基于极大似然的联合多传感器配准与融合

传感器配准和多源融合是多传感器多目标跟踪系统中面临的两个重要问题。多传感器融合的精度一定程度上与传感器固有系统误差相关,为提高融合精度,需要进行多传感器配准。在多传感器多目标跟踪场景下,文中根据传感器量测噪声特性,通过公式推导实现了一种基于极大似然的联合多传感器配准与融合算法。该算法可同时在采样时刻间对传感器系统偏差和目标融合位置进行估计,并对传感器系统误差进行时间递推。仿真结果表明,文中算法具有较高的估计精度,可同时解决多传感器的配准与融合问题。     

多传感器误差配准研究

多传感器组网信息融合时,需要对组网中各传感器系统误差进行估计和补偿,以消除各传感器系统误差对融合性能的影响.研究了雷达组网系统误差配准模型,并对最小二乘算法(LS)、广义最小二乘算法(GLS)、递推最小二乘算法(RLS)、修正EX算法等误差配准算法进行对比分析,同时给出了扩维配准模型用于解决多传感器组网配准问题,针对实...     

一种新的阵列天线校正方法

基于特征值分解的高分辨率DOA估计算法,如MUSIC算法,在理想阵列条件下,性能很好,但是对噪声扰动和系统误差都很敏感,噪声扰动和系统误差会严重恶化这一类算法的性能,使其分辨率下降。本文提出一种基于MUSIC算法的阵列校正方法,它仅仅需要在阵列周围满足远场条件的地方布置几个RF信号源,不需要知道信号源的方位角。仿真结果证明,这种方法行之有效。     

基于改进D-S 证据理论的多雷达自适应数据融合

针对多雷达数据融合时融合结果精度较低问题,提出一种基于改进D-S 证据理论的自适应融合算法。该算法将单传感器多时刻时域融合和多传感器空域融合相结合。首先,利用盒状图对单传感器测量值分类优化,进行单传感器时域融合;再根据文中提出的改进证据冲突程度判据,对高冲突的局部证据进行修正,并选择相应的多传感器空域数据融合算法。仿真分析表明,文中算法具有较好的可行性与有效性,同现有的多雷达数据融合算法相比,文中算法能够有效降低融合过程中产生的系统误差,且融合结果更加可靠、精确。     

一种数据评价函数加权融合方法研究

对航行载体进行多传感器实时定位时，提出了一种数据评价函数加权融合方法。该方法利用量测值的偏差建立多传感器加权因子模型，进而计算出各传感器权值及最后融合结果。该方法能够最大限度的利用量测信息，有效解决GPS因小噪声干扰出现的定位不准确问题。     

统一系统误差建模及估计方法研究

随着科学的发展，多传感器融合技术在军用和民用的各个领域中应用越来越广泛，而系统误差的估计和校正是影响融合系统性能的关键因素之一。该文针对系统误差建模和估计中存在的如系统误差种类较多、现有误差模型通用性较差等问题，提出了一种较为通用的统一的系统误差模型，并对比分析了现有系统误差估计方法的性能与特点，通过仿真证明了所建模型的通用性和有效性。     

无源测向交叉定位的误差分析与校正

测向交叉定位在无源定位技术中应用广泛。在分析了多站交叉定位的系统误差与随机误差的基础上,将系统误差校正转换为非线性优化问题,并采用遗传算法寻优求解。将随机误差依据数据融合理论进行融合改进。仿真结果表明,误差配准与校正后的测向交叉定位精度有了较大的提高。     

基于M估计的多传感器数据稳健加权融合算法仿真

提出M估计与不确定度评定相结合的多传感器数据加权融合方法，克服了现有的数据评价函数加权法中存在的大噪声及成片野值处理能力的局限性。通过静态数据仿真结果，表明基于M估计的多传感器数据稳健加权融合算法明显优于最小二乘法。     

一种多传感器自适应量测迭代更新GM-PHD跟踪算法

针对多传感器观测数据质量不同且未知时,多传感器量测迭代更新高斯混合概率假设密度(GM-PHD)滤波器跟踪算法的结果对更新顺序敏感的问题,该文提出一种多传感器自适应量测迭代更新GM-PHD跟踪算法AIU-GM-PHD。首先基于多传感器融合一致性度量,提出一种用于在线评估各传感器跟踪结果质量的方法;然后对多传感器迭代融合顺序进行优化,最后构建相应的多传感器GM-PHD融合跟踪算法。为了解决多传感器自适应顺序迭代融合无法体现传感器质量差距的问题,提出了一种自适应带权伪量测迭代更新GM-PHD跟踪算法PAIU-GM-PHD。仿真结果表明,与常规多传感器迭代更新GM-PHD跟踪算法相比,所提算法能够获得鲁棒性更好、精度更高的跟踪结果。     

非理想关联下多传感器系统误差的稳健估计

在数据融合系统中,传感器自身系统误差造成其上报融合中心的目标位置状态出现系统性偏差,若得不到有效估计与补偿,融合系统难以实现预期的性能优势。然而,基于目标关联配对关系而构造的超定方程组是系统误差估计的出发点。复杂环境下,受随机噪声、系统误差、虚警、漏报等因素的干扰,数据关联模块的输出结果常常包含错误关联。针对非理想关联下多传感器系统误差的稳健估计问题,该文提出基于最小截平方的系统误差稳健估计方法,并进一步提出剔除异常方程的重加权最小二乘方法。与最小二乘及最小中值平方相比,所提方法在保证估计器稳健性能的前提下,降低了估计结果对随机噪声的敏感程度。仿真实验验证了所提方法的有效性。     

基于遗传算法的雷达组网误差配准算法

系统误差校正是雷达组网的关键问题,传统的误差校正方法采用最小均方估计法或极大似然法,这些方法受随机误差影响,计算量大,难以在工程中应用。本文在实时精度控制法（RTOC）的基础上,通过构造误差配准的目标函数,将误差配准转换为非线性优化问题,并采用遗传算法进行寻优。该方法采用非参数化的方法进行误差配准,克服了RTOC和最小二乘算法中线性化带来的误差,提高了误差估计的精度。仿真和实际数据测试表明,本文提供的方法能有效地进行组网雷达误差配准。     

基于岭最小截平方的传感器稳健配准方法

传感器配准是多传感器数据融合系统获得性能优势的关键前提.受随机噪声、系统误差、虚警、漏报等因素的干扰,传感器配准常常工作在非理想关联环境中,依赖于理想关联假设的传统配准方法性能衰退严重.另一方面,传统传感器配准方法对目标分布场景敏感,当目标密集分布时,配准问题呈现病态性,估计结果数值不稳定.本文重点研究非理想关联及场景病态性共存时的传感器稳健配准问题,提出了系统误差的岭最小截平方（Ridge Least Trimmed Squares,RLTS）估计方法.该方法结合了岭回归（Ridge Regression,RR）与最小截平方（Least Trimmed Squares,LTS）估计的优点,能够有效应对错误关联及病态性的不良影响.仿真实验证实了所提方法的稳健性能.     

多传感器图像融合效果评价方法研究

采用多传感器图像融合方法，利用信息在多个测度空间的互补性可得到更多的有用信息。融合后的图像应保留原图像的重要细节，且不引入会影响图像后续处理的虚假信息，这就需要对融合的效果进行评判，而融合图像质量的评价问题目前还是图像融合研究的一个薄弱环节。讨论了融合图像质量的评价问题，提出带反馈信息图像融合的结构模型。评述了融合图像的单因素评价、模糊积分综合评价、D—S证据理论综合评价、粗糙集理论的评价方法、以信息量为标准的评价、加权求和法综合评价等方法。     

New iterative closest point algorithm for isotropic scaling registration of point sets with noise

This paper proposes a new probability iterative closest point (ICP) approach with bounded scale based on expectation maximization (EM) estimation for isotropic scaling registration of point sets with noise. The bounded-scale ICP algorithm can handle the case with different scales, but it could not effectively yield the alignment of point sets with noise. Aiming at improving registration precision, a Gaussian probability model is integrated into the bounded-scale registration problem, which is solved by the proposed method. This new method can be solved by the E-step and M-step. In the E-step, the one-to-one correspondence is built up between two point sets. In the M-step, the scale transformation including the rotation matrix, translation vector and scale factor is computed by singular value decomposition (SVD) method and the properties of parabola. Then, the Gaussian model is updated via the distance and variance between transformed point sets. Experimental results demonstrate the proposed method improves the performance significantly with high precision and fast speed.     

Microwave radiometer spatial resolution enhancement

Scanning radiometer data processing can allow enhancing the limited intrinsic spatial resolution. This is important for data fusion. Mathematically, the problem to be solved is an inverse ill-posed problem. In this paper we compare the classical Backus-Gilbert inversion method with the truncated singular value decomposition (TSVD) one. A one-dimensional intercomparison is accomplished using an hypothetical sensor configuration. Results show the superiority of TSVD inversion method.     

Total least square kernel regression

In this paper, we study the problem of robust image fusion in the context of multi-frame super-resolution. Given multiple aligned noisy low-resolution images, image fusion produces a new image on a high-resolution grid. Recently, kernel regression is presented as a powerful image fusion technique. However, in the presence of registration errors, the performance of kernel regression is quite poor. Therefore, we present a new kernel regression method that takes these registration errors into account. Instead of the ordinary least square metric, we employ the total least square metric, which allows for spatial perturbations of the image samples. We show in our experiments that our method is more robust to noise and/or registration errors compared to the traditional kernel regression algorithm.     

基于边缘特征和相位相关的图像配准

由于拍摄时间不同、传感器的抖动等原因,成像系统产生的序列图像之间具有一定的位移矢量。研究了一种基于边缘和相位相关的图像配准方法,首先提取图像边缘,然后进行归一化相位相关,从而估算出序列图像之间的位移量。实验结果表明,该方法的配准精度明显优与传统的相位相关方法,并对噪声具有较强的抑制能力。     

基于数据链和光电传感器的融合跟踪

数据链是战争中信息互通、资源共享的生命线,研究了基于数据链和光电传感器的融合跟踪方法。根据数据链和光电传感器数据的不同特点,对数据链数据应用改进的交互式当前统计模型滤波外推算法进行时间配准,并根据光电传感器测量角度信息的非线性应用交互式卷积粒子(IMM-CPF)滤波算法进行融合跟踪。使用IMM-CPF和IMM-EKF算法对融合跟踪进行对比仿真,仿真结果表明,使用IMM-CPF算法的数据链和光电传感器的信息融合对目标的跟踪达到了很好的效果。     

一种改进的多传感器数据融合方法

最优加权法在数据融合时需要确知噪声方差信息,其权值固定不变,而联合卡尔曼滤波法需要确知噪声协方差信息。在噪声先验信息与实际数值差别较大或传感器系统噪声相关时,这两种方法的参数估计精度将急剧下降。针对以上不足,文中提出了一种新的动态最优加权和最小二乘滤波相结合的数据融合方法,该方法能随传感器信号起伏的变化动态调整权值,不需要噪声的统计信息,在系统噪声相关时仍能获得较高的测量精度,具有较强的稳健性。仿真结果验证了新方法的有效性。     

Distance-Based Decision Fusion in a Distributed Wireless Sensor Network

Target classification fusion problem in a distributed, wireless sensor network is investigated. We propose a distance-based decision fusion scheme exploiting the relationship between sensor to target distance, signal to noise ratio and classification rate, which requires less communication while achieving higher region classification rate when compared to conventional majority-vote-based fusion schemes. Several different methods are tested, and very encouraging simulation results using real world experimental data samples are also observed.