多传感器信息融合技术在INS/GPS组合导航系统中的应用

针对INS／GPS组合导航系统在数据处理时存在的计算量大和故障数据相互干扰的问题,提出了一种基于信息融合的导航参数最优估计滤波方法。文中首先介绍了信息融合的基本原理、关键技术以及常用方法,然后以INS／GPS组合为例,对组合导航系统的工作原理和模型建立进行了分析．最后对基于联合卡尔曼滤波的多传感器信息融合算法进行了论述与分析．该方法可提高导航系统的计算精度和速度．有较好的容错性和环境适应性,可有效地提高导航系统的精度和可靠性,为融合导航系统的数据分析和处理提供了一个有效途径。具有实际使用价值。     

面向智能船舶的自校正加权融合估计算法

针对智能船舶多传感器系统因未知海洋环境干扰和设备间干扰等因素,导致一个或数个传感器产生间歇性随机故障,进而导致融合估计结果出现偏差甚至失真的问题,设计了一种自适应加权融合估值算法,并引入了衰减记忆因子降低旧测量数据对融合估计的影响权重.为增强融合估值器对于量测故障信号的容错性,添加了故障检测与校正模块对量测信号进行检测与校正.为了验证算法的容错性能和融合估计的精度,对带有间歇性随机故障的三传感器系统进行了仿真实验,并与改进前的自适应加权融合结果进行了对比.结果表明:对于带间歇性随机故障的多传感器系统而言,设计的自校正加权融合估计算法不仅具有鲁棒性,而且具有较高的融合精度.     

主被动雷达分层融合机动目标跟踪仿真研究

以目标跟踪为主要目的,对主被动雷达基于改进算法的分布式分层融合进行了仿真研究。仿真研究验证了基于固定指数加权模糊自适应EKF滤波算法的主被动雷达分层融合系统,能够显著提高目标跟踪精度且稳定性好。同时验证了分布式分层融合跟踪性能,明显优越于分布式平均加权融合方法。     

网络流量监测中在线数据融合方法设计

在线数据融合方法在网络流量检测中一直有融合精确度低、接收点差的问题。提出一种新的网络流量监测中在线数据融合方法,采集网络流量监测中的实时在线数据,通过卡尔曼滤波法对在线数据进行预测,获取网络流量状态值;并以此为基础,通过时空综合分析,计算节点的量测实时方差;并依据最小二乘准则,对数据进行加权处理,求出加权系数,引入加权数据融合算法,实现在线数据的融合。实验结果表明,改进的融合方法不仅融合精度高,而且所需能耗低,适应能力较强。     

变加权系数联邦卡尔曼滤波在GPS/DR组合定位系统中的应用研究

针对全球定位系统(GPS)接收机易出现"丢星"现象及航位推算系统误差累计问题,采用变加权系数的联邦卡尔曼滤波信息融合算法,实现以航位推算系统(DR)辅助GPS定位系统的组合定位系统,并用Matlab软件对此算法进行了仿真研究.该方法既克服了GPS信号的遮蔽问题,又充分利用了DR的短时高精度自主定位.仿真结果表明,该方法在保证了系统定位精度的前提下,有效提高了定位系统的容错性和工作可靠性.     

基于神经网络的多传感加权融合算法的研究

数据融合技术是无线传感器网络的一个关键的技术,能减少传感器的传输量,从而明显提高网络的感知性能,延长网络生命周期,减少时间延迟.多传感器的数据融合可以获得比单一传感器更多,更准确的信息.针对从含有噪声的测量数据中估计出监测变量,对自适应加权融合算法进行改进,基于信任度方法对测量数据进行数据预处理,然后基于神经网络误差修正的方法实现各传感器权重的自适应匹配,从而得到较为准确的估计值.通过对比仿真实验,本文算法的融合结果在精度、容错性方面均优于均值估计算法和自适应加权融合算法;能够更好地适应当今大数据环境下对数据精确度的要求.     

基于置信度加权的INS／BD／GPS组合导航信息融合

针对联邦卡尔曼滤波算法存在的不足,将标准卡尔曼滤波方法和置信度加权方法相结合,应用于组合导航系统.该方法利用了自适应神经网络模糊推理技术非线性、快速实时、自适应学习的优点,将滤波器的输出数据进行置信度判别,得到各个子系统加权值,最后进行加权融合得到全局输出.仿真结果表明:基于ANFIS神经网络置信度加权的组合导航信息融合技术在一定程度上抑制了数据的发散,提高了导航精度.     

信息融合技术在激光-TIG焊接监控过程中的研究

阐述了多传感器信息融合理论,结合卡尔曼滤波原理,提出了卡尔曼滤波融合算法,并将此算法应用于激光焊接质量控制过程中.理论分析和计算机仿真验证表明,该算法能获得平缓的控制特性,可以有效提高激光焊接过程的监控性能.     

基于分离协方差交叉的全局反馈航迹融合

针对多传感器数据融合中互协方差未知的问题,提出了一种基于分离协方差交叉的全局反馈航迹融合方法,将误差协方差矩阵分离为相关信息误差协方差矩阵和独立信息误差协方差矩阵.在此基础上,提出了分离形式的卡尔曼滤波算法,并设计了全局信息反馈的分布式融合结构,克服了简单凸组合融合算法和协方差交叉算法中将所有的信息一起考虑的缺陷.仿真实验表明:本文算法比简单凸组合融合算法和协方差交叉融合方法具有更小的均方误差.     

同类多传感器自适应加权估计的数据级融合算法研究

针对同类多传感器测量中含有的噪声,提出了多传感器数据自适应加权融合估计算法,该算法不要求知道传感器测量数据的任何先验知识,依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,并在理论上证明了该估计算法的线性无偏最小方差性.仿真结果表明了本算法的有效性,其融合结果在精度、容错性方面均优于传统的平均值估计算法.     

多传感器分布式信息融合Wiener信号滤波器

应用Kalman滤波方法,对于带白色和有色观测噪声单通道ARMA信号,基于Riccati方程,在线性最小方差按标量加权的最优信息融合准则下,提出了多传感器分布式信息融合Wiener信号滤波器。提出了计算局部滤波误差间的互协方差的Lyapunov方程,可用于计算最优加权系数。同单传感器情形相比,可提高滤波精度。一个三传感器信息融合Wiener跟踪滤波器的仿真例子说明了其有效性。     

多传感器全局最优加权观测融合Wiener信号滤波器

基于Kalman滤波,应用加权观测融合方法,对于带白色观测噪声的单通道ARMA信号,提出了全局最优多传感器观测融合Wiener信号滤波器。可统一处理信号融合滤波、平滑和预报问题。同集中式规测融合方法和分布式状态融合方法相比．不仅可获得全局最优Wiener信号滤波器,而且明显减小计箅负担,便于实时应用。一个三传感器加权观测融合仿真例子说明了其有效性。     

信息融合稳态最优Kalman平滑器

应用Kalman滤波方法,基于Riccati方程,在线性最小方差最优融合准则下,提出了按矩阵加权的两传感器最优融合稳态Kalman平滑器,给出了最优加权阵和最小融合误差方差阵。同单传感器Kalman平滑器相比,可提高平滑精度。一个雷达跟踪系统的仿真例子证明了其有效性。     

两传感器信息融合超前κ步稳态最优Kalman预报器

应用Kalman滤波方法 ,基于Riccati方程 ,对于带相关噪声的系统 ,在线性最小方差融合准则下 ,提出了两传感器按矩阵加权信息融合超前k步稳态最优Kalman预报器 ,给出了最优加权阵和最小融合预报误差方差阵的具体计算公式。同单传感器情形相比 ,可提高预报器的精度。一个跟踪系统的仿真例子说明了其有效性     

带有等式状态约束的多传感器数据融合算法

在状态估计理论的实际应用中,状态向量常常包含可以预先获知的约束信息,有效地利用这些先验信息可以进一步明确状态元素之间的关系,理论上可以提高对系统的状态估计精度.针对约束滤波的已有研究成果,将其引入到多传感器系统,提出了约束系统多传感器数据融合算法.通过建立线性等式约束方程,将传统卡尔曼滤波结果投影到约束子空间,然后对局部传感器的约束滤波结果采用分布式最优加权融合,并且通过协方差匹配技术检测观测数据异常的传感器,使之不参与到数据融合中.仿真结果表明,约束系统分布式加权融合算法的有效性和可行性,并且比集中式融合算法具有更好的稳定性.     

基于噪声顺序解相关的两阶段Kalman滤波融合

针对传统两阶段Kalman滤波只能处理单一或部分复杂噪声情形,在充分考虑多雷达跟踪系统的误差噪声有色建模和四类噪声相关性建模基础上,建立一种基于噪声顺序解相关的两阶段Kalman滤波融合算法。首先给出能有效避免噪声相关性耦合化的噪声解相关顺序,进而应用等价变换技术来获得有色噪声、过程噪声和测量噪声三者间不相关的目标跟踪融合模型,最后应用平方根分解和单位下三角阵求逆技术来实现多雷达量测噪声相关系统的集中式Kalman滤波融合,并通过4个仿真实验验证了该算法对复杂噪声情形的有效性和高精度。     

广义系统多传感器信息融合降阶状态估值器

对于带多传感器的广义线性离散随机系统,基于奇异值分解,将其化为等价的两个降阶多传感器子系统。应用Kalman滤波方法,在线性最小方差最优加权融合准则下,提出了最优加权融合降阶稳态广义Kalman估值器。可统一处理融合滤波、平滑和预报问题,可减少计算负担和改善局部估计精度。为了计算最优加权,提出了局部估计误差方差阵和互协方差阵的计算公式。     

基于无迹卡尔曼滤波和协方差交叉融合的分层多簇无线传感器网络多速率跟踪算法

针对无线传感器网络(WSNs)在跟踪过程中精度低,性能差等缺点,提出基于无迹卡尔曼滤波(UKF)和协方差交叉(CI)融合的分层多簇WSNs多速率跟踪算法。将传感器分成多个簇,同一簇中的传感器可以采用不同的采样和传输速率对目标的数据进行采集和传输。首先,采用UKF处理传感器节点采集的数据,生成局部估计。然后,利用CI融合算法将收集到的局部估计值形成融合估计。通过定义一个附加权重因子,为真实协方差的不确定性定义一个更严格的界限。仿真验证了方法的有效性,采用多速率分层融合估计的精度更高,效果更明显。     

组合导航信息融合算法的研究

以GPS／INS组合导航系统为应用背景,推导了“当前统计”模型下卡尔曼滤波方程的关键矩阵。阐述了卡尔曼滤波器的主要参数对组合导航信息融合效果的影响;给出了组合导航系统的松耦合设计框图;根据实验测得的数据采用基于卡尔曼滤波的信息融合算法,通过对算法改进前后东向误差和北向误差的分析,说明算法改进后的定位精度比改进前高约30％．     

UKF在车辆组合定位技术中的应用

用一种新型的无迹卡尔曼滤波算法(UKF)代替传统的扩展卡尔曼滤波算法(EKF),对GPS/DR组合定位系统进行信息融合滤波。通过计算机仿真和分析后,结果表明无迹卡尔曼滤波算法UKF的滤波定位精度明显高于扩展卡尔曼滤波器EKF,而且UKF对由于系统非线性所引起的滤波误差有很好的抑制作用,因此UKF算法对于要求高精度、低成本和高可靠性的GPS/DR组合定位系统来说是一种值得推广的滤波算法,具有一定的应用价值。