有色量测噪声情况下的多传感器目标跟踪融合算法

目前已有的目标跟踪融合估计算法都是基于Kalman滤波的,而卡尔曼滤波估计算法要求系统过程噪声和量测噪声均为白色噪声,而实际的跟踪系统中量测噪声往往是有色噪声。针对上述问题,本文利用线性组合当前量测与下一时刻量测的量测扩增法,研究了有色量测噪声情况下的集中式、分布式多传感器目标跟踪融合算法。并对新的融合算法进行仿真分析,仿真结果表明新的融合算法具有良好的跟踪性能。     

基于H_∞滤波器的交互多模型算法

为了解决在实际情况中噪声的统计特征信息经常残缺甚至完全未知的问题,在量测噪声的协方差未知的前提下,提出了一种方法解决含有马尔可夫参数线性离散系统的估计问题.在交互多模型算法的基础上融合H_∞滤波器构造估计器,得到交互过程中必需的噪声统计特征,进而对目标的状态进行估计.该方法不但解决了噪声信息缺失问题,而且保留了交互多模型算法的优异性能.通过与单模型H_∞滤波进行比较,试验仿真结果证实了该算法的有效性.     

大规模过程系统优化的序列界约束方法

基于非线性约束极小化的序列无约束方法,对大规模过程系统稳态优化的序列界约束方法进行了研究.该约束方法的罚函数只包含对等式和/或不等式约束的惩罚项,不包含对界约束的惩罚项,通过迭代求解一系列界约束极小化子问题而非无约束极小化子问题获得原问题的解;算法按2层结构实现,内层结构中主要求解界约束极小化子问题得到下一个迭代点,外层迭代主要修改乘子向量和罚向量以及检查收敛准则是否满足,重构下次迭代的界约束子问题,或在收敛准则满足时终止算法.此外,给出了求解界约束极小化子问题的修改截断Newton法,并用一类规模可变的约束优化问题和一类最优控制问题对所给方法进行了数值试验,试验结果表明,所给序列界约束方法是非常稳定和有效的.     

噪声相关的带宽约束传感器网络融合算法

研究了一类相关量测噪声和带宽限制背景下的传感器网络融合问题.利用Cholesky分解方法将量测方程转化为量测噪声互不相关的等价模型.由于带宽的限制,各局部传感器节点的原始信息需量化成消息才能上传到融合中心.文中采用自适应的量化策略获得了局部测量新息的量化消息,并利用顺序滤波和强跟踪滤波技术设计融合方法.简要分析了基于量化新息融合算法的性能特点.通过一个计算机仿真实验验证了新算法的有效性.     

一般相关噪声下线性系统定区间平滑估计算法

针对机动目标跟踪中固定区间平滑估计算法对噪声相关性考虑不完全的问题,提出了一种具有一般相关过程噪声与量测噪声的离散线性系统最优固定区间平滑估计算法.该算法通过将固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,从而精确给出了误差间的相关性,在线性无偏最小方差意义下对系统状态进行递推估计.与不考虑相关性的卡尔曼平滑算法以及仅考虑量测相关性的正、逆向滤波融合平滑估计算法相比,新算法在噪声的高斯分布假设下是最优的,且随噪声相关性增强其优越性越明显.仿真结果表明,在相关系数为0.36时,新算法的位置跟踪均方根误差比不考虑相关性和仅考虑量测相关性的平滑估计算法可降低38%.     

基于GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法

基于GPS/SINS组合导航系统的模型不准确或者量测噪声多变所产生的滤波发散问题,研究了自适应渐消卡尔曼滤波对于滤波发散的抑制作用,文章提出一种利用新息协方差估计值和量测值实时自适应计算渐消因子的方法,用它调节卡尔曼滤波方程中预测误差协方差阵和增益矩阵,调整历史新息和当前新息的权重达到抑制滤波发散的目的。该算法能有效减少严格收敛判据推导渐消因子的计算量和限制条件,有效利用了当前新息值。仿真验证表明,提出的算法能有效抑制滤波发散,并且比常规卡尔曼滤波效果更佳。     

不完全量测下的Cubature卡尔曼滤波方法

提出了一种不完全量测下的Cubature卡尔曼滤波方法,该方法在Cubature卡尔曼滤波算法的基础上,建立了量测滞后下的状态空间模型,利用采样点状态扩维的方法对状态估计值进行更新,并给出了不完全量测下的Cubature卡尔曼滤波算法的实现流程。仿真实验表明,不完全量测下的Cubature卡尔曼滤波方法可以用于处理量测信息采样时间和延时时间都不确定的情况,在处理不完全量测下的高维强非线性系统状态估计时计算量小,具有较高的估计精度。     

基于变分贝叶斯估计方法的双尺度自适应Kalman滤波

针对Kalman滤波在对敌目标估计应用中遇到的量测和过程噪声均未知且时变的情况,提出了一种利用变分贝叶斯估计的双尺度自适应滤波方法。解决了2个关键问题：一是针对量测和过程噪声协方差的共轭后验分布提出了相对转移概率指标,设计了启发式的自适应噪声估计窗口,实现了稳态精度和时变响应性能的综合提升,能适应敌方目标机动性高且统计特性变化快的特点;二是设计了在不同时间尺度上估计过程噪声和量测噪声的协方差方法,解决了在同一时间尺度上使协方差估计值发生严重偏差且增大滤波误差的问题。仿真表明,所提方法能快速跟踪目标状态噪声统计特性的变化并保证估计精度。     

移动机器人多信标SLAM技术

针对大型煤矿中的露天移动机器人自主行走问题,应用基于卡尔曼滤波的SLAM算法,研究了移动机器在不携带惯性导航设备,也无先验地图的情况下,通过自身携带的传感器与环境特征量进行应答式通信,建立环境地图,并利用该地图计算自身位置,从而实现自主导航与定位。仿真结果显示,SLAM算法的定位误差保持在±1 m以内,速度误差保持在±0.2 m/s以内,对环境特征量的定位误差随着机器人的移动逐渐减小,最终保持在±2 m以内。同时,通过对不同距离量测噪声与速度量测噪声的情况也进行了分析。仿真结果显示,当保持距离量测噪声不变,增大速度量测噪声时,或保持速度量测噪声不变,增大距离量测噪声时,SLAM算法的定位精度均会下降。研究表明,基于卡尔曼滤波的SLAM算法很好地控制了移动机器人在未知环境中的定位误差,保证了机器人的定位精度。     

无人机组合导航系统的自适应算法研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响。同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低、稳定性差,还有可能发散。采用常规卡尔曼滤波无法解决此问题。为此研究了一种基于UKF的自适应卡尔曼滤波算法。在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,实时调整状态向量和观测向量的协方差,从而提高系统的性能。仿真结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的导航精度和稳定性。     

采用直接FFT方法的MMSE-BLE算法研究及其性能仿真

介绍了最小均方误差线性均衡算法(MMSE-BLE)的原理,然后针对MMSE-BLE复杂度高的问题,提出一种用直接FFT方法来降低系统矩阵A求逆运算量的方法,研究表明:这种方法可以有效的降低MMSE-BLE算法的复杂度;并对采用直接FFT方法的MMSE-BLE进行性能仿真,比较了在不同的噪声协方差环境下的性能,证明采用直接FFT方法的MMSE-BLE能够兼顾多址干扰(MAI)和噪声的影响,有效克服噪声增强问题.     

自协方差总体最小二乘噪声估计算法

提出了一种自协方差总体最小二乘(ATLS)噪声估计算法,该算法在自协方差最小二乘(ALS)噪声估计算法基础上,采用总体最小二乘方法对自协方差线性方程组求解,使得算法具有更强的抗干扰能力,提高了算法的估计精度;并给出了算法的实现步骤。仿真实验表明在先验噪声偏差较大的情况下,ATLS噪声估计算法具有更高的估计精度。     

噪声相关下含无序量测的多传感器信息融合估计

多传感器跟踪系统中因通信延迟常会出现无序量测现象,为了提高系统估计精度,采用直接更新法对状态进行更新估计,并针对噪声相关下含无序量测的多传感器系统,提出了矩阵加权最优信息融合状态估计算法,考虑了过程噪声和量测噪声的相关性以及局部估计的误差相关性.仿真计算验证了算法的有效性.     

QoS路由技术的新方法

多约束QoS路由问题是NP完全问题，一般采用启发式算法求解。量子遗传算法和DNA计算技术是新型的软计算方法．是解决NP完全问题的有效途径。文章在介绍量子遗传算法和DNA计算基本原理的基础上．给出了利用量子遗传算法求解多约束QoS路由问题的算法过程以及利用DNA计算技术解决QoS路由问题的算法模型，为多约束QoS路由技术的求解提供了新方法和新思路。     

两种基于分数低阶统计量波束形成的推广

为抑制脉冲稳定分布噪声对波束形成的影响,通常采用分数低阶统计量进行处理,将现存的两种基于分数低阶统计量的波束形成方法分别进行推广,证明了两种推广后算法对应的协方差矩阵是互为共轭的,并且对协方差矩阵的非奇异性进行了讨论.仿真实验表明:与传统的线性约束最小功率波束形成相比,两种推广的波束形成算法,在脉冲稳定分布噪声下能够保证无畸变输出,并且具有更低的旁瓣.     

界约束非线性方程组的信赖域法

提出一种求解简单界约束最优化问题的信赖域算法,把无约束优化推广到简单界约束优化,将线搜索技巧与信赖域方法相结合,使得新算法不需要重解信赖域子问题,简化了计算,同时,新算法采用了非单调结构,提高了计算效率.在通常假设条件下,证明了算法的收敛性,并给出了数值试验,结果表明算法十分有效.     

模糊推理的反向三I约束算法

提出了基于蕴涵算子R0的反向三I约束算法的理论,分别得到了α-反向三I约束算法的FMP的下确界与FMT的上确界的一般计算公式.     

基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法

针对复杂环境下雷达目标跟踪系统易受外界干扰引入噪声污染分布问题,为了保证系统实时可靠,提出了一种基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法(innovation-based adaptive extended Kalman filter, IAEKF)。通过建立系统新息统计特性,构造系统与量测噪声函数,将新息协方差直接引入滤波器增益矩阵计算,在不增加计算代价的同时,改善算法的自适应性。仿真实验表明,在雷达测量系统受时变噪声污染分布影响下,IAEKF算法相比EKF算法跟踪精度高,算法可行且有效,具有一定的工程研究价值。     

模糊推理的反向三I约束算法

提出了基于蕴涵算子R0的反向三I约束算法的理论，分别得到了α－反向三I约束算法的FMP的下确界与FMT的上确界的一般计算公式。     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.