多传感器分布式融合白噪声反卷积滤波器

基于Kalman滤波方法和白噪声估计理论,在按矩阵加权线性最小方差最优融合准则下,提出了带ARMA有色观测噪声系统的多传感器分布式融合白噪声反卷积滤波器,其中推导出用Lyapunov方程计算最优加权的局部估计误差互协方差公式。与单传感器情形相比,可提高融合估值器精度。它可应用于石油地震勘探信号处理。一个三传感器分布式融合Bernoulli-Gauss白噪声反卷积平滑器的仿真例子说明了其有效性。     

多传感器最优信息融合白噪声反卷积滤波器

基于Kalman滤波方法和白噪声估计理论,在线性最小方差按矩阵加权最优信息融合准则下,提出了带相关噪声系统多传感器信息融合白噪声反卷积滤波器.提出了各传感器滤波误差之间的协方差阵计算公式,可用于计算最优融合加权阵.同单传感器情形相比,可提高融合滤波精度.它可减少在线计算负担,便于实时应用.它可应用于石油地震勘探信号处理.一个3传感器信息融合Bernoulli-Gaussian白噪声反卷积滤波器的仿真例子说明了其有效性.     

多传感器分布式融合Kalman预报器

应用现代时间序列分析方法,基于ARMA新息模型,在线性最小方差最优信息融合准则下,对于输入噪声与观测噪声相关且观测噪声相关的多传感器系统,分别提出了按矩阵加权、按标量加权和按对角阵加权的3种分布式融合稳态Kalman 预报器。其中提出了基于Lyapunov方程的局部预报估值误差方差阵和协方差阵计算公式。它们被用于计算最优加权,与单传感器情形相比,可提高估值器的精度。一个跟踪系统的仿真例子说明了其有效性,且说明了3种加权融合预报器的精度无显著差别。但标量加权融合预报器可显著减小计算负担,提供一种快速实时信息融合估计算法。     

一种组合式的Kalman滤波算法

针对Kalman滤波算法在估计过程中存在噪声影响和过程信号无法直接观测等问题,提出一种组合式的Kalman滤波算法.首先对观测的数据进行自适应加权融合,然后将融合的结果作为第二级Kalman滤波的先验估计值,进行Kalman滤波.通过自适应算法与Kalman算法的组合算法进行数据融合,可以提高融合的准确度和精度.最后通过仿真证实算法的有效性.     

自校正分布式观测融合Kalman滤波器

对于带未知噪声统计和带具有相同右因子的观测阵的多传感器系统,应用加权最小二乘(WLS)法可得到一个等价的融合观测方程。该文应用现代时间序列分析方法,基于新息模型参数的在线辨识,可估计未知噪声方差,进而提出了自校正加权观测融合Kalman滤波器。在新息模型参数估计是一致的和观测数据是有界的假设下,该文证明了自校正Kalman滤波器收敛于当噪声统计已知时的全局最优融合Kalman滤波器,因而它具有渐近全局最优性。最后给出了一个4传感器跟踪系统的仿真例子并验证了其有效性。     

多通道ARMA信号信息融合Wiener滤波器

应用Kalman滤波方法,基于白噪声估计理论,在线性最小方差最优信息融合准则下,提出了多通道ARMA信号的两传感器信息融合稳态最优Wiener滤波器、平滑器和预报器;给出了最优加权阵和最小融合误差方差阵.与单传感器情形相比,可提高滤波精度.一个雷达跟踪系统的仿真例子说明了其有效性.     

加权融合鲁棒增量Kalman滤波器

在一定环境条件下,当系统的量测方程没有进行验证或校准时,使用该量测方程往往会产生未知的系统误差,从而导致较大的滤波误差。同样地,当系统的噪声方差不确定时,滤波的性能也将会变坏,甚至会引起滤波器发散。增量方程的引入可以有效消除系统的未知量测误差,从而带未知量测误差的欠观测系统的状态估计问题可以转换为增量系统的状态估计问题。该文考虑带未知量测误差和未知噪声方差的线性离散系统,首先提出一种基于增量方程的鲁棒增量Kalman滤波器。进而,基于线性最小方差最优融合准则,提出一种加权融合鲁棒增量Kalman滤波算法。仿真实例证明了所提算法的有效性和可行性。     

协方差交叉融合Kalman预报器

对于带未知局部预报误差互协方差的两传感器跟踪系统,通过协方差交叉融合方法,得到了协方差交叉融合稳态Kalman预报器,并用协方差椭圆的方法给出了其精度关系的几何解释。用相关方法证明了协方差交叉融合稳态Kalman预报器的精度高于每个局部稳态最优Kalman预报器,低于按矩阵加权融合稳态最优Kalman预报器。用一个Monte-Carlo仿真例子说明了协方差交叉融合稳态Kalman预报器的精度接近于稳态最优融合Kalman预报器。     

多通道ARMA信号的三种多传感器信息融合Wiener滤波器

应用现代时间序列分析方法,基于ARMA新息模型、白噪声估值器和观测预报器,对带白色观测噪声的多通道ARMA信号,在线性最小方差最优信息融合准则下,提出了统一的和通用的按矩阵加权、按标量加权和按对角阵加权的多传感器信息融合Wiener滤波器,可统一处理滤波、平滑和预报问题．提出了计算局部估计误差方差和协方差的公式,它们被用于计算最优加权．同单传感器情形相比,可提高滤波精度．一个目标跟踪仿真例子说明了其有效性,且说明了三种加权融合滤波器的精度无显著差异,因而利用按标量加权融合滤波器以轻微的精度损失提供一种快速融合估计算法,便于实时应用．     

主被动雷达复合导引头信息融合技术研究

针对主被动雷达复合导引头,研究了基于序贯扩展Kalman滤波的信息融合算法。利用主被动雷达复合导引头对目标角误差进行观测,将匹配后的测量角度进行最优加权,进而以角度信息作为量测,估计目标的运动信息。通过试验验证,基于主被动雷达信息融合状态估计比仅依赖主动雷达观测量的状态估计稳态误差小,且滤波器收敛速度更快。     

Self-tuning weighted measurement fusion white noise deconvolution estimator

For the multi-sensor linear discrete time-invariant stochastic systems with correlated measurement noises and unknown noise statistics,an on-line noise statistics estimator is obtained using the correlation method.Substituting it into the optimal weighted fusion steady-state white noise deconvolution estimator based on the Kalman filtering,a self-tuning weighted measurement fusion white noise deconvolution estimator is presented.By the Dynamic Error System Analysis(DESA) method,it proved that the self-tunin...     

Self-tuning measurement fusion Kalman filter with correlated measurement noises

For the multisensor system with correlated measurement noises and unknown noise sta-tistics, based on the solution of the matrix equations for correlation function, the on-line estimators of the noise variances and cross-covariances is obtained. Further, a self-tuning weighted measurement fusion Kalman filter is presented, based on the Riccati equation. By the Dynamic Error System Analysis (DESA) method, it rigorously proved that the presented self-tuning weighted measurement fusion Kalman filter converges to the optimal weighted measurement fusion steady-state Kalman filter in a realization or with probability one, so that it has asymptotic global optimality. A simulation example for a target tracking system with 3-sensor shows that the presented self-tuning measurement fusion Kalman fuser converges to the optimal steady-state measurement fusion Kalman fuser.     

数据融合技术在测量船组合导航系统中的应用

提出了利用数据融合技术来提高测量船的导航系统精度的方法.针对测量船上的惯性导航系统在长时间运行后产生误差的问题,通过测量船上的天文经纬仪观测恒星,利用卡尔曼滤波把惯性导航、天文导航等其他导航系统组成组合导航系统,并建立了数学模型.同时在卡尔曼滤波中引入模糊控制理论,来解决所建立的数学模型中量测噪声不满足零均值高斯白噪声的问题.实验结果与理论分析一致,证明利用多种数据融合方法能有效提高测量船导航系统的精度.     

Self-tuning distributed measurement fusion Kalman estimator for the multi-channel ARMA signal

For the multisensor multi-channel autoregressive moving average (ARMA) signal with white measurement noises and a common disturbance measurement white noise, when the model parameters and the noise variances are all unknown, a multi-stage information fusion identification method is presented, where the consistent fused estimates of the model parameters and noise variances are obtained by the multi-dimension recursive instrumental variable (RIV) algorithm, correlation method and Gevers-Wouters algorithm with a dead band. Substituting these estimates into the optimal distributed measurement fusion Kalman signal estimator, a self-tuning distributed measurement fusion Kalman signal estimator is presented. Its convergence is proved by the dynamic error system analysis (DESA) method, so that it has asymptotical global optimality. In order to reduce computational load, a fast recursive inversion algorithm for a high-dimension matrix is presented by the inversion formula of partitioned matrix. Especially, when the process and measurement noise variance matrices are all diagonal matrices, the inversion formula of a high-dimension matrix is presented, which extends the formula of the inverse of Pei-Radman matrix. Applying the proposed inversion algorithm, the computation of the fused measurement and fused noise variance is simplified and their computational burden is reduced. A simulation example shows effectiveness of the proposed method.     

量测提升卡尔曼滤波

滤波器设计是系统辨识和状态估计的重要基础.卡尔曼滤波通过状态预测和量测更新的实现框架,在最小方差准则下实现对目标状态的最优估计,但在单传感器量测环境中其滤波精度易受量测噪声随机性的影响.本文提出一种基于量测提升策略的卡尔曼滤波算法实现框架,新方法依据当前时刻量测和量测噪声先验统计信息构建虚拟量测,并通过对虚拟量测采样以及融合提升系统量测信息可靠性,进而改善状态估计精度.同时,针对算法在工程应用中实时性、准确性以及鲁棒性等需求,设计了分布式加权融合和集中式一致性融合的两种实现结构.理论分析和仿真实验结果验证了算法的可行性和有效性.