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。     

基于水声通信延迟的多UUV协同定位算法

针对多水下自治机器人(unmanned underwater vehicle, UUV)协同定位过程中水声通信延迟造成的定位失效问题,提出了一种基于状态估计均方误差最小的延时扩展卡尔曼滤波(delayed extended Kalman filter, DEKF)定位误差修正方法。首先建立考虑水声通信延迟的系统状态方程,利用状态转移矩阵推导系统等效量测方程,然后给出多UUV 考虑水声通信延迟的扩展卡尔曼滤波(extended Kalman filter, EKF)定位方法并分析其不足;最后在EKF方法的基础上,分析量测信息延迟对状态估计的影响,建立系统真实量测模型,设计基于状态估计均方误差最小的DEKF 算法。仿真结果表明,该方法能够有效地修正多UUV 协同定位中由于水声通信延迟造成的定位误差,在工程实践中具有一定参考意义。     

多被动传感器UKF与EKF算法的应用与比较

针对多被动传感器条件下的目标跟踪问题,给出了推广卡尔曼滤波在多被动传感器条件下的具体算法;考虑到多被动传感器目标跟踪需要解决观测非线性的问题,故而将用于非线性系统的基于UT变换的UKF算法应用于所讨论的跟踪问题中,采用检测融合方案,将多个被动传感器的角度观测组合成量测向量,推导了多被动传感器的UKF滤波算法,实现了对目标在三维空间中的全被动跟踪.将两种算法进行了仿真比较,结果表明,采用多被动传感器的UKF算法可以获得比传统的推广卡尔曼滤波算法更为精确的跟踪效果.     

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。     

角闪烁噪声下的高斯和容积卡尔曼滤波算法

开展角闪烁噪声下的目标跟踪问题研究对提高传感器的探测性能具有重要意义,其中角闪烁噪声具有的非高斯特性是一个长期困扰研究者的难点。针对该问题,首先通过理论分析指出了容积粒子滤波(cubature particle filter,CPF)在角闪烁噪声下的性能缺陷。其次,基于高斯和滤波(Gaussian sum filter,GSF)框架和容积卡尔曼滤波(cubature Kalman filter,CKF)算法,提出了适用于角闪烁下的高斯和容积卡尔曼滤波(Gaussian sum cubature Kalman filter,GSCKF)算法,该算法将目标后验概率密度用高斯密度加权求和近似,通过多路并行的CKF实现状态预测与量测更新,同时利用模型降阶算法限制高斯分量数目的增长,能应用于非线性、非高斯条件的状态估计。最后,设计了仿真实验对GSCKF和CPF的跟踪精度、鲁棒性和计算复杂度进行了对比。     

相关量测噪声情况下多传感器集中式融合跟踪

在实际的多传感器融合目标跟踪中,各传感器之间的量测噪声往往是相关的。对于量测噪声相关的多传感器量测,利用Cholesky分解和单位下三角阵的求逆方法,将其转化为量测噪声互不相关的等价的多传感器伪量测,然后基于Kalman滤波,提出了一种解决量测噪声相关情况下多传感器融合目标跟踪问题的新算法。与已有的和直接利用原始传感器量测的集中式融合算法相比,三者在计算精度上完全等价,但新算法的计算复杂度却大大降低。数值仿真实验进一步验证了新算法的有效性。     

一种融合 UKF 和EKF 的粒子滤波状态估计算法

在扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)和不敏卡尔曼滤波算法(Unscented Kalman Filter,UKF)的基础上,提出一种基于融合的粒子滤波算法(Fusion based particle filter, FPF)。该算法首先利用EKF 与UKF 分别预测粒子状态,然后通过融合算法得到粒子的重要性建议分布,实现粒子状态更新。因为充分利用了量测信息,因而能有效提高状态估计精度。仿真中通过实例将该算法与已有的粒子滤波算法(Particle filter algorithm,PF)进行比较,结果表明该算法各方面性能都有较大改进。     

优化卡尔曼滤波算法中的目标函数选择

针对优化卡尔曼滤波算法(optimized Kalman filter,OKF)中的目标函数选择问题,设计了两种适用于OKF算法优化的目标函数,证明了这两种目标函数是最优的,即当目标函数取最小值时,OKF算法中的滤波估计值H_kx_k|k-1^⌒*是(或概率意义下)系统真实状态H_kx_k的最优估计。把上述目标函数应用于多模型卡尔曼滤波算法(multiple model adaptive Kalman filter,MM-AKF)中,设计了一种优化多模型卡尔曼滤波算法(optimizedmultiple model adaptive Kalman filter,OMM-AKF),OMM-AKF算法能够根据目标函数优化子滤波器的滤波估计值权值,从而能够得到系统真实状态的较优估计值。最后,通过仿真验证了上述理论的正确性和方法的有效性。     

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.     

New structure of Kalman filter for radar networking

1.INTRODUCTION Inpractice,radarsoftenoperateasynchronouslyandpro videdataatdifferentrateswithdifferentcommunication timedelays,thustheproblemofdatafusioninradarnet workingsystemisasynchronousinsteadofsynchronous. However,theresearchinthefieldofdatafusionfocuses onthesynchronousproblems,andthemeasurementsof differentsensorsarealwayspredictedatthesametimefor updatingKalmanfiltersynchronously.Thisapproachis complicatedforengineering,anditwillreducethedata ratesofthesystem,atthesametimethee…     

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…     

舰艇信息融合系统的仿真测试环境研究

信息融合系统的测试与评估是信息融合领域内的一个非常重要的课题,但是目前该方面的研究尚缺乏系统与深入,因此有必要对信息融合系统的测试评估理论和方法进行研究。考虑到信息融合系统的复杂性,采用实物测试的 不现实也是不可能的,所以进行测试和评估时,往往需要建立一个仿真的测试环境,通过这个测试环境产生测试数据,本文以舰艇信息融合系统评估为例介绍了计算机仿真技术在信息融合系统的性能评估中的作用,给出了该系统中的部分仿真模型和测试剧本的设计方法。     

精确制导武器及其支持系统中的信息融合技术

本文分析了精确制导武器及其支持系统Ｃ３Ｉ的发展概况和未来发展趋势,探讨了多传感器信息融合技术在精确制导武器与支持系统Ｃ３Ｉ中的应用前景,阐明了信息融合技术是实现武器精确制导和Ｃ３Ｉ系统的关键技术,最后对多传感器信息融合技术的发展概况、基本原理和基本方法作了综述和讨论。     

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。     

概率数据关联滤波器中的采样周期控制

在监视系统中,应用多传感器数据融合理论来提高航迹跟踪性能是以增加计算量为代价的。传感器管理技术的使用可以平衡系统资源和跟踪性能。目前,传感器管理技术的研究主要集中在传感器对跟踪目标的分配上,而对传感器采样周期的控制研究很少。采用方差控制方法可对传感器的采样周期进行控制。在保证跟踪精度的情况下,通过改变传感器的采样周期来减少系统采样次数,以达到减少系统计算量的目的。     

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。     

Relationship Between Track Fusion Solutions with and without Feedback Information

1 .INTRODUCTIONIndistributedmultisensordatafusionsystems,eachsensorprocessesitsobservationslocallytoproducelo caltracks,andthencommunicatesitstrackstoacen tralsite ,wheretrackfusiontakesplace.Insomesys tems,theinformationofafusioncenterisfedbacktosensors,whichisusedtoimprovethelocaltrackingperformance.Thetrackfusion problemswithorwithoutfeedbackinformationhavebeenwellstudiedandpublishedintheRefs.[1～ 5 ].Thispaperisin tendedtoprovethatthesolutionsofsensortrackfu sionwithandwithoutfeedback…