基于子波变换的多传感器最优信息融合估计

在线性最小方差最优信息融合准则下,提出了一种新的修正加权融合准则。在此基础上,结合子波域多尺度分解理论,构建了子波域多尺度多传感器按修正加权最优信息融合方法。该方法由于采用了修正的加权融合准则和子波域多尺度分解,提高了融合精度,减少了计算负担,便于实际应用。两个典型运动的仿真例子说明了其有效性。     

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。     

自校正解耦信息融合Wiener状态预报器

对含未知噪声方差阵的多传感器系统,用现代时间序列分析方法,基于滑动平均新息模型的在线辨识和求解相关函数矩阵方程组,可得到白噪声方差阵的在线估值器。在按状态分量标量加权线性最小方差最优信息融合准则下,提出了一种自校正解耦信息融合Wiener状态预报器,实现了状态分量的自校正解耦局部Wiener预报器和自校正解耦融合Wiener预报器。用动态误差系统稳定性分析方法证明了该预报器的收敛性,即若滑动平均新息模型参数估计是一致的,将收敛于噪声方差阵已知时的最优解耦信息融合Wiener状态预报器。一个带三传感器的目标跟踪系统的仿真例子说明了其有效性。     

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.     

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。     

基于多源观测的联合定轨数据融合建模及最优加权算法

针对基于双星定位系统的近地卫星联合定轨中的多源观测数据的融合处理问题,分别建立了基于测量噪声独立同分布和测量噪声相关的多源融合测量模型,提出了一种基于矩阵Cholesky分解的广义测量模型和测量噪声去相关方法。设计了多源融合测量模型的多结构非线性最优加权参数估计实现算法,并以双星定位系统的星敏感器测角与距离和测量信息为例,进行了联合定轨仿真实验。理论分析与仿真计算结果表明,相对于仅用距离和测量信息与平均加权方式,基于多源观测数据的最优加权联合定轨方法能够进一步改善卫星定轨精度。     

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.     

基于强跟踪滤波器估计的最优融合方法

在分布式雷达数据处理模式中 ,数据融合是获得较精确的目标轨迹的主要环节。为克服卡尔曼滤波器对初始值敏感、鲁棒性差和对机动目标跟踪性能差的缺陷 ,通过利用各传感器的观测数据 ,采用强跟踪滤波器对目标进行跟踪 ,以改善目标状态估计的精度。对判定源于同一目标的状态估计值 ,给出了一种估计状态线进行性组合的最优融合准则。得出了实际数据的实验结果。     

多跳无线传感器网络决策融合

研究了衰减信道下多跳无线传感器网络的决策融合规则,推导出了瑞利分布的信道模型下性能最优的似然比融合规则。该规则需要预知信道的实时状态信息,计算复杂,不适合资源受限的无线传感器网络。为此,提出了仅需要预知信道的统计分布信息的次优似然比融合规则,并分别在大信噪比和小信噪比情况下推导出了该规则的简化形式。理论分析和实验表明,次优规则性能损失轻微,显著降低运算量和信息消耗,适合在资源受限的多跳无线传感器网络决策融合系统中使用。     

基于LMI的多传感器H∞融合滤波器设计

在实际多传感器数据融合系统中,往往过程噪声及测量噪声统计特性未知,但能量有限。此时一些在已知精确系统模型与噪声统计特性情况下保持优良融合性能的方法,不仅无法保持良好性能,甚至会出现崩溃情况。H∞融合滤波方法可以有效地解决此类多传感器融合系统的滤波问题,但存在求解困难问题。基于LMI给出并证明了H∞融合滤波器的解,给出了数值仿真实例。结果表明提出的方法可以解决过程噪声及测量噪声统计特性未知,但能量有限情况下的多传感器数据融合问题。     

Study on Optimality of Two-Stage Estimation with ARMA Model Random Bias

1.INTaoDUCTIONInrecentyearsconsiderableworkhasbeendoneontheproblemofestimatingthestateofalinearsystemwitharandombiasthatinfluencesthesystemdynamicsandobservations.Thebasicmethodistheaugmelltedstateestimationwhosecomputationincreaseswiththebiajsvectordimension.Tomailltaincomputationalamountatalevel,theideaofusingatwasstagestateestimationtoimplementaugmentedstateestimationisintroducedbyFreidland[1],whichistodecouplethecentralfilterintotwoparallelfilters.Thefirstfilter,the"biasfree"filter,isb…     

两段卡尔曼估值器及最优条件研究

考虑了具有ARMA模型随机偏差的两段卡尔曼估值器的最优条件问题。首先给出了增广状态的最优卡尔曼滤波和两段卡尔曼估值器 ;其次证明了在一定的代数约束条件下 ,两段卡尔曼估值器和增广状态的最优卡尔曼滤波是等价的 ;最后 ,由于给定的代数约束条件在实际系统中是受限制的 ,因此结论表明两段卡尔曼估值器是次优的。     

多传感器混合多模型估计的记忆分层融合算法

首先提出了两种局部节点交互多模型状态估计的整体先验信息的近似计算方法;其次,为构造全局融合估计的先验信息,给出了基于Dempster Shaffer证据理论的全局模型后验概率的融合方法,并在此基础上给出了全局等效目标运动模型的概念及其计算方法,上述结果使得基于有记忆分层融合算法的交互多模型估计融合成为可能;为利用融合结果改进局部节点的估计性能,首次提出了基于向局部节点反馈全局模型后验概率的融合反馈机制。仿真实验验证了所提分层有记忆交互多模型估计融合算法的有效性,以及引入反馈机制后对局部节点估计性能的改善。     

Intelligent fault-tolerant algorithm with two-stage and feedback for integrated navigation federated filtering

In order to take full advantage of federated filter in fault-tolerant design of integrated navigation system, the limitation of fault detection algorithm for gradual changing fault detection and the poor fault tolerance of global optimal fusion algorithm are the key problems to deal with. Based on theoretical analysis of the influencing factors of federated filtering fault tolerance, global fault-tolerant fusion algorithm and information sharing algorithm are proposed based on fuzzy assessment. It achieves intelligent fault-tolerant structure with two-stage and feedback, including real-time fault detection in sub-filters, and fault-tolerant fusion and information sharing in main filter. The simulation results demonstrate that the algorithm can effectively improve fault-tolerant ability and ensure relatively high positioning precision of integrated navigation system when a subsystem having gradual changing fault.     

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。     

一种扩展的直接航迹融合方法研究

在分布式多传感器数据融合系统中，各单传感器类型不同情况下的融合问题是一类普遍的问题。本文从直接航迹融合算法的推导过程提出了一种解决这一类问题的方法，包括融合状态设定方法、基于最大似然估计的方法。     

格形滤波器在ARMA模型辨识中的应用

本文总结了近年来发展的ARMA模型格形辨识算法。基于运用格形滤波器的特性来获得ARMA模型格形辨识算法的思路,着重分析了三种典型算法及其性能,给出了稳定判据,最后指出了今后的发展方向。     

基于UKF神经网络的姿态测量信息融合算法

针对融合系统建模误差、噪声统计特性不精确性和环境的动态变化性致使传统联合滤波过程中融合权值难以确定,引入人工智能中的神经网络,提出了基于神经网络的多信息自适应智能估计融合算法研究;利用神经网络的自适应能力对状态估计融合结果进行实时辅助补偿和修正,将非线性最优估计与神经网络技术相结合,重点研究了基于UKF的神经元融合权重在线自适应学习算法,以便在缺少准确局部子滤波器协方差信息情况下,仍能使全局估计融合结果最优,从理论上证明了UKF学习算法优于传统EKF学习方法,并以卫星多姿态测量信息融合定姿系统为例,给出了计算实例和结论分析,表明了所提出的模型与算法在实际应用中的有效性。

Abstract：

The fusion weight of traditional Federal Kalman Filter is difficult to be determined because of the fusion system modeling error,the inaccuracy of noise statistic characteristics as well as the dynamic variability in the fusion filtering process.In order to solve this problem,a self-adaptive fusion estimation algorithm for multi-information measurement based on neural networks was presented,which used the self-adaptive ability of neural networks to make real-time compensation and amendment for the state fusion estimation results.Combining a nonlinear optimal estimation with neural network,an online adaptive training algorithm for the weights of neuron based on Unscented Kalman filter （UKF） was researched,which could still realize the optimal fusion for the global estimation even if the accurate covariance information of each local sub-filter were absent.The performances of UKF training algorithm and the traditional EKF algorithm were analyzed and compared,and moreover taking the multi-information fusion system for satellite attitude determination as the experimental example,the simulation calculation and analysis were advanced,which show that the presented models and algorithms are effective in the actual application.     

组网冗余MEMS惯性传感器网络优化配置与融合处理方法

针对单个惯性传感器精度与可靠性问题,提出了一种组网冗余微机电系统(micro-electro-mechanical system, MEMS)惯性传感网络优化配置与融合处理方法。首先,研究了多惯性传感器节点的空间配置形式,给出了网络观测模型。利用节点之间的最优化冗余配置策略,提升系统测量可靠性。在此基础上,进一步考虑MEMS陀螺仪和加速度计的安装误差对输出结果的影响,提出了相应的误差模型及校正算法。以随机游走为主要误差源,设计了新型的卡尔曼滤波方法,实现了冗余配置下的高精度导航信息解算。最后,采用自主构建的实验系统进行试验,证明所提出的融合方法能够有效降低陀螺仪和加速度计的随机游走误差。车载试验进一步证明了所提出的方法及系统的有效性。