SINS/CNS/SAR组合导航系统中的信息融合算法研究

在SINS/CNS/SAR组合导航系统中,存在量测信息时间不同步及系统容错性差的问题,为了获得高精度滤波结果,设计了一种新的信息融合算法.首先对各子系统量测信息进行野值检测,并对处理后的量测信息进行时间同步处理;然后利用SINS/CNS和SINS/SAR子滤波器分别进行局部滤波得到局部估计值,经系统容错检测后,由主滤波器对局部估计值进行自适应融合,实现全局滤波.仿真结果表明,量测信息时间同步处理可以优化系统定位精度;当系统出现量测异常时,所提出的融合算法可以有效检测故障并进行处理,状态估计值始终维持在稳态附近.新的融合算法能改善导航系统的客错性能,提高导航精度,设计方案具有重要的理论参考价值.     

基于粒子滤波和检测信息的多传感器融合跟踪

从概率角度审视低检测率、低信噪比下的多传感器融合算法.首先建立传感器检测概率模型，然后计算传感器检测响应、量测信息的融合似然度，在贝叶斯框架下建立一种非线性目标基于粒子滤波器的多传感器多源信息融合算法，该算法融合了传感器的量测信息和检测响应，提高了跟踪精度蒙特卡洛仿真结果表明了算法的有效性.     

基于自适应变结构信息滤波的目标跟踪算法

目前目标跟踪算法采用的交互多模型,大多是通过固定模型之间的切换来完成目标跟踪,这容易出现模型集与目标真实运动不匹配问题,降低目标跟踪的精度。同时,现在大部分观测平台都能提供多传感器量测,这要求跟踪算法能对不同量测信息进行高效数据融合。针对上述问题,提出一种基于自适应变结构多模型和信息滤波的跟踪算法,它由少量模型构成模型集,通过在线更新模型集参数以自适应目标真实运动,采用无迹卡尔曼信息滤波融合多传感器量测信息,实现对目标的跟踪。仿真结果表明,该算法可以有效融合多传感器量测信息,自适应匹配目标真实运动,实现对目标稳定的高精度跟踪。     

异类传感器实时信息融合的STMHM算法

异类传感器实时信息融合由于两类设备的数据率不同和数据误差的限制,一直未得到有效解决,提出一种空时二维多假设模型(STMHM)算法来解决该问题。设计的融合数据模型,将异类传感器的测量数据映射在二维直角坐标系下;按照新的融合数据模型分别构建两类传感器的目标量测空间和融合空间;设计量测空间时间初始化方法和目标实体空间的滤波算法;通过仿真验证表明:该算法能够实现异类传感器的信息融合,初次融合成功的确认时间在3～5个主动传感器扫描周期。     

一种自适应的机动目标融合跟踪算法

该文主要研究了分布式传感网络中的机动目标跟踪问题。为了在降低传感器节点的通信负债的同时,提高系统的跟踪精度,该文提出了一种新的自适应多传感器机动目标跟踪算法。该算法与交互式多模型算法相结合,将远端传感器获得的局部状态估计与本地传感器的累计量测信息进行融合,并通过信息去相关算法消除了传感器间的相关性。从而实现了对机动目标的状态估计与量测信息的融合。提出的算法能够充分利用本地传感器量测的有效信息,以提高目标跟踪精度。仿真实验验证了该算法的有效性。     

基于异质多传感器的网络分布数据融合的一种算法

针对多异质传感器数据融合能够实现信息互补,改善目标跟踪精度,提出了一种异质多传感器异步量测融合算法,即首先将量测方程线性化,再在砷合中心通过建立伪量测方程,得到同步的量测数据,然后利用噪声相关的伪序贯思想进行融合处理得到全局估计,与现有算法进行仿真比较,结果表明了该算法的有效性。     

基于UKF的变采样率多异质传感器异步数据融合

针对异质传感器数据融合能够实现信息互补,改善目标跟踪精度,提出了一种多异质传感器在变采样率下的异步量测融合算法,即首先将多传感器数据组合成类似于单传感器数据的异步数据处理方法,进行点迹合成,再将合成后的虚拟量测对当前时刻的目标状态进行更新.变采样率跟踪是基于网络或栅格多传感器异步融合跟踪的基础,通过引入时戳的概念给出了基于UKF(Unscented Kalman Filter)的具体融合算法,最后通过仿真验证了该算法的有效性。     

一种融合概率分类模型的精细化室内定位方法

针对大型目标区域室内定位中定位精度低及信号间干扰等问题,提出一种融合概率分类模型的精细化定位方法。对于大型定位区域,采用以RP的信号强度对目标区域聚类分区,缩小信号变化区域。信号的多径效应带来信号依据下的错误分区,该文采用汤普森检验理论对分区参考点进行物理坐标校验以剔除异常点。为减小AP间信号干扰,引入多元高斯的朴素贝叶斯模型对不同AP信号建立高斯概率模型,融合一对多支持向量机概率模型以提高算法定位精度。测试分析表明,该算法实现较好的聚类分区,降低信号间干扰,平均定位精度达到0.4008m,相比于其他传统算法,定位精度提高27%以上。     

基于容积卡尔曼滤波的异类多传感器一致性融合算法

针对单一光频传感器获取目标特征信息存在的不一致性,提出一种基于容积卡尔曼滤波的异类多传感器一致性融合方法。首先,从原理上分析了激光、红外与雷达三类传感器量测信息的特征及其存在的差异,进而在容积卡尔曼滤波框架下,针对雷达、红外和激光探测等组成的典型目标侦测系统,结合一致性融合策略,通过对目标距离和方位信息融合处理改善目标状态估计精度。仿真结果表明：相对于传统的单传感器滤波方法,所提出的融合方法和策略具有较好的滤波性能。     

多AUV协同导航时间延迟误差机理分析与补偿算法

定位能力是自主水下潜器(AUV) 工作的基础, 多AUV协同定位相比单艇定位具有更多的优势. 但在多传感器信息融合时, 由于各传感器处理信息所用时间不同, 而且艇间信息传输需要时间, 导致滤波量测量存在延迟, 严重影响了协同导航的滤波精度. 为此, 首先对广播式协同导航时间延迟误差机理进行深入分析, 然后提出一种基于量测更新的协同定位方法, 最后完成了相应的仿真验证. 结果表明, 基于量测更新的协同定位方法大大提高了多水下无人艇协同定位精度.     

两级量测更新的粒子滤波检测前跟踪算法

针对低信噪比下弱目标的检测与跟踪问题,提出了一种基于两级量测更新的粒子滤波器检测前跟踪算法。算法在粒子滤波状态更新之后,在其状态估计附近,引入卡尔曼滤波框架,进行第2级的量测更新,提高了粒子携带信息的利用程度。仿真结果表明,新算法获得了更好的检测和跟踪性能。     

传感器自适应跟踪算法研究及仿真系统实现

雷达和红外作为目标跟踪常用的两种探测手段,各有其优缺点,利用雷达高精度的距离测量和红外高精度的角度测量,通过信息融合技术充分实现二者的优势互补,并结合交互式多模型(IMM)跟踪思想,给出对目标位置的精确估计;设计基于雷达/红外多传感器跟踪平台的自适应融合跟踪算法,实现根据目标不同运动特性进行跟踪模型灵活、合理切换的自适应目标跟踪,改善对目标的综合识别,达到更好的跟踪效果;选取当前工程实践中广泛应用的目标运动模型,设计基于VC++环境的目标跟踪仿真系统软件,并利用MFC界面制作技术创建可视化目标跟踪仿真软件平台,对跟踪算法性能进行验证。     

空间非合作目标在轨主/被动融合跟踪方法

针对空间远距离非合作目标的点目标跟踪问题,研究基于非地面测控数据支持的远距离空间目标的在轨主/被动融合跟踪方法。包括运用基于被动传感器以及雷达间歇辅助测距跟踪的Unscented卡尔曼滤波(UKF)方法,得到非合作目标的运动状态信息,即利用光学跟踪摄像机的二维角度量测值及雷达间歇提供的距离量测值,估计目标的惯性位置与速度方法,为后续自主空间操作建立初始轨道状态数据。仿真结果表明,当状态误差和量测噪声改变时,UKF均能持续跟踪远距离非合作目标,使得雷达间歇提供的距离信息可以得到更好的跟踪精度。     

基于CFSFDP的箱粒子CPHD扩展目标跟踪

针对当前扩展目标跟踪量测划分方法中,距离划分存在划分数过多、计算复杂度高的问题,本文将密度峰值快速聚类算法CFSFDP (Clustering by Fast Search and Find of Density Peaks)与箱粒子势概率假设滤波器(Box Cardinalized Probability Hypothesis Density filter,Box-CPHD)相结合,提出基于CFSFDP的箱粒子CPHD扩展目标滤波算法.该算法采用CFSFDP进行量测划分,基于量测信息密度的不同可以有效划分区间量测,并剔除杂波量测,然后采用箱粒子CPHD进行预测更新和目标状态估计.仿真实验表明与经典的距离划分方法相比,在箱粒子CPHD扩展目标算法流程中采用CFSFDP进行量测预处理,CFSFDP在达到同等效果的前提下,运行时间明显减少;在剔除杂波之后的高杂波环境下,杂波的变化只影响距离划分的运算时间而不再影响CFSFDP划分,采用CFSFDP处理量测信息可以有效提高运行效率和算法实时性,剔除杂波之后在一定程度上提高了目标位置估计精度.     

基于混合高斯模型和模板匹配的目标测速

针对目前视觉测速方法存在检测精度低、鲁棒性差的问题,研究了一种结合模板匹配和混合高斯模型的测速方法。首先,利用混合高斯模型进行背景建模,提取出仅包含目标轮廓信息的前景区域图像。其次,使用参数优化的模板匹配法获取目标的高精度像素位移。最后,使用改进的二维测量模型法精确获取目标对应的像素尺寸。利用目标物理尺寸与图像中目标像素尺寸的比例关系来计算实际速度。实验结果显示,该方法对不同形状目标在不同速度下的测速结果的相对误差均在5%以内,准确度较高。     

基于测量方差时变的传感器管理算法

基于预先设定的测量方差对协方差估计所产生的不良影响,提出了一种基于测量方差时变的传感器管理算法。首先,该算法根据时变的测量方差计算目标的估计协方差;其次,利用所得的估计协方差求出目标的信息增量;最后,根据信息增量最大化的原则对传感器资源进行分配。所提算法既充分利用了传感器每次测量带来的信息,又进一步优化了测量方差。仿真实验表明:该算法不仅能提高状态的估计精度,同时,也使系统性能得到改善。     

An algorithm for tracking multiple targets

An algorithm for tracking multiple targets in a cluttered enviroment is developed. The algorithm is capable of initiating tracks, accounting for false or missing reports, and processing sets of dependent reports. As each measurement is received, probabilities are calculated for the hypotheses that the measurement came from previously known targets in a target file, or from a new target, or that the measurement is false. Target states are estimated from each such data-association hypothesis using a Kalman filter. As more measurements are received, the probabilities of joint hypotheses are calculated recursively using all available information such as density of unknown targets, density of false targets, probability of detection, and location uncertainty. This branching technique allows correlation of a measurement with its source based on subsequent, as well as previous, data. To keep the number of hypotheses reasonable, unlikely hypotheses are eliminated and hypotheses with similar target estimates are combined. To minimize computational requirements, the entire set of targets and measurements is divided into clusters that are solved independently. In an illustrative example of aircraft tracking, the algorithm successfully tracks targets over a wide range of conditions.     

目标窗口尺寸自适应变化的Mean-Shift跟踪算法

传统的窗宽尺寸固定不变的MeanShift跟踪算法不能实时地适应目标尺寸大小的变化。将多尺度空间理论与Kalman滤波器相结合,利用Kalman滤波器对尺寸变化的目标面积比例进行预测,用多尺度空间理论中的目标信息量度量方法求出前后相邻两帧的目标特征信息比,将其作为Kalman滤波器的观察值对目标面积比例进行修正,然后与MeanShift算法结合起来对目标进行跟踪,实验结果表明,改进的跟踪算法对尺度逐渐变大和变小的目标都能连续地自动地选择合适大小的跟踪窗口。     

基于类决策树分类的特征层融合识别算法

针对雷达组网量测数据不确定性大、信息不完备等特点, 基于决策树分类算法的思想, 创建类决策树的概念, 提出一种基于类决策树分类的特征层融合识别算法. 所给出的算法无需训练样本, 采用边构造边分类的方式, 选取信 息增益最大的属性作为分类属性对量测数据进行分类, 实现了对目标的识别. 该算法能够处理含有空缺值的量测数据, 充分利用量测数据的特征信息. 仿真实验结果表明, 类决策树分类算法是一种简单有效的特征层融合识别算法.

     

分块快速压缩追踪算法

FCT作为一种新的追踪算法,具有简单、高效、实时的优点,但是该算法依旧存在缺点.在FCT中,由于压缩测量矩阵的稀疏性,忽略了样本的空间信息,使得提取的特征不能准确的表征样本;当追踪错误时没有补救措施.本文提出一种改进的快速压缩追踪算法,该方法充分利用样本图像的空间信息,分块提取样本的Haar-like特征;利用目标运动估计法矫正分类错误时追踪到的目标.通过调整压缩测量矩阵中行向量的稀疏度以及朴素贝叶斯分类器的阈值可以实现目标的准确追踪.实验结果表明,与快速压缩追踪算法(FCT)相比,本文改进后的算法,无论是在追踪相似度、追踪成功率还是主观视觉效果上都有所提高.