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。     

非标准多传感器信息融合下的状态融合估计

给出了标准多传感器观测信息的统一融合模型,在此基础上分析了传感器观测系统参数对最优融合估计性能的影响.针对存在量测系统误差的非标准多传感器融合系统,构建了一种有效的系统误差参数估计模型.此外对传感器问具有不同非线性误差成份的融合系统,提出了一种基于互迭代自适应半参数的状态融合估计算法.该算法通过对非标准多传感器融合模型误差的补偿,利用线性和非线性迭代的方法来提取非线性因素,进而确定状态的最优融合估计.给出了应用该算法的具体步骤,并通过理论分析与仿真实验证明了该算法的有效性.     

基于多传感器的雷达对抗侦察数据融合算法

为提升复杂电磁环境下雷达对抗侦察系统的可靠性及抗干扰能力, 提出了一种基于多传感器融合的综合权值估计算法。首先由各传感器对原始数据进行分批估计得到局部期望及方差, 然后利用四分位离散度剔除异常数据, 接着针对局部估计结果通过测度算子以及自适应融合估计算法分别确定各传感器权重, 最后利用综合权重进行加权得到融合结果。仿真结果表明, 所提算法在不同情况下均能得到较高的融合精度, 较现有算法具有更好的适应能力及准确性。     

基于平方根UKF的多传感器融合再入段目标跟踪研究

为了提高再入段目标跟踪的精度,将平方根不敏卡尔曼滤波（unscented Kalman filter, UKF）算法与多传感器分布式融合算法相结合,提出了基于平方根UKF的多传感器融合跟踪算法。在各个独立的传感器中利用平方根UKF滤波器进行状态估计,然后通过分布式融合方法融合各传感器的状态估计值得到全局的状态估计值和误差协方差,将全局误差协方差进行加权对各传感器进行分配更新。通过仿真验证,基于平方根UKF的多传感器融合跟踪算法具有较高的跟踪性能,是一种有效的非线性融合跟踪算法。     

基于不完全观测数据的多速率多传感器数据融合

研究了一类时变线性动态系统,在不同传感器以不同采样率对同一目标进行观测,并且各个传感器的观测数据存在不规律丢失情况下,给出了一种有效的信息融合方法。该方法通过数学推导,将多速率传感器数据融合转化为单速率传感器数据融合问题,并采用修正的联邦Kalman滤波器进行状态估计。新算法不需要对状态或观测进行扩维,计算量适当,从而保证了算法的实时性。在观测数据丢失的时刻,采用外推的观测值代替错误的观测数据,从而避免了传统算法的发散。理论分析和仿真实验验证了算法的有效性。     

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。     

基于结构总体最小二乘的多传感器定位算法

多部二维传感器组网定位时,为充分利用各传感器量测并减小地球曲率对观测的影响,建立了大场景下考虑地球曲率的三维空间观测定位模型,提出7此场景下融合测距信息的方位结构总体最小二乘定位算法.该算法首先根据各传感器的方位角量测信息使用结构最小二乘法初步定位,然后利用观测模型融合各传感器的距离量测提高定位精度并最终得到目标位置估计.仿真实验证明了该方法在多部2D传感器组网情况下对三维空间内目标定位的实际性和有效性,适用于工程利用.     

有色观测噪声条件下的分布式Kalman最优融合

传统分布式Kalman融合算法通常假定观测噪声是白噪声,在有色观测噪声条件下将导致系统性能的降低,而白化有色观测噪声会加剧传感器估计误差的相关性,对这种相关性的处理是分布式Kalman融合的难点.提出了一种基于有色观测噪声多传感器系统的分布式Kalmn最优融合算法,将系统状态分解为不相关的两部分,进行非扩维Kalman滤波以及分布式状态融合,证明了分布式状态融合等价于集中式Kalman最优融合,并进一步分析了具有反馈和非反馈两种结构的多传感器系统,给出了反馈结构下修正的分布式Kalman最优融合算法.同时分析了有色观测噪声对Kalman滤波器的影响.理论分析与蒙特卡罗仿真表明:所提算法具有全局最优性并且便于工程实时计算.     

多传感器数据的准分层融合法

本文针对非线性多传感器系统的状态估计问题，提出了准分层融合算法。文中，首先推出了准分层融合估计式，而后说明其算法，并讨论其性质，最后，给出其工程上可实现的结构框图。理论结果表明，该算法可用作多传感器的广义卡尔曼滤波。实际需要表明，该算法比文献￣［１］中线性系统的分层融合法更有应用前景。     

一种无线传感器网络分布式加权容错检测算法

针对无线传感器网络的容错事件区域检测问题,提出一种分布式加权容错检测算法。考虑"邻域的邻域"的容错范围,首先利用邻域节点与其周围节点的信息交换,对邻域节点的状态值进行估计,然后采用加权容错方法对邻域节点的估计状态值进行加权综合,完成对中心节点的错误检测。仿真结果表明,该算法在传感器网络初始错误率达到20%的情况下,仍能够检测和纠正90%以上的错误。相比其他算法,该算法具有较高的错误检测精度,极大改善了事件发生区域边界节点的纠错问题,且算法运行时整个网络所消耗的能量适中。     

数据融合中的残差建模分析与融合算法

多传感器数据融合系统中,传感器之间存在着难以精确建模的系统误差。即便经过校准,仍然会存在残差。残差的量级与随机观测噪声相当,不同的是,残差是一种随时间慢变的系统误差。目前文献中缺乏有效的残差分析建模手段,从而难以提高融合精度。针对上述问题,建立了残差的数学模型,进而提出了残差补偿航迹融合算法。算法将残差增广至目标状态向量,在状态估计的同时完成残差补偿。仿真结果表明,残差补偿算法极大地提高了目标状态估计的精度,显著改善了机动目标的跟踪性能。最后使用雷达实测数据对算法进行仿真,验证了算法可应用于实际工程系统。     

Self-tuning measurement fusion white noise deconvolution estimator with correlated noises

For the multisensor linear discrete time-invariant stochastic systems with correlated noises and unknown noise statistics, an on-line noise statistics estimator is presented by using the correlation method. Substituting it into the steady-state Riccati equation, the self-tuning Riccati equation is obtained. Using the Kalman filtering method, based on the self-tuning Riccati equation, a self-tuning weighted measurement fusion white noise deconvolution estimator is presented. By the dynamic error system analysis (DESA) method, it is proved that the self-tuning fusion white noise deconvolution estimator converges to the optimal fusion steadystate white noise deconvolution estimator in a realization, so that it has the asymptotic global optimality. A simulation example for Bernoulli-Gaussian input white noise shows its effectiveness.     

网络瞄准环境下最优分布式航迹融合算法

利用地域分散的多传感器系统跟踪目标是网络瞄准的主要作战方式。首先结合网络瞄准的作战特点,建立了两种典型的分布式航迹融合结构;然后对网络瞄准环境下传感器量测噪声相关问题展开研究,分别给出了传感器量测噪声相关与不相关情形下的最优分布式航迹融合方法。理论分析和仿真计算表明,这些方法等价于集中式融合算法,可以显著减小由于噪声相关造成的融合性能下降,从而在一定程度上提高了瞄准过程中目标的定位精度。     

基于加权表决的决策层融合多系统调制识别

利用信息融合技术研究多系统调制识别问题，提出一种加权表决融合算法。该算法首先定义系统对识别结果的贡献度，用来描述多个系统的联合对识别性能的提升，并将其作为分配权重的依据。然后将这种多系统识别问题建模为合作对策模型，利用合作对策的Shapley值来决定各系统的权重。最后通过所提出的加权表决算法，对多个系统的调制方式判决结果进行决策层融合。计算机仿真表明该算法有助于提高调制识别的性能。     

非线性系统中多传感器滤波跟踪型数据融合算法的研究

在非线性系统中，常用的跟踪滤波算法是基于扩展的卡尔曼滤波算法的融合算法，但是这种融合算法的跟踪精度并不是很高。本文根据对滤波器跟踪型数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法。研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

Uncertain information fusion with robust adaptive neural networks-fuzzy reasoning

1 .INTRODUCTION Under increasingly complex operational circumstances ,there exists uncertain information in the sensors andthe networks of the multi-sensor system. The uncer-tainty occursin various manners ,e.g.the uncertaintyof multi-sensor systemstructure (includingthe dynam-ic ti me-variation property) and the uncertainty of theinformationitself (including fuzziness (containing am-biguity) ,randomness ,incompleteness (including de-fectiveness) as well as roughness) . And uncertainin-for…     

多传感器信息融合ARMA信号Wiener滤波器

应用现代时间序列分析方法,基于自回归滑动平均(autoregressive moving average,ARMA)新息模型和增广的状态空间模型,在线性最小方差按标量加权最优融合规则下,对带白色和有色观测噪声的单通道ARMA信号,提出了多传感器最优分布式融合Wiener滤波器。给出了计算局部滤波器误差方差和互协方差的公式,它们可被用于计算最优加权系数。同单传感器情形相比,可提高融合滤波器的精度。一个带三传感器的跟踪系统的仿真例子说明其有效性。     

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。