基于容积变换的平滑变结构滤波及应用

针对非线性系统状态估计中,平滑变结构滤波(smoothing variable structure filter,SVSF)算法要求系统是连续可微的且需要计算系统Jacoby矩阵的问题,提出了基于球面径向基容积规则的平滑变结构滤波(cubature-smoothing variable structure filter,C-SVSF)算法,该算法避免了对非线性系统Jacoby矩阵的计算;同时受计算机计算字长的限制,算法会有一定的舍入误差,误差的积累有时会导致协方差矩阵失去非负定性和对称性,从而使得滤波计算发散。因而进一步提出了C SVSF的平方根形式,即平方根容积平滑变结构滤波算法。最后在动力定位船状态估计仿真实验中,说明了算法的有效性。     

时域宽带矩阵空域滤波器设计方法

提出了一种基于FIR滤波器的时域宽带矩阵空域滤波器设计方法.首先,采用窄带矩阵空域滤波器优化设计方法,设计对应工作频带内各子带的恒定扇区响应空域滤波加权矩阵集.应用该矩阵集元素重构N个宽带基阵加权向量集,设计对应的N个恒定响应空域宽带FIR滤波器,进而构成时域宽带矩阵空域滤波器.该方法实现了对阵元接收宽带数据的时域矩阵空域预滤波,提高了系统的实时信号处理能力.计算机仿真和实验数据处理结果验证方法的有效性.     

图像混合噪声的模糊加权均值滤波算法仿真

针对图像混合噪声提出了一种新型的模糊加权均值滤波算法。该算法以象素的灰度差为基础,通过构建T-S模糊模型来自适应地计算反映各象素噪声污染程度的加权系数,然后通过加权平均算法得出最终结果,因此,该算法能够有效地抑制噪声象素对其邻域象素的影响,极大地改善了滤波效果。基于Matlab的多组仿真实验结果表明,该算法具有很好的普遍性和自适应性,能够比较有效地保护细节信息,对混合噪声有很好的抑制能力。     

基于抗差UD分解滤波的导航星座整网定轨方法

针对我国导航星座的自主定轨问题,提出基于抗差UD(upper triangular matrix diagonal matrix)分解滤波的导航星座整网定轨方法。该方法对卫星轨道参数进行整网估计,通过对所有观测资料加权以避免观测粗差的影响,并利用UD分解算法来避免对协方差矩阵的直接求逆而导致的计算机舍入误差过大从而滤波发散。推导了整网定轨的数学模型,给出了抗差UD分解滤波的详细步骤。通过性能分析和仿真计算表明了该方法的可行性与有效性。     

一种改进的分布式多目标跟踪算法

将多平台分布式的IMM_Kalman(DIMM_Kalman)算法和IMM_JPDA(DIMM_JPDA)算法相结合,得到改进的DIMM_JPDA(DIIMM_JPDA)算法。在DIIMM_JPDA算法中,每个平台都有自己独立的IMM算法跟踪系统,每个IMM算法中都采用Kalman/JPDA滤波器,全局的滤波值由各平台的滤波值融合而成。然而在全局融合中,由于协方差矩阵可能出现奇异,导致计算的不稳定性或出现严重异常。为了克服上述问题的缺点,引入了特征值扰动方法,使该协方差矩阵变成非奇异矩阵。仿真实验表明改进的DIIMM_JPDA算法比DIMM_JPDA算法有更小的误差。     

衰减记忆自适应滤波在惯导系统传递对准中的应用

针对滤波稳定性问题,提出了一种改进的衰减记忆自适应滤波算法。通过引入衰减记忆滤波矩阵,根据残差序列输出的互不相关性,在线自适应地调整衰减因子,从而使衰减记忆滤波工作在最佳状态。将该算法应用于惯导系统的传递对准过程,仿真结果表明在模型和噪声统计特性的先验信息不准确时,该算法优于传统的卡尔曼滤波。     

一种无迹粒子PHD滤波的多目标跟踪算法

针对粒子概率假设密度滤波(P-PHDF)算法估计精度低、滤波发散和粒子退化的缺陷,提出了一种无迹粒子PHD滤波(UP-PHDF)算法.该算法以UKF算法产生重要性函数并从中采样通过观测值更新粒子的权值,再用加权的粒子估计PHD函数,进而得到优化的状态估计均值和方差进行传播最后,对UP-PHDF算法进行了分析和实现,并将该算法和P-PHDF算法进行了比较.仿真结果表明,UP-PHDF算法不仅大大提高了滤波估计的精度,同时提高了跟踪系统的稳定性和鲁棒性.     

一种基于粒子滤波的被动多传感器多目标跟踪算法

针对被动观测系统中非线性运动多目标跟踪问题,提出了一种基于交叉定位的模糊-概率双加权粒子滤波跟踪算法.算法利用多个被动传感器的角度观测信息进行交叉定位,得到目标的位置观测信息,通过模糊-概率双加权完成目标与定位点的关联匹配,最后利用粒子滤波对非线性运动的目标进行跟踪;其中关联算法和滤波算法的有效结合是该算法的创新点.仿真结果表明,所提出的算法可以准确地排除虚假定位点,可有效跟踪多个非线性运动目标.     

分散鲁棒滤波器的设计

针对鲁棒滤波法计算量大和递推过程复杂的不足,通过等价推导,在线改变γf的值,设计了分散优化鲁棒滤波法,使得鲁棒滤波算法递推简单,避免了直接计算滤波增益阵,并减小了主滤波器计算负荷。将该算法应用于GPS/INS系统,仿真结果表明：该方法能在维持系统鲁棒性的同时又提高滤波精度,具有一定的工程实用价值。     

未知转换概率矩阵下的机动目标跟踪算法

机动目标跟踪过程中的转换概率矩阵往往是未知的,系统状态也将呈现非线性、非高斯、不完全观测的特点。传统的方法如交互多模型、广义伪贝叶斯算法等解决该类型问题的效果并不理想。将准贝叶斯法则和辅助粒子滤波算法相结合,提出了一种新的未知转换概率矩阵条件下的机动目标跟踪算法(QB-APF)。仿真结果表明,该算法与其他方法相比具有更高的滤波精度和较好的数值稳定性。     

Uncertain information fusion with robust adaptive neural networks-fuzzy reasoning

1 .INTRODUCTION Under increasingly complex operational circumstances ,there exists uncertain information in the sensors andthe networks of the multi-sensor system. The uncer-tainty occursin various manners ,e.g.the uncertaintyof multi-sensor systemstructure (includingthe dynam-ic ti me-variation property) and the uncertainty of theinformationitself (including fuzziness (containing am-biguity) ,randomness ,incompleteness (including de-fectiveness) as well as roughness) . And uncertainin-for…     

模糊数据融合在组网雷达数据关联中的应用

提出了运用模糊数据融合理论解决组网雷达系统中数据关联问题的一种算法 ,采用隶属函数和模糊矩阵实现跟踪过程中点迹和航迹的关联配对 ,克服了传统的硬判断及目标数增加时计算饱和的缺点。该算法简单易行 ,适于工程应用。     

矩阵对角化变换鲁棒QCKF在视觉和惯性融合姿态测量中的应用

视觉和惯性融合姿态测量系统,可以发挥视觉测量重复性、稳定性好和惯性测量输出频率高、不受环境光干扰的特点。针对融合测量中,系统噪声和观测噪声的统计特性不完全可知及在出现异常测量值时融合测量鲁棒性较差的问题,提出一种基于矩阵对角化变换的鲁棒四元数容积卡尔曼滤波(quaternion cubature Kalman filter, QCKF)算法,分析了鲁棒滤波参数对测量系统鲁棒性和测量准确度的影响,使用矩阵对角化变换代替标准CKF中的Cholesky 分解以改善数值计算的稳定性。结合搭建的视觉和惯性融合姿态测量系统平台,实验结果表明与标准CKF算法相比,具有更高的准确度、鲁棒性以及稳定性。     

基于平方根CKF的多传感器序贯式融合跟踪算法

为了提高非线性序贯式融合跟踪算法的精度,提出了基于平方根容积卡尔曼滤波器的多传感器序贯式融合跟踪算法。该算法使用三阶容积数值积分原则计算非线性过程的均值和方差,克服了扩展卡尔曼滤波器存在的滤波精度低及平方根无迹卡尔曼滤波器存在的参数复杂的缺点。同时,在滤波递归过程中以协方差平方根矩阵代替协方差矩阵,这样确保了滤波算法的数值稳定性,提高了跟踪的精度。最后用已知弹道系数的再入段弹道跟踪模型对所提算法的性能进行仿真测试。仿真结果表明,所提算法具有很好的跟踪性能,是一种有效的非线性序贯式融合跟踪算法。     

High-precision Positioning and Deformation Monitoring Analysis of BD/GPS Based on Improved Kalman Filter Fusion

The real time kinematic of global positioning system(GPS-RTK) provides precise positioning for bridge deformation monitoring and monitoring bridge health status. In order to solve the problem that the satellite signal is vulnerable to the influence of the positioning environment when monitoring bridges in the valleys and urban buildings~([1]), and the problem that Kalman fusion algorithm is difficult to detect the divergence caused by interruption or wrong data~([2]). This paper proposes an improved Kalman filter fusion position method based on the BD/GPS fusion positioning. This improved algorithm introduces the environmental information. The confidence level is calculated with membership function by defining the confidence region of sensor, so as to the fusion weight coefficient is determined. This paper analyzes the performance of BD/GPS positioning in bridge monitoring through comparing the traditional fusion method with the improved fusion method. Experiments show that the improved algorithm eliminates the problem of error divergence; the average number of visible satellites in BD/GPS fusion positioning is increased by 7 compared with that of GPS single system positioning,the GDOP value is reduced by 21.83%, and the positioning error is reduced by 2.51 cm. The feasibility of all-weather monitoring in the mountains, buildings and other areas is verified, and millimeter accuracy is provided, which greatly improves the performance of bridge deformation monitoring.     

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。     

基于多传感器的雷达对抗侦察数据融合算法

为提升复杂电磁环境下雷达对抗侦察系统的可靠性及抗干扰能力, 提出了一种基于多传感器融合的综合权值估计算法。首先由各传感器对原始数据进行分批估计得到局部期望及方差, 然后利用四分位离散度剔除异常数据, 接着针对局部估计结果通过测度算子以及自适应融合估计算法分别确定各传感器权重, 最后利用综合权重进行加权得到融合结果。仿真结果表明, 所提算法在不同情况下均能得到较高的融合精度, 较现有算法具有更好的适应能力及准确性。     

基于权矩阵低秩逼近的MIMO OTHR多模SDC抑制算法

扩展多普勒杂波是天波超视距雷达(over the horizon radar,OTHR)慢速舰船目标检测面临的关键问题。在新一代多输入多输出天波超视距雷达系统下,基于最小方差无失真响应(minimum variance distortionless response,MVDR)权矢量,提出一种权矩阵低秩逼近的多模扩展多普勒杂波抑制算法。利用阻塞矩阵进行数据预处理,并利用“发射〖CD*2〗接收”二维权矩阵的特征分解对双迭代MVDR算法进行了多级扩展,在减小了计算量和样本需求的基础上,进一步改善俯仰空域滤波的输出信杂噪比,提升OTHR对低可探测慢速舰船目标的检测性能。理论分析和仿真验证了算法的有效性。     

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.     

一种权值在线学习的分布式检测系统的融合算法

研究了一种基于最小错误概率准则的权值在线学习的分布式检测系统的融合算法。该算法能够根据观测数据的变化,自动在线调整权值大小,逐步改善系统的检测性能。计算机仿真结果表明,该算法能够较快地收敛到最优解。