基于状态转换的顺序式异步数据融合算法

针对现有基于伪量测的异步融合算法存在的实时性差、融合时刻中心处理器计算负荷大以及引入噪声等相关问题,提出一种新的基于状态转换的多传感器顺序式异步融合算法。新算法通过连续系统离散化获得融合周期内各采样点同融合时刻之间状态的动态关系,并利用该关系来建立相邻两个采样时刻间符合标准Kal-man滤波条件的状态递归方程以及相应的测量方程,然后通过执行顺序Kalman滤波来实现异步数据融合。详细推导了融合算法的具体形式,并通过理论分析和计算机仿真证明了该算法不仅能避免现有基于伪量测的异步融合算法所存在的诸多问题,而且能获得更好的跟踪性能。     

多传感器异步融合技术研究

多传感器信息融合理论大都是在无系统偏差和量测同步的理想条件下给出的，而实际的工程背景却并非如此。因此，在实际的工程实践中发现融合的效果并不理想，有的甚至不如融合前的效果好。为解决这一问题，研究了系统偏差条件下的多传感器异步融合问题。针对不同的工程背景，提出了两种异步融合算法：异步卡尔曼滤波（asynchronous Kalman filter, ASKF)算法和扩展异步卡尔曼滤波（generalized asynchronous Kalman filter， GASKF）算法。仿真表明，两种算法实现了异步量测条件下目标状态和系统偏差的有效跟踪。     

数据融合与雷达优化布站

雷达组网反隐身技术是现代军事领域比较关注的一个问题。其中的多雷达数据融合和雷达优化布站技术又是热点问题。本文通过例子首先分析了数据融合和雷达布站对组网系统探测性能的空间分布的影响，进而给出了一种雷达优化布站方法。该市站方法以所要探测目标的雷达散射特性（ＲＣＳ）和各雷达的空间探测特性为依据，同时也考虑到了组网系统对四抗（抗干扰、抗低空入侵、抗反辐射导弹和抗隐身目标）的要求。     

一种多传感器数据时空融合估计算法

当采用分布在不同空间位置上的多传感器观测值对测量噪声干扰下的参数进行融合估计时,数据融合存在时间性与空间性。为了提高测量精度,基于参数估计理论,提出一种多传感器数据时空融合算法。该算法将数据融合分解为两次估计,第一次是基于时间的递推融合估计,第二次是基于空间的自适应加权融合估计。该算法不要求知道测量数据的任何先验概率分布知识,编程简单,计算量小。计算机仿真表明,该算法在减少测量误差方面优于目前已有的基于时间或基于空间的多传感器数据融合算法。     

推广的多传感器数据融合算法

本文对工程实际中多传感器系统线性化后存在未知的系统误差，测量噪声具有指数衰减相关，且与状态噪声相关的问题，提出了推广的多传感器数据的分层融合算法和多传感器自适应数据融合算法，给出了计算流程图，可以对目标的状态进行实时估计，这两种算法对防空导弹体系制导雷达组网数据融合具有理论意义与实用价值。     

Multisensor image fusion algorithm using nonseparable wavelet frame transform

1.INTRODUCTION Withtherapidimprovementofsensortechnology,numerousmultisensordata,whichoftencontaincom plementaryandredundantinformationaboutthere gionsurveyed,areobtainedinmanyfieldssuchasre motesensing,medicalimaging,machinevisionand militaryapplications.Sensorfusionisincreasinglybe comingapromisingresearcharea.Itcanbedivided intosignal,pixel,feature,andsymbollevels.The papermainlyaddressestheproblemofpixellevelim agefusion.Throughcombiningregisteredimages generatedbydifferentimagingsyst…     

基于组合优化分配的多传感器数据互联

在建立多传感器系统现测表达和互联似然比测度的基础上,多传感器多目标数据互联被表达为多重组合最优分配问题.利用一个具有多项式时间复杂度的次优算法,多重分配的方法被应用到由雷达和红外所组成的异类多传感器数据融合系统之中,实现了其中的多目标互联.     

基于自适应提升小波变换多分辨率数据融合

建立了基于小波去噪的多分辨率多传感器数据融合模型 ,引入了提升法自适应离散小波变换 ,根据最小均方 (LMS)自适应法确定伯恩斯坦 (Bernstein)提升滤波器的权系数 ,使其匹配低分辨率传感器的数据序列 ,接着使其对高分辨率采样数据的小波分解的尺度系数进行数据更新 ,实现不同分辨率数据的融合。最后对不同分辨率三传感器测量系统进行了数值仿真。实验结果表明 ,该方法可以有效地实现多分辨率多传感器数据融合 ,而且消除了噪声干扰 ,提高了系统的测量精度。     

Research on Kalman-filter based multisensor data fusion

Multisensor data fusion has played a significant role in diverse areas ranging from local robot guidance to global military theatre defense etc.Various multisensor data fusion methods have been extensively investigated by researchers,of which Klaman filtering is one of the most important.Kalman filtering is the best-known recursive least mean-square algorithm to optimally estimate the unknown.states of a dynamic system,which has found widespread application in many areas.The scope of the work is restricted to investigate the various data fusion and track fusion techniques based on the Kalman Filter methods.then a new method of state fusion is proposed.Finally the simulation results demonstrate the effectiveness of the introduced method.     

机载雷达、红外、电子支援措施协同跟踪与管理

针对辐射限制下的目标跟踪问题,提出了一种机载雷达、红外传感器(infrared search and track, IRST)、电子支援措施(electronic support measure, ESM)协同跟踪与管理的方法。针对雷达、红外、ESM量测时间不一致的特点,采用顺序处理结构的多传感器集中式融合方式对目标进行跟踪,利用跟踪过程中的预测协方差与预定门限进行比较控制雷达辐射,并分析了红外、ESM不同间歇时间、不同控制门限与雷达辐射时间的相对关系。研究结论有助于提高作战飞机的抗侦察和抗干扰能力,从而提升整体的生存能力。     

检测信息最优融合算法及性能分析

针对分布式多传感器检测信息融合问题进行了研究。首先在局部检测器规则已知的情况下,系统地研究了融合中心规则的优化问题。推导了不同性能指标下检测信息最优融合算法,在此基础上对各种方法的检测性能进行了系统分析,提出了一种N P检验准则下的融合算法,并研究了典型瑞利分布环境下的检测融合系统性能,给出了系统的对比结果。理论分析和仿真结果表明了该算法的有效性。     

修正并行式多传感器不敏多假设跟踪算法

为了有效解决非线性系统中的多传感器多目标跟踪问题,提出了一种修正并行式多传感器不敏多假设滤波算法。算法运用概率数据互联的思想对各传感器的估计量进行概率加权,克服了并行式多传感器算法的误差积累现象,得到了一种修正的多传感器并行式算法。各传感器中量测点迹与航迹的数据互联问题通过多假设方法予以解决,并通过不敏卡尔曼滤波器完成非线性系统中的目标跟踪。仿真结果表明,从跟踪精度及稳定性方面看,所提出的算法性能要优于MSJPDA/EKF算法。     

集中式多传感器无极联合概率数据互联算法

针对杂波环境下非线性系统中的多传感器多目标跟踪问题,提出了一种集中式多传感器无极联合概率数据互联算法。该算法中,首先采用无极卡尔曼滤波器实现非线性系统中状态分布的传递,在此基础上应用联合概率数据的思想将单个传感器的量测点迹与航迹互联,最后推广至顺序结构。由于无极卡尔曼滤波器可以获得比扩展卡尔曼滤波算法更高精度的近似,因此能减少非线性模型线性化引起的近似误差对联合概率数据互联概率及状态估计的影响,与基于扩展卡尔曼滤波器思想的顺序多传感器联合概率数据互联算法相比,该算法具有更高的跟踪精度和稳定性,最后通过仿真结果验证了该算法的优越性。     

三维异步传感器的配准偏差补偿

传感器配准是多传感器数据融合的重要环节,现有文献仅考虑了二维异步传感器配准偏差的估计与补偿问题,并且忽略了偏差估计方差对目标跟踪性能的影响。首先建立了三维传感器偏差配准模型,基于此模型推导了异步传感器偏差估计算法。考虑到偏差估计方差对跟踪系统跟踪性能的影响,基于集中式融合结构提出了一种新的偏差补偿算法,进一步提高了系统的跟踪精度。最后,利用蒙特卡罗仿真方法比较了不忽略偏差估计方差、忽略偏差估计方差、利用偏差真值进行精确补偿及不进行偏差补偿四种情形下的偏差补偿算法,结果表明了所提偏差补偿算法的有效性。     

算法级数据融合测试床的关键设计与实现

针对一级多传感器数据融合,开发了一个算法级测试床STE-One,支持对包括带反馈在内的各种数据融合结构进行测试和评估。简单介绍了STE-One测试床的体系结构,详细描述了它实现算法级测试和置换能力的一些关键方法,包括分层设计模型、算法排序与数据池技术等。     

双红外传感器模糊序贯航迹关联算法与仿真

航迹关联是多传感器多目标数据融合系统中的重要部分。本文针对双波段红外传感器的特点和目标航迹存在的连续性，根据影响航迹关联的主要因素和相互关系，提出了基于序贯检测思想的两种整体相似度关联定义和粗、精相关的模糊航迹关联策略，并提出针对未关联航迹的意见一致性决策方法确定航迹真实性。仿真结果表明，在目标密集、噪声较多、交叉分岔航迹较多的情况下，该算法性能良好，稳定，运算速度明显快于传统的统计检验方法。     

基于平方根UKF的多传感器融合跟踪

为了提高融合算法的精度,将UKF(Unscented Kalman Filter)算法与多传感器顺序滤波融合跟踪算法相结合,提出了基于UKF的多传感器序贯融合算法.UKF算法利用非线性方程自身的传播,估计系统状态,避免了对非线性方程线性化的过程.顺序滤波融合算法用同一时刻的量测依次更新状态,计算复杂性低.仿真结果表明,UKF顺序滤波融合跟踪算法比传统的扩展卡尔曼滤波(EKF)算法有更高的跟踪性能,是一种有效的非线性融合算法.     

一种基于模糊运算的多目标多传感器跟踪算法

为在测量误差较大的情况下实现多传感器多目标跟踪,提出了一种基于模糊运算的融合算法。系统由多类型传感器组成,单个传感器测量范围小,测量误差大,并且数据传输时延大。利用非单值模糊逻辑系统计算数据模糊关联,采用参数曲线最小二乘跟踪法拟合目标运动轨迹,实现了一种在多种传感器并存的模糊传感器阵列中,集中式点迹序贯融合的方法。给出了实现该方法的具体步骤,实验证明该方法是行之有效的。     

多传感器信息时空融合模型及算法研究

在目标识别中,为了获得观测目标的准确状态,需要同时考虑数据融合的时间性和空间性。提出了一种多传感器信息的时间和空间两级融合的结构模型。首先对同一时刻不同传感器的信息进行空间融合,然后对经空间融合后的时间序列进行时间上的融合。就该模型提出了基于证据理论和模糊积分的融合算法。将该模型和算法应用于目标识别。仿真实验表明,该模型可以提高系统的识别率和可靠性。     

带相关噪声的加权观测融合估计算法及其全局最优性

针对多传感器线性离散定常随机控制系统,当具有相关噪声且每个传感器带不同观测阵时,基于矩阵满秩分解与加权最小二乘理论,提出了新的加权观测融合估计算法。该算法首先将多个传感器的观测折算到一个等效的传感器上,对等效的传感器系统进行估计,证明了其估计结果相同于集中式融合稳态Kalman估计结果,因而它同样具有渐近全局最优性,且可明显减小计算负担,便于实时应用。仿真实验结果表明了该算法的有效性。