一般相关噪声下多传感器平滑融合算法

针对单目标跟踪中多传感器平滑融合算法估计精度问题, 提出了具有一般相关过程噪声与量测噪声时的离散线性系统新的平滑融合估计算法. 该算法通过将给定区间内全部量测进行集中式扩维, 并对误差传递进行分析, 从而精确地给出误差间的相关性, 在线性无偏最小方差意义下对系统状态进行递推估计. 与不考虑相关性以及仅考虑部分相关性的卡尔曼平滑融合算法相比, 新的固定区间平滑融合算法在噪声的高斯分布假设下具有明显的优越性, 且其跟踪性能随噪声相关性增强而优越性明显, 而固定延迟平滑融合算法是次优的. 仿真实验进一步验证了本文算法在一般相关噪声环境下的优越性.     

基于关系矩阵的主被动传感器统计融合算法

针对传感器对目标跟踪时观测噪声非高斯问题,提出了一种基于关系矩阵的主、被动传感器量测统计融合算法.采用方差加权距离处理传感器量测噪声非高斯问题,运用传感器综合融合度构建关系矩阵,并且在门限附近采用椭圆模糊处理技术,利用Perron-Frobenius定理计算量测融合过程中每个传感器的权重.仿真结果表明当传感器观测噪声具有非高斯特性时,基于关系矩阵的主被动传感器统计融合算法和传统的融合算法相比扰动较小,具有较好的稳定性,可用于改善跟踪系统的抗干扰能力.     

噪声相关的一步滞后无序量测递推融合算法

因传感器网络特殊的通信方式,以及传感器节点预处理量测的时间也各有不同,常会出现源于同一目标有序的测量数据却经网络传输后无序地到达融合中心的现象,即无序量测问题.加之,现有的相关融合算法大都是在各量测数据间噪声独立情况下建立的.为此,针对一个由多个子系统组成的传感器网络无序量测系统;其中假定每个子系统均是由两个分别与融合中心同步与异步且采样率相同的传感器组成;并在考虑各传感器测量噪声相关条件下,利用顺序加权融合技术,在融合中心建立一个能实现对目标状态实时估计且在线性最小均方误差意义下最优的递推加权融合算法.理论分析与计算机仿真表明,与现有方法相比,新算法在适用范围、实时处理能力、存储量和融合估计精度等方面均有显著的优势.     

加权融合法处理无序量测问题

针对集中式多传感器目标跟踪系统中存在的无序量测问题,基于协方差加权融合的思想,在融合估计误差协方差矩阵迹最小意义下,建立了基于最优融合的多步延迟无序量测更新算法。该算法先将无序量测配准到最新状态估计的时刻,将其与之进行协方差加权融合。为进行无序量测与各传感器量测噪声相关性的计算,引入了等效量测。通过理论分析和仿真实验说明该算法能有效处理无序量测多延迟问题,其性能接近最优且随延迟步数增加性能下降非常小,而且有与最优的数据缓存法相同的滤波精度,以及较小的额外存储量。     

含无序量测的多传感器信息融合算法研究

由于通信时间的延迟性,在多传感器系统中常常会出现无序量测情况.为提高估计的精度,系统须对无序量测进行处理,状态更新法是处理无序量测问题的一种有效方法.对于多传感器信息融合问题,给出了一种处理无序量测的状态估计更新算法.仿真计算表明该算法能有效的提高融合估计的精度.     

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。     

新型融合估计方法及其在成纸定量中的应用

在工业生产中造纸机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.在这类特殊的多传感器系统中,本文通过矩阵运算消除相关估计方差,得到了最优分布式融合估计算法.与多传感器传统分布式次优融合算法相比,该算法的优点在于适用于含有多于三个多传感器的系统.由于不需要存贮和计算中间变量,在计算量方面比最优融合算法具有较大优势.应用结果表明算法具有良好的估计性能.     

多传感器异步采样系统的顺序融合

针对现有基于伪量测的异步融合算法存在实时性差、融合时刻计算负荷大以及人为引入噪声相关等问 题,提出了一种新的基于采样点顺序离散化思想的顺序式异步融合算法．该算法首先将各个传感器的测量值在融合 中心的坐标系中和时钟下进行映射统一;然后,选取融合周期内各采样时刻对连续状态系统进行顺序离散化,从而 获得本周期内各采样点间的状态方程和相应的测量方程．最终,使用线性最小均方误差意义下最优的线性卡尔曼滤 波器实现本周期内异步采样量测的顺序滤波融合．仿真分析表明,该算法和基于伪量测的异步融合算法相比具有较 少的计算量、较好的实时性和较高的估计融合精度．     

粒子滤波的噪声相关下单步延迟无序量测更新算法

在目标跟踪系统中,因通信延迟等原因会出现传感器量测无序地到达融合中心的现象,将这些量测称为无序量测(OOSM).针对过程噪声、量测噪声相关的非线性系统中出现的无序量测问题,在现有算法基础上,提出了一种可处理单步延迟无序量测的新算法.在前向预测滤波框架下,对系统方程去相关化,并利用粒子滤波(PF)进行状态估计.仿真结果验证了算法的有效性.     

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。