带有乘性噪声的时滞系统多传感器信息融合

研究了带有乘性噪声的线性时滞系统的局部最优预报估计和全局最优线性加权信息融合问题。 通过虚拟噪声补偿技术,将该问题转化为一类带有未知时变噪声的随机系统的状态最优估计问题。基于等价系统的新息重组分析及Hilbert空间上的投影定理,给出局部最优预报器设计,进而通过求解与各单传感器子系统有相同维数的Riccati方程得到多传感器分布式全局最优加权信息融合算法。与集中式融合估计算法相比,该方法无需扩维。最后通过一个仿真实例证明该算法的有效性。     

噪声相关下含无序量测的多传感器信息融合估计

多传感器跟踪系统中因通信延迟常会出现无序量测现象,为了提高系统估计精度,采用直接更新法对状态进行更新估计,并针对噪声相关下含无序量测的多传感器系统,提出了矩阵加权最优信息融合状态估计算法,考虑了过程噪声和量测噪声的相关性以及局部估计的误差相关性.仿真计算验证了算法的有效性.     

Student’s t滤波框架下的信息融合算法

针对多传感器系统的观测噪声为非高斯噪声的问题,通过Student’s t滤波框架和四元数特性相结合,以无迹变换计算Student’s t加权积分函数,设计基于Student’s t分布的无迹四元数滤波算法,作为局部滤波算法. 利用拉格朗日乘子法计算最优融合权重系数,通过线性加权融合的方式,对各局部滤波结果进行融合. 采用基于四元数的目标姿态运动模型进行仿真,利用3个星敏感器同时对同一目标进行观测,通过与已有的鲁棒无迹Student’s t滤波（RSTUF）算法对比,验证所提算法的有效性. 仿真结果表明：所提算法在对目标姿态的估计精度、滤波收敛速度及收敛后的数值稳定性方面均高于RSTUF算法;通过多个观测信息互补,提高了估计精度及容错性.     

不同环境下的GPS/IMU数据融合

为提高Kalman滤波组合导航的估计精度,在考虑系统估计误差相关的情况下,提出了采用环境背景下不同传感器的有效性概率加权GPS/IMU组合导航自适应衰减记忆滤波的融合算法。通过对各种算法进行仿真分析发现,新算法的融合估计精度高于相应的未考虑环境信息的GPS/IMU融合估计精度 新算法具有几乎和有效概率加权Kalman滤波融合算法相同的融合估计精度,但其误差变化较后者平稳。表明新算法可有效地提高系统融合估计的精度和可靠性。     

多传感器加权信息融合算法研究

将新兴的随机加权估计应用于多传感器信息融合,文章提出一种基于随机加权估计的多传感器信息融合算法,用于解决多传感器对目标同一参数进行测量时权的最优分配问题。仿真结果表明,文中提出的随机加权融合估计算法优于传统的平均值估计融合算法,并且随着测量次数的增大,均方误差越来越小。     

共同系统状态过程噪声的多传感器联合滤波算法

目前,大多数多传感器联合滤波算法不考虑共同的系统状态过程噪声对各局部状态估计的影响,而实际上这种噪声是不可忽略的。基于此,从信息空间的角度出发,从理论上推导了多个传感器联合滤波算法,并验证了以往的不考虑共同系统状态过程噪声的多传感器及考虑共同系统状态过程噪声但传感器数只有2个的最优联合滤波算法均是该算法的特例。与一已有的联合滤波算法的仿真比较表明：该算法所获得的状态估计精度好于原有算法所获得的状态估计精度。     

一种车辆机动目标跟踪的多传感器信息融合估计算法

为了保证自动高速公路系统对车辆机动目标的实时、精确跟踪,提出了一种车辆机动目标状态的多传感器信息融合估计算法.建立了车辆运动状态的离散时间多模式非线性动态系统模型,利用当前时刻的各个传感器量测数据,结合交互式多模型和扩展卡尔曼滤波器得到各个局部状态估计值和滤波误差协方差阵,并采用动态加权信息融合准则获得更为精确的车辆融合航迹估计值.通过仿真验证表明这种多传感器信息融合估计算法能实时有效地提高车辆机动目标跟踪精度.     

多传感器信息融合的最优状态估计方差

多传感器信息融合位置级融合算法中,测量融合(Measurementfusion)算法是最优的。本文证明了测量融合算法的估计方差由系统的"测量函数"决定。该函数值越大,系统的融合估计方差就越小。仿真说明了以上结论的正确性。     

一种基于分步式滤波的异步航迹融合算法

针对分布式多传感器数据融合系统,改进了一种多传感器异步航迹融合算法．该融合算法在扩展记忆因子递推最小平方（EFRLS）估计形成本地航迹的基础上,首先利用最小二乘法将局部航迹统一到融合中心的融合时间点,然后使用分步式滤波融合算法进行状态估计．仿真实验结果表明,这种融合算法在噪声方差未知的情况下是有效的,其精度接近集中式融合算法．     

组合导航系统中一种基于IMM-Kalman的数据融合方法

针对INS/GNSS组合导航系统中对传感器随机零偏动态估计的需求,本文提出了一种基于IMM-Kalman的数据融合方法。该算法基于IMM框架,通过模型概率更新,进行自适应系统模型选择,实现对传感器零偏的动态最优估计,提高组合导航系统数据融合精度。仿真验证表明：与常规算法相比,改进算法可以实现对传感器随机零偏的动态估计,提高姿态解算精度,将俯仰角和滚转角误差由0.26°和0.23°分别降至0.11°和0.04°;同时仿真了卫星失锁的情况,改进算法的应用,使INS独立导航时位置累积误差仅为21.8 m,较常规方法的42.2 m减少了近50%,进一步证明了算法的有效性。     

Obstacle avoidance technology of bionic quadruped robot based on multi-sensor information fusion

In order to improve the ability of a bionic quadruped robot to percept the location of obstacles in a complex and dynamic environment, the information fusion between an ultrasonic sensor and a binocular sensor was studied under the condition that the robot moves in the Walk gait on a structured road. Firstly, the distance information of obstacles from these two sensors was separately processed by the Kalman filter algorithm, which largely reduced the noise interference. After that, we obtained two groups of estimated distance values from the robot to the obstacle and a variance of the estimation value. Additionally, a fusion of the estimation values and the variances was achieved based on the STF fusion algorithm. Finally, a simulation was performed to show that the curve of a real value was tracked well by that of the estimation value, which attributes to the effectiveness of the Kalman filter algorithm. In contrast to statistics before fusion, the fusion variance of the estimation value was sharply decreased. The precision of the position information is 4.6.cm, which meets the application requirements of the robot.     

一种自适应混合滤波姿态解算算法

针对低成本惯性测量器件采用基于滤波的姿态解算算法存在精度低、抗干扰性差等问题,提出了一种基于共轭梯度法与互补滤波相融合的自适应参数调节的混合滤波算法.该算法首先利用共轭梯度算法对加速度计和磁力计的数据进行姿态四元数的迭代估算,再通过互补滤波算法将陀螺仪更新的姿态与其进行信息融合,最后根据载体的运动状态自适应调节滤波参数,实现最优姿态估计.为验证所提算法的可行性和抗干扰性,与其他滤波融合算法在移动机器人平台上进行抗磁干扰和抗运动加速度干扰实验.实验结果表明,该算法可以有效地降低磁干扰和运动加速度干扰对姿态角解算的影响,其姿态角解算精度优于传统的梯度下降法、高斯牛顿法和共轭梯度法的滤波融合算法.     

多信息融合技术及在无损检测中的应用

研究了基于D-S证据理论的多传感器决策层信息融合的实现方法和算法,探讨了将Dempster联合规则推广到多源信息时取消中间联合过程的归一化计算问题,推导出了改进算式。应用于无损检测,用超声波等三种传感器对一铸件进行无损检测仿真实验,结果证明能够提高检测速度与检测精度。     

多传感器一步延迟OOSMs序贯融合滤波

该文提出了一种序贯式多传感器一步延迟无序量测的融合估计算法.针对现有系统中存在的延迟量测问题,在单传感器一步延迟无序量测最优更新A1算法的基础上,引入序贯递推的思想,在线性最小方差准则下,提出了一种序贯式的多传感器一步延迟无序量测最优融合算法,提高了多OOSMs融合估计的实时性.仿真验证了该文算法的有效性和最优性.     

全局运动多分辨率光流估计算法的改进与实现

为了提高低分辨率图像之间的位移估计精度,在传统光流算法的基础上,提出了全局运动的多分辨率光流估计算法.实验结果表明：该算法能够快速实现小位移和准确的实现大位移的运动估计,通过对互有亚像素位移的多帧低分辨率图像对比相位相关法进行运动估计,改进的多分辨率光流估计算法实现的高精度亚像素位移误差精度为0.05pi.     

基于变分贝叶斯推断的半盲信道估计

现有MIMO中继通信系统中,基于张量分解的半盲信道估计不能有效地将信道先验信息引入估计过程中,为此提出一种基于变分贝叶斯推断的信道估计算法.该算法首先利用NP(Nested PARAFAC)张量模型,引入有效精度、噪声精度等隐性超参数,建立信道估计概率图模型;由于所求信道参数后验概率分布较为复杂,传统最大似然和最大后验等点估计方法难以实现,算法采用变分贝叶斯推断,推导出信道矩阵、有效精度及噪声精度的递推公式,使具有因子分解形式的q分布逼近所求信道参数的后验分布;并分析了模型证据的下界、模型的初始化及算法复杂度等.该算法能利用信道先验信息以提高信道估计性能,有效精度和噪声精度等参数可自动调节,且计算复杂度与数据的维度呈线性关系.仿真结果表明:在平稳瑞利衰落信道条件下,与基于交替最小二乘(Alternating Least Square,ALS)的半盲估计算法相比,算法的计算复杂度较低,收敛速度较快;与带监督序列的双线性最小二乘(Bilinear Alternating Least Square,BALS)非盲估计算法,基于ALS及非线性最小二乘(Nolinear Least Square,NLS)的半盲估计算法相比,算法具有较高的估计精度.     

异步多传感器的MAP航迹融合

异步航迹融合是多传感器跟踪系统的一个重要问题。针对实际应用中多传感器采样速率的不同步性,提出了多传感器系统存在反馈情况下异步多传感器的极大验后(MAP)航迹融合估计算法,分析表明,同步多传感器MAP航迹融合算法是该算法的一个特例;仿真计算也表明,该融合算法具有良好的估计精度。     

多传感器系统误差特性匹配的动态估计与补偿算法

针对非合作目标场景下多传感器系统误差估计的工程应用问题,提出了一种面向工程应用的多传感器相对系统误差动态估计与适配性处理算法(μ-DECA),提高了多传感器融合系统的精度和稳定性.建立了系统误差实时估计模型,设计了一种多传感器相对系统误差动态迭代估计与补偿算法,使得各传感器原始点迹和融合航迹的误差特性趋于一致,克服了多...