基于RIMMKF的一种传感器管理算法

以重加权交互式多模型卡尔曼滤波(RIMMKF)为基础,提出了一种传感器管理算法.首先利用RIMM对联合多目标概率的量测更新和马尔可夫转移更新求取分辨力也即信息增量,然后利用信息增量最大化来分配传感器资源.所采用的模型弥补了交互式多模型(IMM)的不足.仿真结果表明,在机动多模型环境下,与IMMKF分辨力方法相比,本文所提算法行之有效且能使传感器资源得到有效地分配.     

基于运动模型的一类传感器管理方法

利用目标检测前后信息熵的变化以及卡尔曼滤波方程中协方差的预测与更新阵,可以计算出传感器对目标进行检测或跟踪所产生的信息增量,并给出了一类基于信息增量最大化传感器管理方法.仿真结果表明:与顺序跟踪方法相比,该方法能够更合理分配有限的传感器资源,提高跟踪系统的整体性能;与随机检测与跟踪方法相比,该方法在保证一定跟踪精度的前提下,能最大限度地发现并跟踪新目标.     

基于效能函数的自适应传感器跟踪资源分配

针对基于效能函数的传感器管理算法存在的问题, 结合集中式序贯Kalman滤波算法, 将协方差自适应传感器管理算法应用到目标-传感器(组合)配对函数的计算中, 实现了传感器与目标配对系数的赋值与自动更新; 结合目标优先级函数, 提出了一种基于效能函数的自适应传感器分配算法。该算法的仿真结果表明, 有限的传感器资源既能够根据期望跟踪精度自适应分配, 又能够根据目标优先级动态地调整, 使传感器的分配策略更加合理有效。     

基于Rényi信息增量和改进QPSO算法的多传感器协同分配

对防空作战目标识别阶段中的传感器管理问题进行了研究,提出基于Rényi信息增量的多传感器管理调度方案。首先利用D-S证据理论进行融合推理,得出不同目标与不同传感器配对时的Rényi信息增量;然后,建立了基于系统总Rényi信息增量最大化的传感器分配模型,此外,对量子粒子群智能优化(QPSO)算法进行自适应改进,能够对分配模型进行快速求解;最后,通过仿真实验验证了算法的合理性和有效性。     

基于协方差控制的集中式传感器分配算法研究

传感器管理是对一组传感器或测量设备进行自动化或半自动化控制的一种处理过程,它实现了探测性能的优化和资源的有效利用.该文建立了传感器管理的一般最优化模型,研究了基于协方差控制策略的传感器分配问题,详细讨论了其实现方法,并给出三种基于不同矩阵度量的传感器分配算法.仿真结果表明,使用基于协方差控制的传感器分配算法可以进行良好的传感器管理,节约传感器资源.     

基于目标权重和信息增量的传感器管理方法

信息增量最大化只是传感器资源分配的必要条件而并非充分条件,为了同时满足传感器资源分配的充分条件,本文提出了一种基于目标权重和信息增量相结合的方法.该方法在利用交互式多模型(IMM)获取信息增量的基础上,结合由部分排序集合(POSET)方法而得出的目标所需的检测、跟踪和分类等任务的优先级别来对传感器资源进行分配.仿真结果表明,与仅考虑信息增量最大化的方法相比,该方法不仅行之有效而且更能合理地分配有限的传感器资源.     

自适应协方差控制的传感器分配算法

基于协方差控制策略设计的传感器分配算法,其协方差控制能力是评价算法性能优劣的重要指标,目前尚缺乏具体的性能度量标准来衡量这类算法的协方差控制能力,使得实际设计分配算法时缺少必要的参考。为此,该文建立了衡量算法协方差控制能力、传感器资源占用程度和算法稳健性等性能度量指标,并提出了一种自适应协方差控制的传感器分配算法,该算法通过引入新的优化目标函数,以达到提高算法协方差控制能力的目的。仿真结果表明,该算法的协方差控制能力要优于基于信息增益的分配算法,并且基本不受矩阵度量的影响,是一种稳健的传感器分配算法。     

目标跟踪中协方差控制的分布式多传感器管理

传感器管理就是研究如何分配传感器资源，控制各传感器工作模式的问题。由于现代雷达面临着反辐射导弹威胁，所以对目标进行跟踪时，使用传感器管理方法，合理对雷达进行资源调度，可以减少辐射量，提高自身的生存能力。文中讨论了一种基于协方差控制的传感器管理方法，给出了分布式跟踪结构下的传感器分配算法，并对目标跟踪时使用该算法调度传感器资源调度进行了仿真，仿真结果验证了该算法的有效性。     

航迹合成中的资源协同选择策略

针对信息栅格支持下的航迹合成中的资源利用问题,提出了一种以满足目标跟踪服务为目的的传感器资源协同选择策略。首先建立了以服务为驱动的航迹合成框架,然后利用基于协方差的目标跟踪精度描述服务需求,建立了信息栅格中资源协同选择的策略模型,最后给出了传感器资源选择的算法步骤,并进行了算法的仿真。仿真结果表明,该算法既能根据服务需求对目标进行跟踪,又能够根据目标跟踪精度动态调整进入融合中心的传感器资源,最大限度地降低对资源的使用。     

基于协方差控制的相控阵雷达资源管理算法

基于协方差控制策略研究了相控阵雷达搜索及跟踪方式下的资源管理问题.建立了相控阵雷达资源分配的最优化模型,该模型可以依据传感器对所跟踪目标设定的期望协方差矩阵与当前目标实际协方差阵之间的偏差,来确定下一时刻传感器的工作模式.分别提出了基于协方差偏差均值最小准则和最大协方差偏差最小准则两类资源管理算法.所提出的资源管理算法可以依据最优资源分配准则来控制传感器搜索及跟踪模式,使得对所有目标的跟踪维持在最佳状态.进一步,选取绝对值求迹度量和2范数度量进行仿真分析,结果表明基于协方差控制的资源管理算法可以在维持目标期望跟踪状态的条件下,有效分配雷达资源.最后讨论了期望协方差矩阵选取的原则.     

空间非平稳噪声环境下阵列通道幅相误差自校正算法

本文针对空间非平稳噪声环境下的阵列通道幅相误差问题提出一种自校正算法.该算法可以有效估计噪声相关矩阵,同时对通道幅相偏差和信源DOA作初步估计;进而在此基础上进行迭代过程,进一步校正通道幅相偏差的同时得到更精确的DOA估计值.理论分析和仿真结果均表明该算法的有效性.     

两阶段高维容积信息滤波及其在目标跟踪中的应用

非线性系统估计的过程是一个多传感器信息融合的过程,在集中处理量测数据的过程中,Kalman滤波具有很高的计算复杂度.尤其当系统模型中存在随机偏差时,扩维后计算量大幅增大,容易造成系统溢出和运行失败的问题.通过将两阶段容积Kalman滤波嵌入到扩展信息滤波框架的方式,提出了一种两阶段高维容积信息滤波算法.该算法初始化容易,计算量较小,直接利用协方差矩阵的逆与信息矩阵之间的等价关系参与滤波递推的过程,减少了对滤波增益阵的计算.在协方差矩阵的解算过程中,两阶段算法的协方差矩阵之间存在有耦合关系,因此在信息滤波中,两阶段信息矩阵之间也存在着某种耦合关系,算法中通过将非线性T变换和矩阵求逆应用于信息矩阵,得到了两阶段信息矩阵与协方差矩阵之间的耦合关系.通过纯方位跟踪系统的仿真实验,验证了两阶段高维容积信息滤波算法在精度上高于容积Kalman滤波算法,在运行时间上也短于容积Kalman滤波算法,证明了该算法的可用性.     

基于自适应信息融合的导航系统构成与算法研究

由于组合导航系统应用环境的不确定性,给噪声统计特性的准确描述带来困难,这将造成Kalman滤波器不稳定甚至发散,目前常用的解决办法是直接估计系统噪声与量测噪声的方差阵 Q及R ,进行自适应滤波.但方程的增加将使计算量加大、实时性不能保证.本文在对基于信息融合的INS/GPS组合导航系统进行分析和设计的基础上,探讨了通过ARMA模型自适应参数辨识求解可变增益K,从而求出状态估计值的方法,并对辨识误差协方差的防饱和算法进行了研究.计算机仿真结果表明:该算法对提高导航精度和运算速度是行之有效的,所得结论有一定的工程实用价值.     

一种基于费歇信息增量的多传感器对多目标的分配方法

在对序贯Kalman滤波在多传感器多目标跟踪中的应用情况进行分析之后,提出了一种基于费歇信息增量的多传感器对多目标的分配方法．该方法较好地解决了传感器的组合分配问题,并能对目标的跟踪精度实施控制,仿真结果证明了该方法的有效性．     

基于信息熵的一种传感器管理算法

通过对目标搜索区域不确定性定量描述的信息熵及信息熵变化而产生的信息增量,本文提出了一种多传感器对多目标进行检测与分类的优化算法,即针对每一检测单元计算该时刻的信息熵及预测下一时刻的信息熵,产生信息增量最大的检测单元就是下一次要搜索的单元.仿真结果证明了该算法的有效性.     

通信受限时传感器管理方法研究

在通信受限的情况下,如何进行传感器的管理以满足多目标的跟踪需求,优化完成跟踪任务.针对这一问题,对通信受限这种情形进行了描述,提出了数据获取概率的概念;利用扩展卡尔曼滤波和序贯卡尔曼滤波推出了序贯扩展卡尔曼滤波算法;结合信息论传感器管理方法和协方差控制传感器管理方法的优缺点提出了一种新的传感器分配准则.对比仿真实验表明,这种新的传感器管理方法能对传感器进行良好的管理,减小通信受限所带来的干扰;相比传统的传感器管理方法,传感器分配更为合理.     

信息共享条件下传感器组网发现概率建模

为研究组网传感器协同探测对目标发现概率的提升作用,对信息共享条件下的传感器发现概率进行了建模。首先给出了单传感器独立探测条件下的发现概率计算公式;其次分析给出了信息共享条件下单传感器发现概率的求解方法;之后采用K/N判决准则计算传感器组网探测概率;最后通过仿真分析了不同参数对信息共享条件下传感器发现概率的影响,得出了一些有意义的结论。