基于不敏Kalman滤波的多传感器数据融合算法

针对非线性系统状态估计的有效融合问题,给出了一种基于不敏Kalman滤波的多传感器数据融合算法.首先,依据单传感器的量测利用不敏Kalman滤波器得到局部状态估计值;其次,依据模糊集合理论中隶属度的性质构建反映局部状态估计结果的支持度函数和支持度矩阵,进而实现对于各局部状态估计之间蕴含冗余和互补信息的充分提取;最终,通...     

基于多模自适应滤波算法在 装备组合导航系统的应用

为满足在复杂环境下装备导航定位需求,本文提出了一种对组合导航系统进行多源信息融合以获得高精度、高容错位置修正信息的设计方法.该方法通过改进联邦卡尔曼滤波算法和滤波器设计,建立一种基于北斗/GPS/SINS组合导航系统的多模自适应估计的联邦滤波器,通过多源数据优化融合有效提升装备组合导航系统精度及可靠性,为其提供准确的地理位置、周边地形以及道路交通等信息,帮助作战人员实时获取目标状态并引导精确导航,有效提升装备作战使用效能.仿真实验表明:该方法与单一模型的联邦滤波器相比,不仅能进一步提升系统的容错性及高精度定位能力,还便于对各导航子系统的故障进行隔离定位,具有较大的工程应用价值.     

带有等式状态约束的多传感器数据融合算法

在状态估计理论的实际应用中,状态向量常常包含可以预先获知的约束信息,有效地利用这些先验信息可以进一步明确状态元素之间的关系,理论上可以提高对系统的状态估计精度.针对约束滤波的已有研究成果,将其引入到多传感器系统,提出了约束系统多传感器数据融合算法.通过建立线性等式约束方程,将传统卡尔曼滤波结果投影到约束子空间,然后对局部传感器的约束滤波结果采用分布式最优加权融合,并且通过协方差匹配技术检测观测数据异常的传感器,使之不参与到数据融合中.仿真结果表明,约束系统分布式加权融合算法的有效性和可行性,并且比集中式融合算法具有更好的稳定性.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

任意相关噪声线性系统异步状态向量融合

基于线性无偏最小方差估计理论,提出了一种任意相关噪声线性系统异步状态向量融合算法.该算法将融合中心的采样周期设定为传感器测量周期的最小公倍数,使得传输到融合中心的局部状态估计在每个周期内具有相同的数目,减少了跟踪滤波的计算量.在跟踪滤波器的增益阵中引入测量噪声与过程噪声的相关量和测量噪声之间的相关量,增加了描述多传感器融合系统的信息量.仿真结果表明,状态向量融合算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善.     

一种基于雷达和红外的粒子滤波融合跟踪方法

针对Kalman滤波不能处理雷达与红外传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.该算法通过利用量测方程的非线性分析和粒子滤波器计算状态估计值,从而以线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度,同时减小了计算量.     

广义系统最优与自校正信息融合滤波器

对带多个传感器广义离散随机线性系统,利用典范型分解,基于线性最小方差各分量按标量加权融合算法,给出了多传感器分布式最优分量融合降阶滤波器,它要求并行计算一系列标量权重。推得了任两个传感器子系统之间的滤波误差互协方差阵的计算公式。同时当系统含有未知噪声统计信息时,基于相关函数又给出了分布式自校正分量融合降阶滤波器。与各局部估计以及状态向量按标量加权融合估计相比,分量融合滤波具有更高的精度。仿真研究验证了其有效性。     

逆协方差交叉融合鲁棒Kalman滤波器

分布式状态估计系统通过将多个传感器状态融合以得到更精确的融合结果,当传感器之间的协方差未知时,常采用保守估计的策略,但结果精确度较差。为了在传感器之间互协方差未知时得到更精确的融合结果,引入了逆协方差交叉算法,将其与局部稳态Kalman滤波器相结合,提出逆协方差交叉融合鲁棒Kalman滤波器。它克服了协方差交叉融合（CI）算法保守的缺点,证明了ICI的精度高于CI的精度,并基于协方差椭圆给出ICI、CI和局部传感器精度的几何解释。通过两传感器系统的蒙特卡洛仿真例子表明,其实际精度相比于CI融合鲁棒稳态Kalman滤波器更接近于带已知互协方差的最优融合器的精度。     

多传感器信息融合技术在侦察系统中的应用

分别阐述信息融合的基本概念和多传感器侦察系统中信息融合的模型设计,重点分析Dempster-Shafer证据推理理论在多传感器侦察系统信息融合中的应用。     

多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

基于联合卡尔曼滤波器的燃料电池传感器故障检测与容错研究

介绍了基于多传感器信息融合技术的联合卡尔曼滤波器的结构和算法，并将此方法运用于燃料电池发动机多传感器的复杂系统中．理论分析与仿真结果表明，该联合卡尔曼滤波器设计合理，其融合算法具有全局最优性，能够有效地对燃料电池发动机传感器的故障进行检测，改善了系统的容错能力和复原能力，提高了系统运行的稳定性．     

基于联合卡尔曼滤波的汽车防碰撞多传感器信息融合方法

车辆行驶信息感知是汽车防碰撞系统的关键技术之一,只用单一传感器对目标车辆进行测量容易产生虚警.在对联合卡尔曼滤波分析的基础上,给出了基于联合卡尔曼滤波的汽车防碰撞多传感器信息融合方法.计算机仿真结果表明,该算法可以得到较精确的融合数据,对于增强汽车防碰撞系统的安全性具有重要意义.     

修正的D-S证据理论在液压故障诊断中的应用

针对液压系统出现故障隐蔽性强、可变性强的问题,给出基于修正的D-S(Dempster-Shafer)证据理论的多传感器时空域信息融合方法。通过测试待诊断部分的压力、温度、流量并结合经验值,得到各部分信度函数分配,根据D-S组合、决策规则,对多个传感器多个测量周期的时空域信息进行融合,识别出故障部分。实验表明:该方法在证据高度冲突时仍有效果并有效防止了指数爆炸现象,算法简单,能准确定位故障。     

证据理论在旋转机械综合故障诊断中应用

针对旋转机械故障诊断中在同一征兆域中很难区分多种故障的实际情况,研究利用其他征兆域的诊断信息,进行全局信息融合,从而获得更为准确的故障定位,提出一种基于神经网络和Dempster-Shafer证据理论的多参数综合诊断系统模型,在该模型中采用证据理论的组合规则进行局部和全局信息融合,得出较好的诊断结果。     

Multi-sensor federated unscented Kalman filtering algorithm in intermittent observations

Aiming at the adverse effect caused by limited detecting probability of sensors on filtering precision of a nonlinear system state,a novel multi-sensor federated unscented Kalman filtering algorithm is proposed.Firstly,combined with the residual detection strategy,effective observations are correctly identified.Secondly,according to the missing characteristic of observations and the structural feature of unscented Kalman filter,the iterative process of the single-sensor unscented Kalman filter in intermittent observations is given.The key idea is that the state estimation and its error covariance matrix are replaced by the state one-step prediction and its error covariance matrix,when the phenomenon of observations missing occurs.Finally,based on the realization mechanism of federated filter,a new fusion framework of state estimation from each local node is designed.And the filtering precision of system state is improved further by the effective management of observations missing and the rational utilization of redundancy and complementary information among multi-sensor observations.The theory analysis and simulation results show the feasibility and effectiveness of the proposed algorithm.     

广义联邦滤波器的设计与实验

为了克服联邦滤波器理论中对滤波器维数的限制,基于信息滤波算法和信息分配原理,发展了广义联邦滤波器设计理论。提出了当主滤波器维数和局部滤波器维数不相同时,广义联邦滤波器达到全局最优的解析补偿方法。并将上述设计方法应用到双MIMS/GPS组合导航系统实验中。实验结果表明:经解析补偿的广义联邦滤波器的定位精度同集中Kalman滤波器的定位精度十分接近,具有全局滤波最优性。广义联邦滤波器的设计使联邦滤波理论更加完善,增强了其实用性。     

多传感器ARMA信号观测融合Wiener滤波器

利用现代时间序列分析方法,基于ARMA新息模型,提出了多传感器加权观测融合Wiener信号滤波器.可统一处理信号融合预报、滤波和平滑问题.同集中式观测融合方法和分布式状态融合方法相比,不仅可得到全局最优Wiener信号滤波器,而且可显著地减小计算负担,便于实时应用.一个两传感器位置跟踪系统的仿真例子说明其有效性.     

容错联邦强跟踪卡尔曼滤波算法在组合导航中的应用研究

提出了一种改进的联邦强跟踪卡尔曼滤波算法,并将其应用于MSINS／GPS浅组合中。采用了三层容错结构,能够有效地检测出数据粗大误差、GPS速度跳变以及滤波器误差估计的故障,及时进行故障隔离,从而使系统具有良好的容错能力。仿真结果表明,联邦强跟踪卡尔曼滤波算法解决了量测相关、GPS速度跳变和初值选取敏感性等问题,可以提高系统的实时性、鲁棒性和容错性能。     

车载GPS/DR组合导航系统卡尔曼滤波方法的改进

将全球定位系统(GPS)和航位推算法(DR)两种定位方式结合,实现车辆GPS/DR组合定位系统的自适应信息融合.联合卡尔曼滤波器存在数学模型不确定性和误差模型的随机性的缺点,提出改进方法是采用联邦滤波器,并引入利用模糊推理建立的模糊自适应联邦滤波器,提高了系统的精度和功能.     

Evidential Reasoning in Air Battle Systems

Bayesian statistics assigns basic probabilities to singletons （single element sets）. The Dempster-Shafer evidence theory generalizes Bayesian statistics by assigning basic probabilities to subsets to represent evidence and to develop evidential reasoning. This paper discusses what is the strength of evidence theory. As an application of evidence theory, evidential reasoning in air battle systems is discussed. In the air battle system, evidential reasoning is applied to fuse the muitisensor iaformation and identify the type of aircraft. The effectiveness of this fusion approach is evaluated by simulated data.