基于多传感器信息融合在状态估计上的应用

利用测量系统采用单一传感器对测量系统获取观测数据,通过经典卡尔曼滤波算法对观测数据进行估计.在对复杂多变的环境中利用多种传感器所测量的数据进行融合分析,针对不同结果的观测数据,建立数学模型,用方差大小来衡量每个传感器的精度性,对获取到不同的观测数据进行观测融合,采用集中式融合和分布式融合方法,分布式融合运用矩阵分析把高...     

应用于状态监测的多传感器融合估计

在状态监测的工程实际中, 使用多个同类传感器进行在线测量可以得到更为准确的状态估计．但各传感器测量噪声会出现相关的情况, 而且很难得到相关测量噪声的方差矩阵的精确值, 测量系统往往是不确定的．本文根据系统测量将系统分解为确定和不确定扰动两部分, 分别进行估计, 然后将两者的融合估计结果相加得到了最优鲁棒的融合估计．针对确定部分, 利用同类传感器的测量方差为Pei-Radman矩阵的特性, 通过求解测量噪声方差矩阵的最大特征值得到了一种简便的最优融合估计算法, 该算法避免了求解方差矩阵的逆的过程．针对不确定     

面向城市道路交通状态估计的数据融合研究

实时道路交通状态估计是ATMS和ATIS的重要内容。布设于城市道路网络中的各类检测器提供了丰富实时的动态信息。针对目前我国各检测器间相互独立形成信息孤岛、数据参数多样、结构迥异、采样周期和精度不一等现状,采用贝叶斯估计、模糊逻辑等数据融合方法建立多源异构交通信息三层次融合体系,得到精度更高、可靠性更强的交通信息。实例证明,数据融合适用于城市道路交通状态估计。     

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.     

基于多传感器的信息数据融合技术在电力系统中的应用

论述了多传感器信息数据融合技术的概念、原理、方法及当前数据融合研究中存在的主要问题;以信息融合技术为研究对象,结合电力系统的实际特点,提出多传感器信息数据融合技术在电力系统各领域应用中亟待解决的问题、解决方案及发展方向。     

基于OBE算法的自适应集员状态估计

研究了具有椭球集合描述的离散时间动态线性系统的状态估计问题.从提高计算的有效性和可实现性的角度出发,通过在不同的更新阶段采用优化定界椭球(OBE)算法,提出了一种新颖的解决状态估计的方法.通过与ROBP(recursive state bounding by parallelotopes)算法和Kalman滤波的仿真比较,验证了本方法的性能.     

估计融合算法的一类敏感指标研究

为了改善在复杂多变的环境下多源信息融合的准确性和鲁棒性,可在融合过程中进行算法管理,自适应配置算法的方法实现。在算法配置中反馈所需的条件采用算法敏感指标进行评价。在状态估计敏感指标OSPA距离测度基础上,提出估计融合中的敏感指标GOSPA距离测度,GOSPA距离将真实航迹和全局航迹之间的误差分离成航迹距离误差和航迹关联误差。通过对比实验表明,估计融合中的全局OSPA测度指标对航迹融合算法的性能评估是敏感的。     

多传感器测量中的方差估计

在多传感器加权融合算法中，各传感器的权值仅由传感器的测量方差决定。假设各传感器噪声为平稳过程且相互独立，本文提出了待测状态未知且时变情况下．多传感器测量方差的估计算法，并讨论了估计方差的统计特性，证明了估计的无偏性。针对工程中环境噪声的变化，进一步提出了加窗方差估计方法，并给出了窗口宽度和估计精度的关系．使算法能有效地跟踪环境噪声的变化。该算法无需设置依赖于环境的初始值，并给出了递推公式．使其可用于对多传感器测量方差的实时自适应估计。仿真结果直观地说明了估计方法的有效性。     

基于Bayes估计的多传感器最优融合

本研究了多传感器数据融合技术的一种方法融合方法以Bayes估计理论为基础,并对数据进行了一致性检验,得到了多传感器最优融合数据,提高了数据的精确度。实际应用结果验证了算法的准确性,并进行了Matlab仿真,这种数据融合方法计算简便,可以获得比有限个传感器的算术平均值更准确的测量结果．具有较高的可靠性,可用于测量结果具有正态分布特性的多传感器测量系统。     

A separated bias identification and state estimation algorithm for nonlinear systems

A computational algorithm for the identification of biases in discrete-time, nonlinear, stochastic systems is derived by extending the separate bias estimation results for linear systems to the extended Kalman filter formulation. The merits of the approach are illustrated by identifying instrument biases using a terminal configured vehicle simulation.     

量子系统中状态估计方法的综述

从广泛用于实验量子领域的典型状态估计方法,到基于系统论观点、可用于量子反馈控制的状态估计方法,详细综述了4种测量方式下的相应量子状态估计方法及其适用背景.通过其发展历程的叙述,从本质上阐述了估计的基本原理,从技术上对各种方法进行了相应的分析和比较.同时,对量子状态估计和经典状态估计进行了相应的比较,并对量子系统中的状态估计方法作了总结.     

Moving data window gradient‐based iterative algorithm of combined parameter and state estimation for bilinear systems

The combined iterative parameter and state estimation problem is considered for bilinear state‐space systems with moving average noise in this paper. There are the product terms of state variables and control variables in bilinear systems, which makes it difficult for the parameter and state estimation. By designing a bilinear state estimator based on the Kalman filtering, the states are estimated using the input‐output data. Furthermore, a moving data window (MDW) is introduced, which can update the dynamical data by removing the oldest data and adding the newest measurement data. A state estimator‐based MDW gradient‐based iterative (MDW‐GI) algorithm is proposed to estimate the unknown states and parameters jointly. Moreover, given the extended gradient‐based iterative (EGI) algorithm as a comparison, the MDW‐GI algorithm can reduce the impact of noise to parameter estimation and improve the parameter estimation accuracy. The numerical simulation examples validate the effectiveness of the proposed algorithm.     

空间连接系统分布式递推状态估计

针对空间连接系统, 提出一种分布式递推状态估计算法, 并给出算法收敛的充分必要条件. 该分布式估计器由一系列子估计器组成, 每个子估计器只利用本地子系统和相邻子系统的输出测量值估计本地子系统的状态. 与集总式Kalman 滤波相比, 在牺牲少量估计精度的情况下, 所提出算法大幅降低了计算复杂度和数据传输压力.     

改进的迭代收缩阈值算法及其在量子状态估计中的应用

本文将含有稀疏干扰的量子状态估计问题,转化为考虑量子状态的约束条件下,分别求解密度矩阵的核范数,以及稀疏干扰l1范数的两个子问题的优化问题.针对迭代收缩阈值算法(ISTA)所存在的收敛速度慢的问题,通过在两个子问题的迭代估计中,引入一个加速算子,对当前值与前一次值之差进行进一步的补偿,来提高算法的迭代速度(FISTA).并将FISTA算法应用于求解含有稀疏干扰的量子状态估计中.针对5个量子位的状态估计的仿真实验,将FISTA分别与ISTA、交替方向乘子法(ADMM)、不动点方程的ADMM算法(FP–ADMM),以及非精确的ADMM算法(I–ADMM)4种优化算法进行性能对比.实验结果表明, FISTA算法具有更加优越的收敛速度,并且能够得到更小的量子状态估计误差.     

含有迟滞Hammerstein系统的非光滑卡尔曼状态估计

迟滞特性具有非光滑、多值映射等复杂特性.如果迟滞环节的末端还存在一个线性子系统,导致迟滞的输出信号不可测,使得整个系统的状态估计工作成为很大的难题,常规的估计方法无法直接应用到这类系统中.本文提出一种新的非光滑卡尔曼滤波器,描述了Hammerstein系统的状态空间方程.据此构造了能够随系统工作区间变化而自动切换的非光滑滤波器.最后通过仿真和实验,比较了非光滑卡尔曼滤波器和传统的卡尔曼滤波器的状态估计效果,比较结果表明非光滑卡尔曼滤波器对于带迟滞的Hammerstein系统状态变量的估计的准确性要优于传统的卡尔曼滤波器.     

Unbiased minimum-variance input and state estimation for linear discrete-time systems

This paper addresses the problem of simultaneously estimating the state and the input of a linear discrete-time system. A recursive filter, optimal in the minimum-variance unbiased sense, is developed where the estimation of the state and the input are interconnected. The input estimate is obtained from the innovation by least-squares estimation and the state estimation problem is transformed into a standard Kalman filtering problem. Necessary and sufficient conditions for the existence of the filter are given and relations to earlier results are discussed.     

Robust state estimation for wireless sensor networks with data‐driven communication

Robust state estimation problem for wireless sensor networks composed of multiple remote sensor nodes and a fusion node is investigated subject to a limitation on the communication rate. An analytical robust fusion estimator based on a data‐driven transmission strategy is derived to save the sensor energy consumption and reduce the network traffic congestion. The conditions guaranteeing the uniform boundedness of estimation errors of the robust fusion estimator are investigated. Numerical simulations are provided to show the effectiveness of the proposed approach. Copyright © 2017 John Wiley & Sons, Ltd.     

车用锂离子动力电池自适应状态联合估计研究

为确定动力电池的剩余电量和峰值功率这两个关键指标, 提出一种基于数据驱动的在线参数辨识方法, 通 过递归最小二乘法精确计算电池的实时参数; 然后设计了一种基于自适应扩展卡尔曼滤波的多状态联合估计算法, 准确估计电池的实时荷电状态; 并在电压、剩余电量和单体峰值电流的多约束条件下, 建立多采样间隔持续峰值功 率估算的数学模型. 最后在MATLAB/Simulink环境下搭建基于纯电动汽车实际运行工况的硬件在环测试模型. 结 果表明: 在初始误差较大时, 剩余电量的估计误差在3%左右, 硬件在环测试系统的端电压误差保持在20 mV以内, 峰值功率的平均误差为4.9745 W, 为联合估计算法的准确性提供了可靠理论依据.     

目标跟踪状态估计排序粒子群算法研究

基于视觉的无人机地面目标跟踪状态估计为非线性滤波问题,针对使用一般粒子滤波算法存在粒子退化和计算量大的缺陷问题,提出了一种基于排序的粒子滤波算法,对粒子依误差大小进行排序并计算粒子权重。仿真试验表明,该方法减轻了粒子贫化的影响,提高了状态估计精度。