一类噪声相关多传感器系统的新型序贯式融合滤波

对于过程噪声与观测噪声一步互相关、各观测噪声一步自相关的多传感器融合滤波问题,提出了一种新的低维序贯式融合滤波算法.基于低阶迭代正交变换的思想提出了解相关的方法,将观测方程经过等价改写去除系统噪声的相关性,然后依据序贯滤波的思想,依次处理到达融合中心的观测信息,进而得到一类实时序贯式融合滤波算法.整个推导过程在线性最小均方误差意义下严格进行,能够实现系统状态的最优融合估计.最后的仿真验证了新算法在处理上述噪声相关问题上的最优性.     

含状态约束的分布式多传感器数据融合

从理论上研究了含状态约束的分布式多传感器数据融合中的状态估计问题．在单传感器Kalman滤波方程和无约束的分布式融合算法的基础上,考虑状态等式约束条件,提出了一种新的含状态约束的分布式融合估计算法,指出并证明了该融合估计所具有的数学性质．     

同类多传感器自适应加权估计的数据级融合算法研究

针对同类多传感器测量中含有的噪声,提出了多传感器数据自适应加权融合估计算法,该算法不要求知道传感器测量数据的任何先验知识,依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,并在理论上证明了该估计算法的线性无偏最小方差性.仿真结果表明了本算法的有效性,其融合结果在精度、容错性方面均优于传统的平均值估计算法.     

无序量测下的多传感器观测噪声融合估计

本文采用直接更新法,给出了噪声相关情况下的各局部传感器观测噪声更新估计算法;给出了观测噪声线性最小方差意义下的最优对角阵加权融合更新估计算法．     

一种基于事件触发的分布式卡尔曼一致性滤波算法设计

针对无线传感器网络中存在的通信带宽受限等问题,设计了基于事件触发的分布式卡尔曼一致性滤波算法.采用增量发送的传输机制,每个传感器仅在当前时刻观测值与最新触发时刻观测值之间的差值平方超出阈值时,才将观测值发送到相应的估值器.而每个估值器都可以通过时间触发的规则从其邻居节点接收到估计值.为了避免估值之间互协方差矩阵的计算,通过局部最小化方差的上界提出了事件触发的分布式卡尔曼滤波器.基于李雅普诺夫方法证明了算法在均方意义下的指数有界性.数值仿真验证了事件触发的阈值越小,通信率越高且滤波器的估计精度越高;否则,通信率越低且估计精度越低.     

对于目标跟踪系统的未知观测噪声的信息融合多步估计算法

对于一个目标跟踪系统,当用多个传感器对其进行跟踪时,针对传感器观测过程中存在的未知观测噪声,该文提出一种信息融合多步估计算法.该算法第1步将状态方程转化为自回归滑动平均模型(ARMA模型)形式,第2步对ARMA模型用递推增广最小二乘法估计出未知参数的估值,第3步用相关函数法得到对未知观测噪声的无偏估计.最后用数学方法证明了估值相对于真实值在数学意义上的收敛性,并用Matlab对一个例子做了仿真.     

面向移动传感器网络的自适应一致性融合估计方法

研究了具有时延和通信拓扑变换的移动传感器网络（MSN）分布式融合估计问题.结合无色信息滤波、自适应一致性算法并考虑通信时延而设计的基于自适应一致性的融合结构,提出了一种名为基于自适应一致性的分布式无色信息滤波（AC_DUIF）的分布式融合估计算法.以空中移动传感器网络跟踪移动目标为例,通过仿真验证了所提算法的性能.仿真结果表明,该方法能够在以分布形式提高网络中各节点对目标位置估计精度的同时,保证节点之间的一致性,并具备对网络通信延时的适应能力.     

噪声相关下含无序量测的多传感器信息融合估计

多传感器跟踪系统中因通信延迟常会出现无序量测现象,为了提高系统估计精度,采用直接更新法对状态进行更新估计,并针对噪声相关下含无序量测的多传感器系统,提出了矩阵加权最优信息融合状态估计算法,考虑了过程噪声和量测噪声的相关性以及局部估计的误差相关性.仿真计算验证了算法的有效性.     

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.     

带相关噪声的观测融合稳态Kalman滤波算法及其最优性

对于带相关的输入白噪声和观测白噪声及相关观测白噪声的多传感器线性离散定常随机系统,用加权最小二乘(wLs)法提出了一种加权观测融合稳态Kalman滤波算法,并基于信息滤波器证明了它同集中式观测融合稳态Kalman滤波算法功能的等价性.因而,它具有渐近全局最优性,且可减少计算负担.一个跟踪系统数值仿真例子验证了它的功能等价性.     

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．     

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.     

多传感器稳健融合跟踪算法

讨论了多传感器融合跟踪的稳健性算法．针对集中式多传感器的融合跟踪结构,采用统计方法和随机逼近方法分析了传感器最优权的选取原则,得出了传感器融合对公共测量噪声没有影响的结果．依据最优选取原则给出了两种自适应融合跟踪算法,算法能在线适应传感器性能的变化,并使融合方差最小．采用典型航路进行了算法仿真,结果验证了理论分析的合理性和工程应用有效性．     

真实和虚拟传感器多层信息融合算法

基于最优估计理论,提出了一种多层传感器的复合融合估计算法．该方法采用了由真实传感器和虚拟传感器组成的复合融合结构,以解决测量噪声干扰下参数估计问题．在该结构中,第1层物理真实传感器测量所得数据,按照加权融合算法,经过多层虚拟传感器的递推融合得到多层融合后的估计值．虚拟传感器的层数增加时,融合后总的估计误差将减少、虚拟传感器是由算法和软件实现的,不会增加测量系统物理结构的复杂性．计算机仿真结果表明：此方法在减少测量误差方面比传统的直接估计方法有明显的改善．     

基于多传感器抗差融合的UKF弹道跟踪算法

弹道跟踪测量过程中,由于环境的复杂性和测量机制自身的问题,测量数据不可避免存在异常值等.传统的加权观测融合估计算法往往直接对来自各个传感器的测量数据进行处理,忽略了数据质量问题对滤波精度的影响.为解决此问题,在加权观测融合算法的基础上引入抗差估计理论,根据观测融合值与融合预测值,计算测量融合残差向量、抗差权重因子和融合观测向量等价协方差阵,实现了异常值的实时分离与修正,解决了融合过程中由于测量数据存在污染导致弹道数据处理精度下降的问题.同时引入平方根滤波思想,避免了常规UKF中误差协方差矩阵非正值引起的滤波散度问题.仿真结果表明该算法估计精度高,计算负担小,能有效地减小测量误差对弹道定轨精度的影响.     

Current progress of information fusion in China

Information fusion is a challenging task to extract the required information for high-level applications from various homogeneous or heterogeneous sensors. This paper summarizes some improvements in recent five years in the presented structure of information fusion, including estimation fusion, image fusion and others. Some technologies of information fusion and their variants are discussed. Although the state-of-the-art of the algorithms for information fusion have been proposed, there still remains some fundamental challenges with regard to exploiting the emerging multi-sensors＇ characteristics and their special structures. Finally, some potential prospects of estimation fusion and image fusion are discussed.     

随机奇异系统多传感器信息融合Kalman多步预报器

应用Kalman滤波方法和奇异系统典范型分解,对单传感器随机奇异系统,给出了Kalman步预报器新算法。对带多传感器随机奇异系统,基于线性最小方差标量加权融合算法,给出了具有两层融合结构的多传感器分布式最优信息融合Kalman多步预报器。同时给出了任两个传感器之间的预报误差协方差阵的计算公式。当各传感器子系统存在稳态Kalman滤波时,又给出了稳态信息融合Kalman多步预报器。稳态权重可在各子系统达到稳态时通过一次融合计算获得．避免了每时刻计算协方差阵和融合权重,便于实时应用。仿真例子验证了其有效性。     

多传感器分布式协方差信息融合Kalman滤波理论

对于带多传感器和带相关噪声的线性离散时变随机控制系统,基于按矩阵加权、按对角阵加权和按标量加权的三种最优信息融合规则,提出了相应的三种分布式最优信息融合Kalman估值器,可统一处理融合滤波、预报和平滑问题。为了计算最优加权,提出了计算局部估计误差协方差公式。作为特殊情形,还提出了定常系统的稳态最优信息融合Kalman估值器,其中用解Lyapunov方程计算局部估计误差协方差。同集中融合Kalman估值器相比,可减小计算负担。同单传感器Kalman估值器相比,可提高精度。它们构成了统一和通用的分布式协方差信息融合Kalman滤波理论。