多传感器集中式观测融合Kalman滤波器快速算法

对多传感器线性离散时变随机系统,虽然基于Riccati方程的集中式观测融合Kalman滤波器算法可给出全局最优状态估计,但其缺点是要求计算高维逆矩阵,计算负担大。为了克服这个缺点,应用信息滤波原理,基于改进的Riccati方程,或逆预报误差方差阵方程,或逆滤波误差方差阵方程,提出了相应的全局最优集中式观测融合Kalman滤波器的三种快速算法,可避免高维逆矩阵,可明显减小计算负担,便于实时应用,一个数值仿真例子说明了它们的有效性。     

矩阵Padé逼近的一种算法

原有的广义逆矩阵Padé逼近(GMPA),由于要计算较为复杂的行列式,计算量很大。文章将Padé逼近的一些性质推广到广义逆矩阵Padé逼近的情形,给出了广义逆矩阵Padé逼近的一个算法,它可以由较简单的对角广义逆矩阵Padé逼近递推地计算出其它类型的广义逆矩阵Padé逼近     

自校正集中式融合信息滤波器

对于带未知噪声系统和不相关噪声的多传感器随机系统,将基于相关方法得到的噪声方差带入到集中式融合最有信息滤波器,提出自校正集中式融合信息滤波器。同基于Riccatia方程的集中式融合Kalman滤波器相比,它避免了计算高维矩阵的逆,从而减少了计算负担。应用动态误差分析方法,证明了自校正集中式融合信息滤波器以概率1收敛于最优集中式融合信息滤波器,因而具有全局渐进最优性。一个带3传感器跟踪系统的实例说明其有效性。     

噪声相关多传感器系统的微观EKF融合算法

集中式融合滤波对于噪声相关非线性多传感器系统很重要。首先,在扩展Kalman滤波器(EKF)的基础上,利用矩阵求逆引理推导出噪声相关的EKF的一种信息滤波器形式;然后,根据矩阵相似变换理论将其等价分解为具有局部通信的微观滤波器形式。与现有的集中式融合算法相比,新方法保持了相同融合精度的同时,还具备了部分信息滤波器的优良数值计算特点。最后,通过理论分析和计算机仿真相结合的方法来验证了新算法的有效性。     

改进卡尔曼滤波的IRFPA非均匀性校正算法

提出一种改进的卡尔曼滤波的IRFPA非均匀性校正算法,该算法使用求逆引理对传统迭代公式进行求逆变换,使用误差协方差逆阵形式实现迭代过程,使算法计算复杂度由nk×nk阶矩阵求逆降低至nk维对角矩阵求逆,简化了传统卡尔曼滤波算法的递推过程,提高了实时性能．通过对实际采集的红外图像序列进行仿真实验,结果表明：该算法在继承传统校正算法校正精度的同时,兼顾提高了算法校正速度,运行效率可以提高至2倍．     

严格对角占优的对称块三对角矩阵的逆

为了研究严格对角占优的对称块三对角矩阵的逆,利用了转换矩阵产生的关于块的连续两届递归关系及矩阵的代数运算方法,在其求逆的原有的计算公式的基础上,给出了求解严格对角占优的对称块三对角矩阵的逆的一种新的数值算法,在计算复杂度上改进了现有的结果,并在文章最后利用数值算例验证了其有效性.     

多传感器多变量AR模型信息融合辨识方法

对于带白色公共干扰噪声、白色观测噪声和传感器偏差的多传感器多变量自回归（AR）模型,当AR模型参数、传感器偏差和噪声方差未知时,提出了一种信息融合多段辨识方法,其中用多重递推增广最小二乘法（MRELS）得到AR模型参数和传感器偏差的局部和融合估值器,再用相关方法得到局部和融合噪声方差估值器。这些估值器具有一致性。一个仿真例子验证了其有效性。     

具有r-循环矩阵块的分块矩阵求逆阵的算法

文章利用文献[1]给出的r-循环矩阵求逆的欧拉算法，给出了具有r-循环矩阵块的分块矩阵逆矩阵的算法。该方法不需要计算三角函数并且具有很少的计算量。     

基于两个矩阵方程的一种求逆速算法

基于两个矩阵方程，讨论了矩阵的一种快速求逆算法。在考虑矩阵的对称性，稀疏怀及减缩部分逆阵元素后，推导出逆阵块元素B11^-,B12^- 和B12^-的计算公式并给出算法程序实现方案与算例，是一种大幅减少计算机存贮量与计算次数的快速有效算法。     

根据算子方程得到矩阵方程的新方法－基函数展开法

矩量法在计算电磁学中占有重要地位。矩量法是选择适当的基函数和权函数，进而得到矩阵方程。但该方法得到的阻抗矩阵是一个满阵，在复杂电磁学问题中，不论是阻抗矩阵填充还是求逆都会花费大量时间。提出了一种根据算子方程得到矩阵方程的新方法－基函数展开法，并给出应用该方法的一个例子。可看到该方法中不需要选择权函数，且阻抗矩阵是一个对角阵，从而大大节省阻抗矩阵填充时间和求逆时间。     

多传感器分布式信息融合Wiener状态估值器

应用现代时间序列分析方法,基于ARMA新息模型、白噪声估值器和观测预报器,在按矩阵加权、按 标量加权和按对角阵加权的线性最小方差最优信息融合规则下,提出了相应的三种最优分布式融合Wiener 状态估值器,可统一处理融合滤波、平滑和预报问题。为了计算最优加权,提出了状态估计误差方差阵和互 协方差阵的计算公式。同单传感器情形相比,可提高滤波精度。一个带四传感器目标跟踪系统的仿真例子 说明了其有效性和正确性,并说明了三种加权融合估计精度无显著差异,因而采用按标量加权融合器可显著 减小计算负担,便于实时应用。     

利用多输入多输出雷达低秩杂波的降维空时自适应算法

为了抑制机载多输入多输出(MIMO)雷达接收信号中的杂波和有源干扰,提出一种利用MIMO雷达低秩杂波进行降维的空时自适应处理算法(LRC-RD).首先根据系统参数离线构造杂波子空间矩阵,再结合有源干扰加噪声协方差矩阵以及目标空时导向矢量来构造降维矩阵,最后用降维后的数据计算自适应权值.LRC-RD算法可将全维数据维数降为杂波的秩加1,从而降低了计算复杂度和计算自适应权值所需的训练样本数,所以收敛速度快,并且其理论性能可以达到全维处理的理论性能.仿真实验表明,LRC-RD算法在没有误差、样本数为降维后的数据维数的2倍时,其信噪比损失在高速区比基于双迭代的算法和基于子阵划分的算法分别高出约5 dB和17 dB.     

基于信息熵的城轨车辆应变传感器优化布置

针对传统的传感器优化方法在配置数量较多的情况下存在测点聚集的现象，基于信息熵理论分析了优化结果和预测误差间的关系，并提出了一种考虑预测误差的改进优化方法，将归一化模态应变能之和的倒数作为预测误差协方差矩阵的主对角元，非对角元由结合了测点距离和响应水平的指数相关方程表示，以最大化Fisher信息阵行列式值为目标，采用逐步累积法得到最优测点位置.城轨车辆构架有限元计算结果表明，改进的优化方法在三种评价准则的表现上均优于经典方法，并且显著降低了测点聚集效应，证实了改进方法用于转向架构架应变传感器配置的有效性.     

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.     

带有色观测噪声的多传感器ARMA模型信息融合辨识

对带已知有色观测噪声的未知自回归滑动平均模型(ARMA)模型,提出了一种两段信息融合辨识方法:第一段用递推辅助变量(RIV)算法得到自回归(AR)参数的局部和融合一致估值,第二段用Gevers-Wouters算法和用伪逆求解线性方程组方法得到滑动平均(MA)参数和噪声方差的局部和融合一致估值。该方法可用于语言增强信号处理问题。一个仿真例子说明其有效性。     

任意噪声相关异类传感器非线性系统状态矢量融合

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异类传感器非线性系统状态矢量融合算法．该算法考虑了过程噪声和测量噪声以及测量噪声之间的相关性和传感器系统结构的不同性，增加了描述多传感器融合系统的信息量，通过局部估计的组合构造新的变量以去除局部状态之间的相关性，采用顺序滤波的方法减小了异类多传感器融合系统全局状态估计的计算量．仿真结果表明，由于考虑了过程噪声和测量噪声以及测量噪声之间的相关性，状态矢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．     

有界噪声条件下基于集员滤波的扩展目标跟踪方法

现有概率框架下的扩展目标跟踪方法需要已知系统量测噪声统计特性,然而在实际过程中量测噪声大多为边界已知而统计特性未知的有界噪声,其难以利用概率方法对扩展目标运动状态与形态进行计算。针对有界噪声条件下的扩展目标跟踪问题,提出一种基于集员滤波的扩展目标跟踪方法,该方法通过UBB椭球集合对量测噪声进行表示,并采用集员滤波对运动状态集合参数进行计算。在对扩展目标形态估计过程中,结合凸包计算几何理论中的Graham scan算法,求解包含目标形态最大误差的最小边界矩阵,最后利用仿射变换和偏移超曲面计算椭球Minkowski差的边界参数,从而对目标形态矩阵进行更新。仿真结果表明,在有界噪声条件下,相比于传统概率框架下的贝叶斯滤波方法,文中所提出的方法对目标运动和扩展形态的跟踪精度更高。     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.