分布式信息融合系统的性能评估方法

针对分布式信息融合系统的特点,讨论了一种适用于分布式信息融合系统的性能评估方法.提出了一个具有4个一级指标的性能评估体系,每个一级指标下面又有若干个二级指标.以一个分布式舰载多传感器信息融合系统作为仿真平台进行仿真实验,讨论了实验步骤,给出了实验结果.仿真结果表明,本评估体系能对分布式信息融合系统的各个方面作比较全面、准确的评估.     

离散随机奇异系统的最优融合全阶状态估值器

研究带多传感器和相关观测噪声的离散随机奇异系统的分布式融合状态估计问题.核心思想是将带多传感器的随机奇异系统转化为一个等价的非奇异系统组.在得到局部非奇异系统的状态估计后,利用线性最小方差意义下的最优加权融合算法,得到原系统的全阶最优融合滤波器和平滑器.仿真算例表明,融合估值器优于每个局部估值器.     

时滞系统的多源数据融合卡尔曼滤波器研究

对于带观测时滞的线性离散时变随机控制优化问题,提出了观测变换方法,把带观测时滞状态空间模型等效地转换为无观测时滞的状态空间模型,接着应用卡尔曼(Kalman)滤波方法,在线性最小方差最优融合准则下,给出按矩阵、按对角阵和按标量加权三种最优信息融合卡尔曼(Kalman)滤波器,可分为局部最优全局次优的.融合器的精度高于每一个局部Kalman估值器的精度.可以减少用增广状态方法计算负担大的缺点.为了计算最优加权,给出了计算局部估计误差互协方差公式.对于带观测时滞的三传感器目标跟踪系统的Monte Carlo仿真例子证明了算法的有效性.     

高阶系统的奇异摄动模型的平衡降阶

随着控制理论和电子计算机技术的迅速发展,尽管为研究与设计高阶复杂系统提供了方便的条件,但是对复杂高阶系统进行模型简化仍然是控制系统设计与仿真工作者的一个重要研究课题.针对奇异摄动模型的平衡降阶方法,提出了采用时矩输出拟合来改善降阶系统输出响应逼近程度的改进方法,通过给出的实例仿真证实了这一点.     

用于胎压监测系统的一种改进贝叶斯估计数据融合算法的研究

针对小型汽车胎压监测系统(TPMS)利用单一传感器测量数据不确定性的问题,提出一种将贝叶斯估计和卡尔曼滤波相结合的多传感器数据融合的方法.设计满足系统功能要求的方案,运用贝叶斯估计对SP370轮胎模块中传感器采集的数据进行融合,排除失效的数据以及故障的传感器,提高系统的精度.结合卡尔曼滤波器优化融合的结果,消除噪声信号.研究结果表明,采用上述的数据融合方法能够有效的解决单一传感器测量数据的局限性,抑制传感器引入的噪声,并通过仿真验证了本系统的可行性、可靠性.     

多传感器时滞系统信息融合最优Kalman滤波器

基于线性最小方差最优加权融合估计算法,对多传感器的离散线性状态时滞随机系统,给出了一种非增广分布式加权融合最优Kalman滤波器.推导了状态时滞系统任两个传感器子系统之间的滤波误差互协方差阵的计算公式.它与状态增广加权融合滤波器具有相同的精度.与每个传感器的局部滤波器相比,分布式融合滤波器具有更高的精度.与状态和观测增广最优滤波器相比,具有较小的精度.但避免了增广所带来的高维计算和大的空间存储,可减小计算负担.仿真例子验证了其有效性.     

离散不确定系统分布式鲁棒融合滤波器设计

针对一类离散多传感器动态模型的不确定系统,将鲁棒滤波理论与数据融合技术相结合,基于参数依赖Lyapunov函数,研究该离散系统的鲁棒融合滤波器设计问题。在集中式鲁棒融合滤波器的基础上,探讨了分布式加权融合滤波器的设计方法,通过仿真实验比较了鲁棒融合滤波器的性能。结果表明,利用该分布式加权融合算法,不仅对于解决当系统模型中存在参数不确定性时的滤波问题有较好的鲁棒性能和较低的计算量,而且在多传感器系统中对于满足不同精度鲁棒融合滤波器的设计需要具有较大的灵活性。     

具有数据包丢失的离散随机不确定系统的线性最优满阶估值器

研究了具有数据包丢失和随机不确定性离散随机线性系统的状态估计问题.其中数据包丢失是随机的,且满足Bernoulli分布,系统矩阵中的随机不确定性由一个白色乘性噪声来描述.首先,通过配方方法,提出了最小均方意义下的无偏最优线性递推满阶滤波器.所提出的滤波器用到了当前时刻和最近时刻接收到的观测来保证线性最优性.与多项式滤波和增广滤波器相比,本文的滤波器具有较小的计算负担.然后,基于所获得的线性滤波器推导了线性最优预报器和平滑器.进一步研究了线性最优估值器的渐近稳定性,给出了稳态特性存在的一个充分条件.最后,通过两个仿真例子验证了所提估计算法的优越性.     

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.     

Optimal Fusion Reduced-Order Kalman Filters Weighted by Scalars for Stochastic Singular Systems

Based on the optimal fusion algorithm weighted by scalars in the linear minimum variance sense, a distributed optimal fusion reduced-order Kalman filter with scalar weights is presented for discrete-time stochastic singular systems with multiple sensors and correlated noises. It has higher accuracy than any local filter does. Compared with the distributed fusion filter weighted by matrices, it has lower accuracy but has reduced computational burden. Computation formula of cross-covariance matrix of the filtering errors between any two sensors is given. An example with three sensors shows the effectiveness.     

广义系统信息融合稳态与自校正满阶Kalman滤波器

基于线性最小方差标量加权融合算法和射影理论,对带多个传感器和带相关噪声的广义系统,提出了分布式标量加权融合稳态满阶Kalman滤波器.推得了任两个传感器子系统之间的稳态满阶滤波误差互协方差阵,其解可任选初值离线迭代计算.所提出的稳态融合滤波器避免了每时刻计算协方差阵和融合权重,减小了在线计算负担.当系统含有未知模型参数时,基于递推增广最小二乘算法和标量加权融合算法,提出了一种两段融合自校正状态滤波器.其中第1段融合获得未知参数的融合估计;第2段融合获得分布式自校正融合状态滤波器.与局部估计和加权平均融合估计相比,所提出的标量加权融合参数估计和自校正状态估计都具有更高的精度.仿真研究验证了其有效性.     

信息融合理论的基本方法与进展

信息融合是现代信息技术与多学科交叉、综合、延拓产生的新的系统科学研究方向,由于其在军事和民用领域已经展现出的有效与广阔的理论和应用前景,而备受国内外学者和众多实际工程领域专家的高度关注.文章对近几年来信息融合国际年会和近百种国际学术期刊进行了统计分析,对信息融合在军事和民用领域的应用分布情况、所采用的各种不同数学工具和研究方法所占的比例、融合系统建模方法、算法、发展动向、存在的问题和解决这些问题的思路给出了系统的综述.     

Estimation fusion for distributed multi-sensor systems with uncertain cross-correlations

This paper addresses the estimation fusion problem in distributed multi-sensor systems with uncertain cross-covariance among local estimation errors. A robust linear estimation fusion method is proposed in the sense of minimising the worst mean square error of the fused estimator over the uncertain normalised cross-covariances (NCC). The weighted coefficient matrices of the fused estimator can be obtained by solving a semi-definite programming problem. This estimation fusion method is suitable for the situations with completely unknown NCC or partly known NCC. Two fusion estimators for the uncertain NCC with partly known prior information are presented. Some numerical simulations are provided to show the good performance of the proposed estimators.     

带多层融合结构的广义系统 Kalman 融合器

对带多传感器的线性离散随机广义系统, 用奇异值分解将其化为两个降阶耦合子系统, 应用现代时间序列分析方法, 基于自回归滑动平均 (Autoregressive moving average, ARMA) 新息模型和白噪声估计理论, 提出了带三层融合结构的分布式稳态 Kalman 融合器, 它由两个加权融合器和两个复合融合器组成. 第一层给出子系统状态融合器, 实现了每个子系统分量解耦融合; 第二层给出变换后状态融合器, 实现了两个子系统的解耦融合; 第三层给出原始状态融合器, 它可统一处理状态融合滤波、平滑和预报问题. 为计算最优加权阵, 给出了计算局部估计误差互协方差阵公式, 证明了它的精度比每个局部估值器精度高. Monte Carlo 的仿真实例说明了其有效性.     

WMF self-tuning Kalman estimators for multisensor singular system

For the multisensor linear stochastic singular system with unknown noise variances, the weighted measurement fusion (WMF) self-tuning Kalman estimation problem is solved in this paper. The consistent estimates of these unknown noise variances are obtained based on the correlation method. Applying the WMF method and the singular value decomposition (SVD) method yields the WMF reduced-order subsystems. Based on these consistent estimates of unknown noise variances and the new non-singular systems, the WMF self-tuning Kalman estimators of the state components and white noise deconvolution estimators are presented. Then the WMF self-tuning Kalman estimators of the original state are presented, and their convergence has been proved by dynamic error system analysis (DESA) method and dynamic variance error system analysis (DVESA) method. A simulation example of 3-sensors circuits systems verifies the effectiveness, the accuracy relationship and the convergence.     

基于Riccati方程的自校正解耦融合Kalman滤波器

对于带未知噪声方差的多传感器系统,用相关方法给出了噪声方差的在线估值器,进而基于Riccati方程和按分量标量加权最优融合规则,提出了自校正分量解耦信息融合Kalman滤波器.用动态误差系统分析方法证明了自校正融合Kalman滤波器按实现收敛于最优融合Kalman滤波器,因而具有渐近最优性.一个3传感器跟踪系统的仿真例子说明了其有效性.     

带有色观测噪声多传感器多重时滞系统分布式融合滤波器

基于新息分析方法, 对带有色观测噪声的多重时滞系统, 提出了一种带白噪声估值器的非增广的最优滤波器. 它等价于一个带相关白噪声多重时滞系统的一步预报器. 当系统带有多个传感器时, 推导了多重时滞系统的任意两个传感器子系统之间的估计误差互协方差阵. 基于线性最小方差最优加权融合估计算法, 给出了分布式加权融合最优滤波器. 分布式融合估计比基于每个传感器的局部估计具有更高的精度. 比增广的集中式最优滤波器具有更好的可靠性, 且避免了高维计算和大存储空间. 仿真例子验证了其有效性.     

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。