基于相关性函数和模糊综合函数的多传感器数据融合

针对多传感器数据融合过程中,各传感器可靠度估计的困难和如何对不同类型的传感器数据进行融合,提出了一种基于相关性函数和模糊综合函数的多传感器数据融合方法。该方法首先利用相关性函数计算多传感器的相互支持程度,然后由隶属函数得到每个传感器提供信息的可信度,最后用模糊综合函数获得多传感器对目标属性的融合结果。该方法计算简单,客观地反映了各传感器的可靠程度及相互关系。将该方法用于一个目标识别任务的仿真实验,结果表明应用该方法能确定地识别出目标,是一种有效可行的多传感器数据融合方法。     

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。     

基于多卡尔曼滤波器的自适应传感器融合

准确估车前目标的位置和状态是车辆安全系统的一个重要组成部分,利用多传感器可以提高对目标测量的可靠性。给出了一种用于汽车防碰撞系统中估计车前目标位置的多传感器融合算法,根据车辆与目标之间的一步预测距离,从多个预置的卡尔曼滤波器中选择一个合适的滤波器来实时处理传感器的量测数据。该算法不仅可以有效地处理具有不同测量范围的传感器数据,同时还可以通过滤波器切换的方式,处理具不同数据速率的传感器数据。Monte Carlo数字仿真证明了该算法的有效性。     

多传感器数据的聚类融合方法

针对多个传感器对多个特性指标进行测量实验的数据融合问题,从多元统计理论角度提出了一种新的多传感器数据的融合算法.该方法采用欧氏距离定义了距离矩阵,利用最小距离聚类法确定各传感器融合的次序,可以克服以往方法中关系矩阵的主观影响,提高数据融合结果的客观性.通过试验数据的分析,表明该算法简单,可以避免极端、有效数据的损失,具有较高的精度.     

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。     

基于改进因子图模型的航天器组合姿态确定算法

航天器姿态确定是航天器姿轨控制、在轨正常运行的关键, 针对航天器多姿态传感器存在测量噪声非高斯分布、可能出现敏感器失效和故障等问题, 提出了一种基于改进因子图模型的航天器组合姿态确定方法。通过建立因子图模型, 将地磁/星敏/陀螺测量信息作为因子节点加入因子图模型, 利用观测蒸馏法对观测数据集进行提炼以及自适应调整, 实现对航天器的姿态确定。在复杂条件下, 该方法扩展性强, 可以实现即插即用, 合理而充分的利用其他姿态测量信息, 避免了基于卡尔曼滤波算法中的复杂系统重构过程, 从而有利于多传感器融合。实验结果表明, 在进行复杂条件下的地磁/星敏/陀螺组合定姿仿真时, 该算法可行有效; 有传感器切换时, 具有较好的动态稳定性, 实现了即插即用。该方法灵活度高, 为解决复杂条件下的多传感器组合定姿提供了新思路。     

基于目标之间拓扑信息的数据关联方法

数据关联是多平台多源信息融合系统中的关键问题。当传感器平台高速移动时,其自身的定姿定位往往存在一定误差,此时多个传感器对同一目标形成的量测经过坐标转换到同一坐标系下后会存在很大偏差,通过目标位置、速度等信息进行关联难度较大。所以,尝试提取目标的另一特征—目标之间的拓扑信息,通过对目标之间的拓扑信息进行模糊匹配和搜索,找到最佳的关联拓扑组,为数据关联和配准提供进一步校准的先验信息。仿真实验表明该方法具有较高的关联精度和鲁棒性。     

基于FCM的多传感器融合多目标跟踪的数据关联

数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提。本文采用改进的模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪。仿真实验结果说明了本文方法的有效性。     

混沌神经网络多传感器信息融合系统设计

基于基本BP算法，引入具有全局游动性的混沌机制设计了混沌神经网络。将其用于多传感器信息融合设计了混沌神经网络多传感器信息融合系统。该系统能完善地、精确地反映检测对象，提高信息融合的质量。压力传感器数据融合系统的仿真证明了此法的有效性和优越性，系统设计简单，适合工程应用。     

可变模糊方法及其在工件识别中的应用

提出的以相对差异函数为基础的可变模糊方法,可根据事物关于特征的量值来判断事物吸引与排斥特性的程度,从而为解决识别问题提供了新的途径。建立了多传感器信息融合系统中的可变模糊识别模型,把可变模糊方法应用到多传感器信息融合工件识别中,并用一个具体的实例验证了该方法的合理性与可行性。最后证明了可拓学中以“距”与“位值”概念为基础的关联函数基本公式的错误,从理论与应用两个方面,指出其不能在多传感器信息融合及其相关领域中应用。     

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。     

数据压缩卡尔曼滤波的多传感器精确配准方法

针对多传感器的系统偏差估计问题,提出了数据压缩卡尔曼滤波的精确配准方法。首先采用无偏转换测量模型,利用各传感器局部测量值来构造系统偏差的伪测量方程,然后引入数据压缩方法得到一个合成的测量值,并使用卡尔曼滤波得到偏差估计值。转换模型的无偏特性,保证了即使在测量噪声及系统偏差较大的情形下,估计结果仍然能有较好的一致性和稳定性。同时数据压缩方法可避免传统方法的多次迭代处理,只需一次滤波过程即可完成估计。仿真实验结果表明新方法的估计结果精度良好,同时可有效降低计算耗时。     

异地配置的雷达与电子支援措施异步航迹关联

针对异步条件下雷达与电子支援措施(electronic support measurements, ESM)航迹关联问题, 通过分析方位角异步测量值对交叉定位原理的影响, 提出一种无需时域配准的航迹关联算法。根据传感器存在时延以及采样率的不同, 给出不等长航迹序列的等长区间变换以及异步航迹交叉定位的区间化方法, 通过计算区间序列离散度实现异类传感器航迹关联。通过仿真验证, 区间序列离散度不受噪声分布的影响, 且对数据集整体特征的求解避免了传统算法中的逐点运算, 有效提高了算法运算率。与传统算法相比, 可在多种测量误差场景下对异步航迹直接进行准确关联。     

集中式多传感器群目标灰色精细航迹起始算法

为解决多传感器群内目标精细航迹起始的难题,提出一种集中式多传感器群目标灰色精细航迹起始算法。该算法首先基于循环阈值模型、群中心点完成群的预分割、预互联,然后将预互联成功的群按传感器分成子群,基于灰色精细互联模型剔除同一传感器子群内的虚假量测,并利用量测合并模型消除群内多传感器对同一目标的冗余信息,最后基于灰色精细互联模型、航迹得分完成群内量测的精细互联和航迹输出。经仿真验证,与分布式多传感器修正逻辑法、基于聚类和Hough变换的集中式多传感器多编队航迹起始算法相比,该算法综合性能更优。     

分类信息辅助的多目标跟踪方法研究

多目标跟踪系统的关键技术之一是航迹关联。当传感器能同时得到目标分类信息和运动信息时，本文提出结合分类信息的综合概率数据关联算法，把目标不同信息相结合来提高关联效果。它通过分类混淆矩阵确定分类信息似然函数。再用谊函数调整传统的只利用运动信息的似然函数。使分类信息有效辅助综合概率数据关联．在杂波环境对多个邻近且不同种类目标跟踪情况仿真，比较仿真结果说明所提算法确实提高了多目标数据关联效果。     

基于证据理论的数据关联算法

数据关联技术是多传感器目标跟踪系统中最核心而且也是最重要的部分。由于缺乏跟踪环境的先验知识以及受传感器自身性能的制约,整个量测过程不可避免地引入量测误差,密集环境中的目标跟踪比较困难。针对这个问题,提出的新算法利用概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。     

DSmT理论在综合敌我识别中的应用

战场环境的复杂性要求使用多种传感器对战场目标进行综合敌我识别,而综合敌我识别有待解决的基础性难题之一是如何对异类传感器输出的不确定性信息进行有效处理。针对一包含雷达、红外、电子支援措施和敌我识别器等传感器的综合敌我识别系统,对异类传感器敌我识别过程进行分析,根据其特点提出采用DSmT理论进行决策级融合,同时针对每类传感器构造不同的基本置信指派方法,并进行了算法仿真。实验结果证实了该方法的有效性。