基于绝对偏差的多传感器目标识别方法

针对具有多个特征指标的多目标识别问题,提出了一种新的多传感器信息融合方法。该方法根据最大最小隶属度函数得到指标隶属度矩阵,通过求解各目标类别综合隶属度的绝对偏差最大的优化问题,客观地获得了属性的权重,从而给出目标识别算法,提高了识别结果的客观性和区分程度。工件识别实例验证了算法的有效性和实用性。     

基于偏差的多传感器目标级融合方法

针对具有多个特征指标的目标识别问题,提出了一种新的模糊传感器数据融合方法。该方法由最大最小隶属度函数得到相对距离矩阵,通过求解总偏差最小的数学规划问题,确定各特征的权重,从而给出目标识别算法,提高了目标识别结果的客观性。应用实例验证了算法的有效性。     

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。     

高度机动目标的异步多传感器偏差估计算法*

异步多传感器偏差估计问题是数据融合系统中的常见问题.在已有算法中,由于忽略了伪量测方程中的加速度项,在高度机动目标条件下的偏差估计可能是有偏的,为此提出了一种针对高度机动目标的异步多传感器偏差估计算法.该算法在构造伪量测差分矢量时通过反求最适的伪量测同步时刻,可以建立无加速度项的伪量测方程,并通过Kalman滤波对系统...     

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...     

多传感器多目标状态信息融合

研究了多传感器多目标状态信息融合问题。针对被动式跟踪的特点，借助主动跟踪的距离通道值，提出类主动的被动式跟踪。在此基础上提出主被动串并联状态信息融合算法。仿真结果表明该融合方法可以大大提高跟踪精度，而且提高系统的可靠性。     

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     

多传感器采样系统的分布式容错估计

研究了多传感器采样系统在发生一类典型故障情况下的分布式融合估计问题;首先,针对局部传感器,利用Kalman滤波获得的新息进行故障检测;然后在最小方差意义下发展了传感器故障在线递归估计方案;进一步将所获得的估计结果对故障传感器的测量值进行重构,并应用射影定理建立了局部传感器容错更新算法;最后基于线性最小方差融合原则给出了多传感器采样系统的分布式容错估计方案;相比于已有融合估计方法,所提方案不仅能及时检测传感器故障,并且能进一步充分利用故障传感器信息来提高估计精度;数值仿真验证了方法的有效性和优越性。     

基于多项式统计的舰船传感器偏差估计算法

现代舰艇配置多部用于探测作战任务目标的传感器,因此必须估计距离、方位和俯仰的探测参数偏差。大部分已有算法需要从传感器获取额外信息,比如滤波增益和关联协方差矩阵。本文提出7阶多项式拟合和假设检验的新算法,使用K-S检验、卡方检验和t检验方法统计分析估计传感器系统偏差。通过比较不同传感器的航迹数据,该算法可获得多种传感器的探测精度和偏差,并提供传感器间偏差异常定位。最后,通过仿真数据和无人机测量数据验证本文所提算法的有效性。     

基于系统误差和状态联合估计的目标跟踪算法

针对线性系统中系统误差对状态估计精度造成的不利影响,在卡尔曼滤波算法框架下提出一种基于系统误差和状态联合估计的目标跟踪算法。在算法实现过程中,首先定量分析了系统误差对目标状态估计及其估计误差协方差矩阵的影响,进而结合状态扩维技术构建系统误差配准的实现过程,最终依据标准卡尔曼滤波迭代流程设计了算法实现步骤。仿真实验结果表明: 在系统误差恒定和时变两种情况下,新算法在系统误差配准和状态估计上具有可行性和有效性。     

基于混合量测的动态状态估计算法研究

基于SCADA/PMU混合量测的电力系统动态状态估计算法,目前主要是先进行量测变换再进行动态估计,尝试结合静态估计和动态估计的优点,提出一种新的方法.该方法首先对SCADA量测数据运用经典的加权最小二乘法(WLS)进行静态状态估计,估计结果和PMU量测中的电压相量共同形成量测数据集,再进行线性动态状态估计.WLS方法能保证状态估计的质量和算法的收敛性能,同时线性动态估计只选用PMU量测的电压相量,避免量测变换及其产生的误差,而且雅可比矩阵高度稀疏,计算时间较短.在IEEE14节点系统上的仿真结果表明,此方法具有较好的滤波和预测效果.     

一种鲁棒的动力定位系统状态估计算法

状态估计在船舶动力定位控制系统中占有十分重要的地位,是该领域的研究热点问题之一。该文针对水面三自由度船舶动力定位控制的状态估计问题,利用滑模变结构控制对参数摄动完全自适应的特点,提出了一种滑模观测器的设计方法,基于三自由度船舶的低频和高频数学模型,根据速度观测误差构成滑模面对低频位置和速度进行估计,采用双曲正切函数作为切换函数,运用无源性理论和李雅普诺夫稳定性判据对观测器的稳定性进行了分析证明,基于频域分析方法确定观测器的增益矩阵。以一艘供给船为例对设计的滑模观测器进行了仿真分析,验证了观测器的有效性和鲁棒性。     

基于联合概率密度的多传感器定位算法

讨论了多传感器多目标定位问题,提出了一种新颖的定位算法.分析了目标在观测空间的概率分布,基于空间栅格划分,实现了目标概率密度的准确求解,通过提取联合概率密度峰值得到了目标位置估计.理论分析表明,该算法的计算量仅与传感器和目标数的乘积成正比,当传感器和目标较多时,不会出现组合爆炸.该方法定位精度高,适合并行处理,仿真结果验证了本文方法的有效性和可靠性.     

有适应力的分布式状态估计方法

为提高智能体系统对攻击的免疫力,研究了测量攻击下的适应力分布式状态估计方法.每个智能体对系统状态进行连续的本地线性测量.由于不同智能体的本地测量模型相互异构,对系统状态可能不具有本地可观测性,且攻击者能够操控部分智能体的测量数据,随意改变其测量结果.而智能体的目标是协同处理本地测量数据,并正确估计出未知的系统状态.因此...     

基于多传感器不完全量测下的机动目标跟踪算法

针对传感器探测概率小于1的不完全量测情况下的非机动目标跟踪问题,提出一种基于多传感器不完全量测下的扩展Kalman滤波算法。首先,利用残差检测的野值剔除方法,确定目标状态估计过程中传感器是否接收到正确的量测数据;其次,基于每个传感器的量测数据,在不完全量测下采用改进的扩展卡尔曼滤波算法分别对目标运动状态进行估计;进而结合多传感器最优加权融合方法求解基于多传感器观测数据的状态估计;最后,将算法应用到光电跟踪系统中。仿真实验得到不完全量测下传感器探测概率对滤波效果的影响,验证了算法的有效性,其跟踪精度接近完全量测下的状态估计精度。     

状态和偏差去耦估计方法及其在惯性测量中的应用

本文介绍状态和偏差去耦估计方法，其特点是计算量小、估计精度高，适用于偏差项较多的场合。在惯性测量中按此法估计惯性器件的未知常值偏差，取得满意的仿真结果。     

状态和偏差去耦估计方法及其在惯性测量中的应用

本文介绍状态和偏差去耦估计方法,其特点是计算量小、估计精度高,适用于偏差项较多的场合。在惯性测量中按此法估计惯性器件的未知常值偏差,取得满意的仿真结果。     

多传感器目标检测跟踪与分类算法

在目标准确检测优化的研究中,单传感器联合检测、跟踪和分类算法是一种新型算法,可以同时对目标进行检测、状态估计和类别判断.然而上述算法估计目标数目、状态与类别性能较差.采用多传感器方法对目标进行观测,可以显著提高目标检测、跟踪与分类效果.提出基于粒子概率假设密度(PFPHD)滤波器的多传感器联合检测、跟踪和分类算法.首先通过对各传感器信号进行建模,提取目标的属性量测,然后引入目标的属性信息对目标状态空间进行重新建模,从而得到目标综合状态,最后利用多个传感器的量测对综合状态进行序贯处理.仿真结果表明,与单传感器联合算法相比,上述算法能够更准确判断多目标类别,目标数目估计精度和跟踪精度均提高20％以上,验证了算法的有效性和可行性.     

基于决策距离的分布式多传感器动态分组算法

飞行试验中多传感器测量系统中因类型、精度以及空间位置的变化,导致在数据融合时往往不能得到最优测量精度;提出了一种新的分布式多传感器目标跟踪分组融合算法,即利用模糊理论中的决策距离(Decision Space)思想,对飞行试验目标跟踪的多传感器系统进行动态分组(Dynamic Grouping),通过定义多传感器之间的关系矩阵(Relation Matrix),依据判别门限(Threshold)判定其是否参与最终处理,据此以获得在分布式多传感器目标跟踪测量系统中目标跟踪测量的最佳融合数据精度;仿真结果证明,该算法是一种有效的分组算法.