多传感器组网系统空间配准算法

传统的偏差配;住技术多基于球极投影,当传感器距离较远时,给配准结果引入一定的偏差,使用地心地固（ECEF）坐标系,以一个传感器为融合中心,提出了多传感器动态偏差的估计模型,能较好地解决了远距离偏差估计问题,由于的最小二乘法和广义最小二乘法不能满足实时动态系统配准,提出利用序惯卡尔曼滤波算法实现动态系统偏差估计,通过仿真试验说明该模型和算法能有效地进行传感器动态偏差估计．     

采用熵函数法的多传感器空间配准算法的研究

针对传感器空间配准问题,提出了一种基于滑窗法的极小化极大熵函数的传感器空间配准算法。该算法使用熵函数作为优化准则,根据传感器的量测模型推导出关于传感器系统偏差的目标函数,然后借助极大熵函数的思想,将目标函数的绝对值转化为对应的极大熵函数,并且使用拟牛顿法求得的极大熵函数的解作为传感器系统偏差的估计值。在单目标跟踪场景和多目标跟踪场景下,与传统传感器空间配准算法在相同的仿真条件下进行对比,仿真结果表明,所提算法能够有效地提高传感器距离量测和角度量测系统偏差的估计精度,从而实现高精度的空间目标跟踪。     

多平台多传感器多源信息融合中的时空对准研究

讨论了多平台多传感器多源信息融合的时空对准的一般方法，并给出了一种适用于最优估计的平台间对准方法的数学模型。最后给出了基于这种配准模型的EML算法和仿真结果。     

多传感器中传感器配准技术发展综述

多传感器配准技术是多传感器数据融合中的一个重要环节。文中介绍了多传感器配准误差源的主要来源及配准方法，综述了现有的多传感器配准技术，最后提出了采用神经网络和知识库以及智能计算相结合的方法来解决配准这一难题。     

多传感器数据融合与航迹预测的模型设计

文中建立了功能完整的多传感器数据融合模型,使用最邻近数据关联(NNDA)算法提取目标航迹,采用三次样条插值实现时间配准,并将传感器性能作为权重应用到航迹对的融合中,使用加权平均的方法融合航迹对.引用回声状态网络(ESN)技术实现航迹的预测.基于雷达数据在不同运动场景中测试模型性能,对于匀速直线运动和机动转弯的目标,模型具有较高的跟踪和预测精度.     

抗野值多速率模型及交互式多传感器状态融合

针对状态估计中野值问题进行研究.基于HongLong多速率模型,引入小波变换进行奇异值检测,在时频域将野值剔除;同时利用子波分解抽取多速率信息用以状态估计,从而建立了抗野值的多速率模型.该模型用于集中式多传感器IMM融合算法,形成抗野交互式多速率多传感器滤波算法.仿真结果证明了该算法对观测中的野值有良好的抗干扰性,并且通过抽取观测序列包含的多速率信息实现了对目标状态的精确估计.     

一种准自动多传感器图像配准方法

针对现有多传感器自动配准方法存在的应用局限性，提出了一种人机交互式粗—精结合的准自动配准方法．先选取少量控制点进行粗匹配，在此基础上利用整体图像信息进行精匹配．该方法将基于特征和基于区域的配准方法进行了有效结合，从而保证了配准的精度和效率，取得了令人满意的效果．此方法可以作为现有的自动配准方法的补充．     

桥梁健康监测中多传感器的时空数据配准分析

 针对桥梁健康监测中多传感器数据的可信性及准确性问题,提出了一种二维数据处理模型.首先利用最小二乘法对异步测量数据进行时间配准,再通过几何坐标转换算法进行空间配准,将测量数据置于同一个时间和空间的坐标系中,使得数据具有可信性;并在时空数据配准处理后利用卡尔曼滤波的方法减小系统误差,这样数据具有了准确性.仿真结果表明:该模型有效提高了桥梁健康监测中传感器网络所采集数据的可信性与准确性.     

目标机动性未知时的多平台交互式多模型融合算法

多平台的交互式多模型（IMM）Kalman滤波器是一种比较有效的机动目标跟踪估计方法．但当目标存在未知机动时,基于模型的估计器的精度就会下降．目标跟踪中的输入估计技术可对未知机动性进行估计．本文在给出过程噪声和量测噪声相关情况下最小方差无偏（MVU）输入、状态滤波估计的基础上,提出了基于上述滤波器的分布式IMM多传感器多平台融合算法．仿真表明了该算法的有效性．     

抗野值多速率模型及交互式状态估计

基于HongLong多速率模型，引入小波变换进行奇异值检测，快速剔除野值；利用子波分解抽取多速率信息用于状态估计，建立了抗野值多速率模型，结合交互式多模型算法，形成野值条件下的机动目标状态估计算法。仿真结果表明，该算法对观测中的野值有良好的抗干扰性，并且通过抽取观测序列包含的多速率信息实现了对目标状态的精确估计。     

基于粗糙熵和目标威胁等级的多传感器管理方法

随着现代化武器平台的快速发展,多传感器管理在信息融合系统中所占据的地位越来越重要,因此,需要对有限的传感器资源进行科学合理的管理,提高防空作战能力.针对多传感器资源管理优化问题,分析了粗糙熵的定义,提出了基于粗糙熵和目标威胁等级的多传感器管理方法.该方法通过计算传感器对目标的粗糙熵,获得每个传感器对每个目标最大的信息增益,以此作为代价函数,考虑目标的威胁等级,利用线性规划思想进行多传感器对多目标的优化分配,实例分析表明了该方法的有效性.     

基于激光雷达和摄像机融合的智能车障碍物识别方法研究

针对智能车环境感知中单一传感器所存在的局限性问题,本文提出一种通过激光雷达融合摄像机来感应识别智能车前方障碍物的方法。首先,通过激光雷达与摄像机之间的校准,来实现目标的三维数据的图像投影,并进行视觉图像与目标的三维雷达数据的融合,以提取障碍物候选区域。其次,提出了一种基于卷积神经网络和SVM的障碍物识别模型,用于训练KITTI数据库中的数据,检测视觉图像中的行人和车辆目标,以此来得到所需要的单帧下各传感器的目标检测数据。实验结果表明,所提出的模型在KITTI中选择的小数据集上获得的模型在实际测试中具有良好的性能,具有可靠的识别能力和良好的分类结果。     

传感器建模及其相关问题

该文综述了传感器建模的３种方法,这３种方法以概率方法为基础,包括依赖于传感器本峰物理特性的观测模型,描述多传感器中传感器信息动态特性的相关模型以及说明传感器观测与传感器状态之间关系的状态模型。     

面向城市道路交通的传感器组网优化

从传感器所反映的道路交通信息价值出发,给出基于信息度的宏观交通状态描述方法,提出传感器信息度函数,描述交通传感器信息的空间分布特征。探讨交通传感器信息的信息价值并给出标定模型,在此基础上提出基于交通事件的传感器组网要解决的问题和组网目标,建立基于综合信息价值最大的动态组网优化模型,给出动态组网模型的求解方法和实施步骤,最后通过实例对本方法进行验证。研究结果表明:实例中,当选择12个传感器组网时,可得到传感器单位时间最大综合价值为553.442元/h,达到组网的最优结果。本模型能够实现基于交通事件的动态组网,并能够给出满意的组网结果。     

无线传感器网络中的移动式目标跟踪

针对传统无线传感器网络进行移动目标跟踪时能耗过高的问题,提出一种基于移动节点和固定节点协同工作的移动式目标跟踪算法.在传统的由固定节点组成的无线传感器网络中加入少量移动节点,对移动目标进行持续性跟踪.通过移动节点和普通固定节点之间的配合,提高监测质量和容错性,在满足既定监测质量要求的前提下,尽可能地减少参与监测的普通固定活跃节点的数量.仿真实验结果表明:所提出的跟踪方法可以有效地降低固定节点的能耗,延长网络生存期.     

测量线性工作台滚转角误差的多探头法

针对线性工作台运动过程中的滚转角误差,提出一种多探头测量方法．与传统的用2个位移传感器和1个具有高平面度的感应物测量滚转角误差的方法相比,所提出的方法利用4个位移传感器,无需高平面度的感应物,更容易实现测量．分析了各项几何误差对传感器读数的影响,利用顺序两点法采集传感器信号．根据传感器融合技术,得到滚转角误差的差分表达式;对测量系统进行了灵敏度和仿真分析．仿真和实验结果表明了该测量方法的可行性．     

基于改进CNN-GRU网络的多源传感器故障诊断方法

提出一种复杂系统内多源传感器的故障诊断方法.利用多源传感器数据之间的相关性,使用卷积神经网络提取不同传感器之间的联系和特征.在卷积网络中,设计了传感器数据标定模块使得网络更关注学习与故障信号相关的传感器数据.利用循环网络对传感器自身的时序特征建模,引入跳跃连接和辅助损失函数降低网络的训练难度.最后综合时空特征,一次计算得到故障分类结果和故障参数估计.仿真结果表明,改进后的CNN-GRU网络能够实时准确地诊断传感器的固定偏差故障和漂移偏差故障,传感器数据标定模块和跳跃连接的引入有效地提高了诊断算法的准确率和精度.      

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。     

基于正态截断模型的被动传感器目标跟踪算法

被动传感器只能获得目标的角度信息而无法获得位置信息,因此单被动传感器对目标进行跟踪时难以满足可观测性条件.对单被动传感器高斯-厄米特滤波的量测模型进行扩维,建立了多被动传感器高斯-厄米特滤波模型.由于Singer模型只适用于匀速和匀加速范围内的目标运动,对于强烈的机动将引起较大的模型误差.而正态截断模型本质上是非零均值时间相关模型,能够更加真实地反映目标机动泛围和强度的变化,是目前较好的实用模型.文中基于正态截断模型提出了只有角度量测的双被动传感器高斯-厄密特机动目标跟踪算法,仿真结果表明,该方法能够对机动目标进行稳定的跟踪.     

DOA估计的可靠性评判及多阵列三角定位

提出了一种DOA（derection of arrival）估计可靠性评判准则，试验数据验证了该可靠性评判准则的有效性。DOA估计误差分析表明，目标信号信噪比、传感器失效和采集系统故障等原因均可能导致传感器信号相关性下降或者丢失，而使得DOA估计出现重大偏差；利用可靠性条件，能够方便判定估计DOA的可靠程度。将DOA估计算法及可靠性条件，应用到多DOA三角定位试验中，定位结果表明，该可靠性条件能够有效避免目标位置估计出现野值。