组网冗余MEMS惯性传感器网络优化配置与融合处理方法

针对单个惯性传感器精度与可靠性问题,提出了一种组网冗余微机电系统(micro-electro-mechanical system, MEMS)惯性传感网络优化配置与融合处理方法。首先,研究了多惯性传感器节点的空间配置形式,给出了网络观测模型。利用节点之间的最优化冗余配置策略,提升系统测量可靠性。在此基础上,进一步考虑MEMS陀螺仪和加速度计的安装误差对输出结果的影响,提出了相应的误差模型及校正算法。以随机游走为主要误差源,设计了新型的卡尔曼滤波方法,实现了冗余配置下的高精度导航信息解算。最后,采用自主构建的实验系统进行试验,证明所提出的融合方法能够有效降低陀螺仪和加速度计的随机游走误差。车载试验进一步证明了所提出的方法及系统的有效性。     

组网冗余MEMS惯性传感器网络优化配置与融合处理方法

针对单个惯性传感器精度与可靠性问题,提出了一种组网冗余微机电系统(micro-electro-mechanical system, MEMS)惯性传感网络优化配置与融合处理方法。首先,研究了多惯性传感器节点的空间配置形式,给出了网络观测模型。利用节点之间的最优化冗余配置策略,提升系统测量可靠性。在此基础上,进一步考虑MEMS陀螺仪和加速度计的安装误差对输出结果的影响,提出了相应的误差模型及校正算法。以随机游走为主要误差源,设计了新型的卡尔曼滤波方法,实现了冗余配置下的高精度导航信息解算。最后,采用自主构建的实验系统进行试验,证明所提出的融合方法能够有效降低陀螺仪和加速度计的随机游走误差。车载试验进一步证明了所提出的方法及系统的有效性。     

带有丢包的分布式网络系统的滚动时域融合估计策略

针对具有随机丢包分布式网络系统的状态估计问题,提出了一种带有信息融合策略的滚动时域估计方法.系统中每个节点能够通过网络与相邻节点传输数据,并在丢包时利用零阶保持器采用上一时刻数据来补偿测量值.基于滚动优化原理,传感器节点利用本地测量数据和相邻节点传来的数据将状态估计问题转化为固定窗口内的二次优化问题,并使用标量加权线性...     

非均匀拓扑网络中的分布式一致性状态估计算法

分布式一致性状态估计是传感器网络中节点对目标的一种有效的估计融合方法。针对网络非均匀拓扑情况下的一致性状态估计问题,首先,研究了分布式传感器网络一致性状态估计框架,提出了四级功能模型,从信息处理、交互及融合的角度描述了一致性状态估计技术的主要流程;其次,考虑网络非均匀拓扑时一致性收敛速度较慢的情况,根据节点间通信链接的重要性设计了基于动态拓扑信息的自适应权值分配方法,在此基础上提出了基于自适应加权的卡尔曼一致性滤波(adaptive weighted Kalman consensus filter,AW-KCF)算法。仿真结果显示,AW-KCF在非均匀拓扑的稀疏网络中具有较快的一致性收敛速度。     

多传感器状态融合估计理论在成纸定量估计中的应用

针对工业生产实际中造纸机模型的不确定性,基于多传感器信息融合理论,提出了提高成纸定量估计性能的鲁棒 H∞ 融合估计方法.实验结果表明多传感器融合理论可以在很大程度上提高估计的性能,鲁棒融合估计在纸机测量传感器出现故障时仍能保证较好的估计结果.     

卫星/惯性组合导航事后高精度融合算法研究

高精度的组合导航数据事后融合处理算法是多传感器信息融合处理的重要环节,是对导航系统性能进行评估分析的关键。研究了一种分两步进行的惯性/卫星组合导航信息事后高精度融合算法,在惯性/卫星组合导航卡尔曼滤波算法的基础上,利用最优固定区间平滑滤波算法对惯性/卫星组合导航信息进行再次平滑滤波融合,可以提高组合导航数据事后处理的精度。设计了仿真验证平台,对所提出的融合算法进行了仿真验证。仿真结果表明:基于卡尔曼滤波与固定区间平滑滤波实现的惯性/卫星信息事后融合算法有效、可行,可作为试飞性能评估中确定参考基准的方法。     

多传感器混合多模型估计的记忆分层融合算法

首先提出了两种局部节点交互多模型状态估计的整体先验信息的近似计算方法;其次,为构造全局融合估计的先验信息,给出了基于Dempster Shaffer证据理论的全局模型后验概率的融合方法,并在此基础上给出了全局等效目标运动模型的概念及其计算方法,上述结果使得基于有记忆分层融合算法的交互多模型估计融合成为可能;为利用融合结果改进局部节点的估计性能,首次提出了基于向局部节点反馈全局模型后验概率的融合反馈机制。仿真实验验证了所提分层有记忆交互多模型估计融合算法的有效性,以及引入反馈机制后对局部节点估计性能的改善。     

基于平方根UKF的多传感器融合再入段目标跟踪研究

为了提高再入段目标跟踪的精度,将平方根不敏卡尔曼滤波（unscented Kalman filter, UKF）算法与多传感器分布式融合算法相结合,提出了基于平方根UKF的多传感器融合跟踪算法。在各个独立的传感器中利用平方根UKF滤波器进行状态估计,然后通过分布式融合方法融合各传感器的状态估计值得到全局的状态估计值和误差协方差,将全局误差协方差进行加权对各传感器进行分配更新。通过仿真验证,基于平方根UKF的多传感器融合跟踪算法具有较高的跟踪性能,是一种有效的非线性融合跟踪算法。     

基于量测补偿的多传感器分布式滚动时域估计

针对网络中单个传感器无法对目标状态完全观测的情况,基于量测补偿策略与滚动时域估计方法,提出了一种分布式估计算法。针对网络中单个传感器量测对状态不完全可观测的情况,令各传感器利用其对完全量测的预测来补偿实际量测;进一步针对传感器网络中所有传感器估计的一致性问题,令各传感器利用本身的量测和邻居传感器的传输信息对状态进行滚动时域估计,并在此基础上构造分布式的滚动时域估计优化问题和设计实施算法。仿真结果表明,在整个传感器网络全局可观测的前提下,该算法可以使得传感器网络中的所有传感器实现对目标状态的完整、准确估计。     

带反馈信息的纯方位水下分布式融合算法

针对水下被动目标跟踪的特点，为了改善跟踪性能，本文研究纯方位水下分布式模型中多传感器的状态估计技术。参照雷达系统中的反馈机制，在观测平台有效机动的情况下，利用多传感器量测的方位序列进行状态估计融合。仿真结果表明，融合中心能够完成对目标的状态估计，且引入反馈机制可以明显改善局部传感器的估计精度。这为水下被动目标跟踪的实现，提供了工程应用参考。     

船舶组合导航自适应迭代粒子滤波方法及应用

针对多传感器观测信息较多、粒子采样效率较低的问题,提出了一种自适应迭代粒子滤波(adaptive iterated particle filter, AIPF)算法并应用于船舶全球定位系统/惯性导航系统组合导航系统。首先通过粒子滤波自身迭代进行其重要性密度函数的更新。其次,采用自适应退火参数的模拟退火算法,使当前量测量能够快速进入到采样过程,进而大大提高了采样效率。最后,进行了仿真对比计算以及实船试验,结果表明,AIPF算法不仅可以提供精度较高的导航精度,而且增强了滤波性能。     

多源信息融合的组合导航自适应联邦滤波算法

全球卫星导航系统、捷联惯导、里程计、零速更新等多源信息的融合为地面移动测量系统提供了精确的位置和姿态参考信息。针对进行多源信息融合时,由于数学模型偏差和观测值粗差的影响,传统的联邦滤波不能有效隔离故障子系统的影响的问题,提出了利用验前新息计算联邦滤波的信息分配系数,基于联邦滤波和自适应滤波的等效性和抗差滤波原理,实现实时调整信息分配系数的自适应联邦滤波算法。通过一组车载数据的分析表明,自适应联邦滤波算法相对于传统联邦滤波算法,能有效地抵御观测值粗差和数学模型偏差的影响,显著提高了组合导航系统的精度和可靠性。     

基于模糊控制的WSN移动节点自主导航算法

设计了一种利用无线传感器网络(WSN)节点间通信信号强度信息(RSSI)及网络拓扑结构实现移动节点自主导航的方法。将机器人作为WSN的移动节点,利用RSSI势场量化的坐标空间描述机器人状态及目标位置,有效避免将RSSI值转换为距离时带来的模型误差。由若干个信标节点组成一个基于模糊控制的分布式导航系统,每个信标节点都是一个独立的模糊控制单元,最后由决策控制中心综合各信标节点的输出量决定机器人的航向。仿真和现场实验都表明该方法的有效性。     

SAR/INS/TAN组合导航系统中的滤波算法研究

多传感器组合是提高导航系统定位精度和增强系统容错性的有效手段。在分析惯性导航系统(INS)、合成孔径雷达(SAR)和地形辅助导航系统(TAN)各自特点的基础上,提出了SAR/INS/TAN组合导航系统的组合滤波方案并建立了相应的组合导航系统数学模型。同时,针对图像匹配和TAN所固有的非等间隔量测输出滞后的特点,研究了一种多传感器信息融合的卡尔曼滤波算法,以有效解决此类非等间隔量测滞后的问题。仿真分析可见,该组合滤波算法能大大提高导航精度,是一种行之有效的方法。     

传感器网络中一种能量高效的数据收集算法

为了在无线传感器网络中降低能耗和最大化网络生存期,提出一种能量高效的数据收集算法(energy efficient data gathering algorithm, EEDGA)。该算法利用移动代理模型在网络中进行数据收集。首先,EEDGA根据监测精度的要求控制活动节点的数量;然后,通过求最小支配集得到具体的工作节点;最后,利用蚁群算法规划移动代理迁移的最优路线,移动代理以渐进方式收集活动节点的监测数据。仿真结果表明,与典型算法相比,该算法具有更低的能耗和更长的网络生存期。     

基于鲁棒EKF的MEMS-INS/GNSS/VO组合导航方法

针对传统惯导/卫导组合导航在复杂环境下易受干扰,观测量异常从而影响导航性能的问题,提出了基于鲁棒扩展卡尔曼滤波(extended Kalman filter, EKF)的组合导航方法。设计了基于微惯性导航系统(micro-electro-mechanical system-inertial navigation system, MEMS-INS)、全球导航卫星系统(global navigation satellite system, GNSS)及视觉里程计(visual odometry, VO)的融合框架,给出了在GNSS信号失效情形下的导航滤波模型,并将EKF与Huber方法结合,克服观测量受噪声干扰时对导航性能的影响,以提升系统鲁棒性。经仿真和KITTI数据集验证,MEMS-INS/GNSS/VO组合导航方法在GNSS信号失效时仍能输出较高精度导航结果,且可以较好克服异常观测值对系统的影响,具有较高可靠性和鲁棒性。     

基于磁强计/太阳敏感器的自主导航方法

地磁场矢量是关于卫星位置的函数,利用星载三轴磁强计测量地磁场矢量,并且引入国际地磁场参考模型标准值,即可确定卫星的位置和速度。由于地磁场模型存在不确定性和长期变化性,所以单一使用磁强计自主导航精度有限。提出一种基于三轴磁强计与太阳敏感器相结合的自主导航方法,将太阳敏感器输出的高精度矢量信息与地磁场信息相结合,设计在太阳光照区和太阳阴影区两种情况下基于信息融合的组合导航原理及滤波算法并进行数值仿真,通过对仿真结果进行分析和比较,论证所设计方法既提高了系统的导航精度和鲁棒性,又有利于工程实际应用。     

Distributed event region fault-tolerance based on weighted distance for wireless sensor networks

Event region detection is the important application for wireless sensor networks (WSNs), where the existing faulty sensors would lead to drastic deterioration of network quality of service. Considering single-moment nodes fault-tolerance, a novel distributed fault-tolerant detection algorithm named distributed fault-tolerance based on weighted distance (DFWD) is proposed, which exploits the spatial correlation among sensor nodes and their redundant information. In sensor networks, neighborhood sensor nodes will be endowed with different relative weights respectively according to the distances between them and the central node. Having syncretized the weighted information of dual-neighborhood nodes appropriately, it is reasonable to decide the ultimate status of the central sensor node. Simultaneously, readings of faulty sensors would be corrected during this process. Simulation results demonstrate that the DFWD has a higher fault detection accuracy compared with other algorithms, and when the sensor fault probability is 10%, the DFWD can still correct more than 91% faulty sensor nodes, which significantly improves the performance of the whole sensor network.