪系统的仿真例子说明了其有效性．     

按对角阵加权信息融合Kalman滤波器

为了克服按矩阵加权信息融合非稳态Kalman滤波器的在线计算负担大的缺点,和按标量加权融合Kalman滤波器精度较低的缺点,应用现代时间序列分析方法,提出了按对角阵加权的线性最小方差多传感器信息融合稳态Kalman滤波器.它等价于状态分量按标量加权信息融合Kalman滤波器,实现了解耦信息融合Kalman滤波器.它的精度和计算负担介于按矩阵和按标量加权融合器两者之间,且便于实时应用.为了计算最优加权,提出了计算稳态滤波误差方差阵和协方差阵的Lyapunov方程.一个三传感器的雷达跟踪系统的仿真例子说明了其有效性.     

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．     

基于融合反馈的多传感器空间偏差配准方法

利用多传感器的目标状态融合估计和融合估计误差协方差作为反馈信息,提出了带反馈机制的多传感器空间偏差配准方法.对二阶段Kalman滤波偏差配准方法进行扩展和改进,在不同噪声条件下对目标状态融合和偏差进行估计.仿真结果表明,带反馈信息的偏差配准方法可有效改善目标的状态估计和传感器的偏差配准,Crmaer-Rao下界分析说明了该算法的有效性.     

相关观测融合Kalman估值器及其全局最优性

对于带相关观测噪声和带不同观测阵的多传感器线性离散时变随机控制系统, 用加权最小二乘法(WLS)提出了两种加权观测融合Kalman估值器, 它们包括状态滤波、状态预报和状态平滑. 基于信息滤波器形式下的Kalman滤波器, 证明了在相同初值下, 它们在数值上恒等于相应的集中式观测融合Kalman估值器, 因而具有全局最优性. 但是它们可明显减轻计算负担. 数值仿真例子验证了它们在功能上等价于集中式观测融合Kalman估值器.     

非线性离散系统的相关观测融合时变Kalman滤波

针对带相关观测噪声和带不同观测函数的多传感器离散非线性系统,利用推广的离散Kalman滤波方法对状态系统和观测系统进行线性化处理,提出了基于岭估计的加权最小二乘(REWLS)分布式融合Kalman滤波算法.以风险函数为评价指标,利用信息滤波器比较了各种观测融合Kalman滤波算法,其中REWLS分布式融合算法精度最高.同时,分布式融合算法减少了计算负担,便于实时应用.仿真例子表明了理论分析的正确性.     

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.     

按对角阵加权自校正信息融合Kalman预报器及其收敛性分析

对于带未知噪声统计的多传感器系统，应用现代时间序列分析方法，基于滑动平均(MA)新息模型的在线辨识和相关函数矩阵方程的解，得到了噪声方差估值器，且在按对角阵加权线性最小方差最优信息融合准则下，提出了自校正信息融合Kalman预报器.它实现了状态分量的自校正解耦融合Kalman预报器.基于动态误差系统，提出了自校正融合器的一种新的收敛性分析方法.提出了按实现收敛新概念，它比以概率1收敛弱.严格证明了:假如MA新息模型参数估计是一致的，则自校正融合Kalman预报器将按实现或按概率1收敛到最优融合Kalman预报器，因而它具有渐近最优性.它可减小计算负担，且便于实时应用. 一个3传感器跟踪系统的仿真例子证明了其有效性.     

广义系统Kalman融合器的研究

研究带自回归滑动平均(ARMA)有色观测噪声的多传感器广义离散随机线性系统,根据Kalman滤波方法和白噪声估计理论,在线性最小方差信息融合准则下,应用奇异值分解和增广状态空间模型,为了提高融合器的精度,提出了按矩阵加权降阶稳态广义Kalman融合器,可统一处理稳态滤波、平滑和预报问题,可减少计算负担和改善局部估计精度。并提出最优加权系数的局部估计误差方差和协方差阵的计算公式。用一个Monte Carlo数值仿真实例说明了所提方法的有效性。     

多传感器融合下道路交通车辆碳排放量实时监测方法

面对日趋复杂的道路交通情况,在车辆碳排放量监测时,容易受到干扰因素影响,导致监测结果不精准,提出了多传感器融合下道路交通车辆碳排放量实时监测方法。使用多传感器阵列采集车辆碳排放量信息,利用卡尔曼滤波法计算采集信息各个样本与融合中心欧式距离,以该距离为半径画圆,将全部采集的车辆碳排放量信息融入其中。使用多传感器融合技术的卡尔曼滤波法构建监测点滤波处理模型,结合多传感器融合框架感知多维数据,剔除噪声后监测点预测值。根据线性微分方程累减白化方程时间,构建基于多传感器融合技术的监测模型。根据多传感器双层融合过程,实现车辆碳排放量的实时监测。由实验结果可知,该方法监测结果与实际统计数据存在最大为0.05 Mt的误差,监测所需最短时间为0.1 s,为交通车辆绿色通行提供技术支持。     

基于容积卡尔曼滤波的异类多传感器一致性融合算法

针对单一光频传感器获取目标特征信息存在的不一致性,提出一种基于容积卡尔曼滤波的异类多传感器一致性融合方法。首先,从原理上分析了激光、红外与雷达三类传感器量测信息的特征及其存在的差异,进而在容积卡尔曼滤波框架下,针对雷达、红外和激光探测等组成的典型目标侦测系统,结合一致性融合策略,通过对目标距离和方位信息融合处理改善目标状态估计精度。仿真结果表明：相对于传统的单传感器滤波方法,所提出的融合方法和策略具有较好的滤波性能。     

多传感器集中式增量卡尔曼滤波融合算法

在单个传感器的状态估计系统中,标准的增量卡尔曼滤波方法可以有效消除量测系统误差。对于多传感器情况,标准算法失效。针对该问题,提出了多传感器集中式增量卡尔曼滤波融合算法,即:增量卡尔曼滤波的扩维融合算法和增量卡尔曼滤波的序贯融合算法。在标准增量卡尔曼滤波算法的基础上,结合扩维融合和序贯融合的思想来实现多传感器数据的融合。实验结果表明,当存在量测系统误差时,提出的集中式融合算法与传统的集中式融合算法相比,提高了滤波精度,并且能够成功地消除量测系统误差。     

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.     

噪声方差未知情况下多传感器航迹融合

在多传感器信息融合中,已有的航迹融合算法都是在噪声方差已知情况下基于最优的卡尔曼滤波算法的,而实际应用中噪声方差往往是未知的.针对上述问题,基于扩展记忆因子递推最小平方(EFRLS)估计的滤波方程,研究了噪声方差未知情况下集中式、分布式、混合式多传感器航迹融合方法.并对三种航迹融合算法的跟踪性能和卡尔曼滤波融合算法的性能进行了仿真比较.由于多级式多传感器的航迹融合方法可由本文的方法直接推广,所以只需研究两级的情况就可.     

通信受限下网络化多传感器系统的Kalman融合估计

研究了一类通信受限下网络化多传感器系统的 Kalman 融合估计问题, 其中通信受限 是指系统在一个采样周期内只允许有限个传感器与融合中心通信. 首先, 提出了一种周期性分组传输的通信策略, 并将每组传感器所对应的局部估计系统描述成一个离散周期子系统模型. 其次, 每个子系统根据最新测量信息的更新时刻, 选择相应的 Kalman 估计器 (滤波器或预报器), 从而得到各子系统在每一时刻的一个局部最优估计, 再通过矩阵加权线性最小方差最优融合准则得到最优融合估计,并给出了Kalman融合估计器的设计方法. 最后, 通过一个目标跟踪例子验证所提方法的有效性.