传感器管理的结构与微观传感器管理仿真

传感器管理系统是信息融合系统的重要组成部分,是提高信息融合系统总体性能的保障。在给出传感器管理基本概念的基础上,讨论了传感器管理技术的难点与传感器管理的微观/宏观结构。利用一光电传感器模型对微观层的传感器管理———传感器控制进行了仿真研究,并讨论了传感器的控制原则。仿真结果表明,微观层的传感器管理可以使传感器对机动目标的跟踪精度得到明显改善。     

基于证据理论的数据关联算法

数据关联技术是多传感器目标跟踪系统中最核心而且也是最重要的部分。由于缺乏跟踪环境的先验知识以及受传感器自身性能的制约,整个量测过程不可避免地引入量测误差,密集环境中的目标跟踪比较困难。针对这个问题,提出的新算法利用概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。     

阶梯式有约束非线性预测控制及其应用

非线性预测控制需要在每个采样周期内求解非凸非线性规划。针对在线求解的计算复杂性,提出基于阶梯控制的非线性预测控制算法,在每个采样周期,采用阶梯式控制策略,精确求解当前控制量,减少非线性规划决策变量的维数,降低了在线计算量,减少计算时间,提高了算法的快速性。仿真和实控结果表明,本算法具有良好的可行性和控制效果。     

基于任务控制的动态多传感器管理方案

针对信息融合系统平台跟踪多目标过程中的多传感器管理问题,提出了一种基于任务控制的动态多传感器管理方案。根据滤波后的目标误差协方差与不同战场态势下的期望之间的差异,度量目标当前精度要求。利用模糊物元分析法,根据目标自身属性值和当前状态值,计算欧式贴近度,从而获得目标威胁度。在综合考虑传感器性能和系统资源能耗的基础上,建立了任务需求模型。依据该模型控制多传感器实现对目标的探测,寻求模型的最优解。仿真结果表明,该方案在保持目标跟踪精度及时效性的同时,能适当地控制资源消耗,减少系统总耗能。     

基于状态转换的顺序式异步数据融合算法

针对现有基于伪量测的异步融合算法存在的实时性差、融合时刻中心处理器计算负荷大以及引入噪声等相关问题,提出一种新的基于状态转换的多传感器顺序式异步融合算法。新算法通过连续系统离散化获得融合周期内各采样点同融合时刻之间状态的动态关系,并利用该关系来建立相邻两个采样时刻间符合标准Kal-man滤波条件的状态递归方程以及相应的测量方程,然后通过执行顺序Kalman滤波来实现异步数据融合。详细推导了融合算法的具体形式,并通过理论分析和计算机仿真证明了该算法不仅能避免现有基于伪量测的异步融合算法所存在的诸多问题,而且能获得更好的跟踪性能。     

一种基于自适应网格IMM的自适应采样周期算法

提出一种自适应网格交互多模型下采样周期自适应的算法。在自适应网格交互多模型算法中,中心模型参数变化率反映了系统模型与目标机动水平间的匹配程度,而两者的匹配程度直接影响目标的跟踪精度。利用中心模型参数变化率对采样周期进行控制,并引入可控参数对平均采样周期进行灵活调整。仿真结果表明在自适应网格交互多模型下,提出的自适应采样周期算法比固定采样周期算法及基于预测协方差的自适应采样周期算法具有更好的性能。     

双参数优先级递推式变采样周期调度算法

针对资源受限的网络控制系统,提出了一种基于双参数优先级的递推式变采样周期动态调度算法。计算控制回路的网络需求度和网络紧急度双参数,并以控制回路误差的绝对值建立二次平方根映射函数来确定双参数权重,实现对传感器优先级的调度。同时,综合分析控制回路性能递推动态调节各控制回路的采样周期,在保证控制系统的稳定的前提下完成调度调节。仿真表明该调度算法提高了网络控制系统的控制质量。     

一种基于多传感器数据融合的目标跟踪算法

论述了目标跟踪的原理和数据融合技术,为了解决移动机器人系统中的传感器存在大量不确定性问题,提出了一种交叉传感器交叉特征(CSCM)数据融合算法,这种算法基于粒子滤波技术,融合多个传感器的信息,合并不同的状态空间模型,以此减弱系统和测量噪声,来估计移动机器人的位置和角度.在仿真实验中,我们分别比较了单一传感器和多传感器数据融合的不同情况,结果表明了这种算法的有效性,并展现了良好的跟踪性能.     

基于模型预测的网络化控制系统补偿控制

针对分时控制模式下存在于网络诱发延迟大于一个采样周期的网络化随机控制系统中的空采样和数据拒绝问题,提出了一种基于模型预测的补偿控制法。该方法通过在执行器设立缓冲区窗口并存放一定数目的历史控制量,利用多个历史控制量对当前采样周期的控制状态进行估计预测,对空采样和数据拒绝情况进行补偿控制,达到改善系统性能的目的。通过仿真实验证明了该补偿控制算法的有效性。     

一种基于小采样周期的机动目标模型

通过对"当前"统计模型和常加速模型的分析研究,提出了一种基于小采样周期的机动目标模型。该模型通过构造一个函数来自适应调整常加速模型的过程噪声协方差矩阵。当采样周期T较小时,具有与"当前"统计模型相当甚至更高的跟踪精度和较小的计算量。理论分析和仿真结果表明该模型的有效性。     

用于目标跟踪的多传感器优化分配方法

在多传感器对多目标的监视环境下 ,传感器对目标的优化分配是传感器管理的重要研究内容。本文采用目标跟踪过程中信息增益最大的优化准则 ,探讨了多传感器对多目标的优化分配问题 ,并对优化分配算法进行了实验仿真验证     

分布估计及其在跟踪系统中的应用

针对多传感器系统信息处理的需要,本文综述了在分布系统中的一种最优估计方法——分布估计,讨论了线性和非线性的分布估计模型和算法,着重讨论了在多传感器多目标跟踪系统中,测量来源和运动模型不确定条件下的分布跟踪算法。     

修正并行式多传感器不敏多假设跟踪算法

为了有效解决非线性系统中的多传感器多目标跟踪问题,提出了一种修正并行式多传感器不敏多假设滤波算法。算法运用概率数据互联的思想对各传感器的估计量进行概率加权,克服了并行式多传感器算法的误差积累现象,得到了一种修正的多传感器并行式算法。各传感器中量测点迹与航迹的数据互联问题通过多假设方法予以解决,并通过不敏卡尔曼滤波器完成非线性系统中的目标跟踪。仿真结果表明,从跟踪精度及稳定性方面看,所提出的算法性能要优于MSJPDA/EKF算法。     

多传感器多目标跟踪中的数据关联

利用多传感器跟踪多目标技术中最重要的问题是目标关联问题。它包括两个方面：同一传感器２次扫描或多次扫描间各目标的关联以及多传感器各自的跟踪航迹之间的关联。在密集目标、高密度杂波和干扰条件下，解决此问题有建立数学模型和计算量方面的困难。常见的算法有ＪＰＤＡ和ＭＨＴ，其模型较准确但复杂，计算量大，实际运用中效果并不理想。本文改进文献［２］中的关联方法，提出一种简单且效果较好的方法，利用线性规划算法实现了一定条件下多目标的关联及跟踪，并进行了仿真和误差分析。     

带相关噪声的加权观测融合估计算法及其全局最优性

针对多传感器线性离散定常随机控制系统,当具有相关噪声且每个传感器带不同观测阵时,基于矩阵满秩分解与加权最小二乘理论,提出了新的加权观测融合估计算法。该算法首先将多个传感器的观测折算到一个等效的传感器上,对等效的传感器系统进行估计,证明了其估计结果相同于集中式融合稳态Kalman估计结果,因而它同样具有渐近全局最优性,且可明显减小计算负担,便于实时应用。仿真实验结果表明了该算法的有效性。     

角闪烁噪声下的高斯和容积卡尔曼滤波算法

开展角闪烁噪声下的目标跟踪问题研究对提高传感器的探测性能具有重要意义,其中角闪烁噪声具有的非高斯特性是一个长期困扰研究者的难点。针对该问题,首先通过理论分析指出了容积粒子滤波(cubature particle filter,CPF)在角闪烁噪声下的性能缺陷。其次,基于高斯和滤波(Gaussian sum filter,GSF)框架和容积卡尔曼滤波(cubature Kalman filter,CKF)算法,提出了适用于角闪烁下的高斯和容积卡尔曼滤波(Gaussian sum cubature Kalman filter,GSCKF)算法,该算法将目标后验概率密度用高斯密度加权求和近似,通过多路并行的CKF实现状态预测与量测更新,同时利用模型降阶算法限制高斯分量数目的增长,能应用于非线性、非高斯条件的状态估计。最后,设计了仿真实验对GSCKF和CPF的跟踪精度、鲁棒性和计算复杂度进行了对比。     

多传感器多目标跟踪的JPDA算法

传统的联合概率数据关联算法(JPDA)是在密集杂波环境下的一种良好的多目标跟踪算法,但它是针对单传感器对多目标跟踪的情况下使用,不能直接用于多传感器对多目标的跟踪。针对这一问题,文中提出了一种适用于多传感器多目标跟踪的JPDA算法,它以极大似然估计完成对来自多传感器的测量集合进行同源最优分划,然后采用JPDA方法对多目标进行跟踪。经过理论分析和仿真试验,证明了该方法能有效地进行多传感器多目标的跟踪,且具有算法简单、跟踪精度高、附加的计算量小等优点。     

网络瞄准环境下最优分布式航迹融合算法

利用地域分散的多传感器系统跟踪目标是网络瞄准的主要作战方式。首先结合网络瞄准的作战特点,建立了两种典型的分布式航迹融合结构;然后对网络瞄准环境下传感器量测噪声相关问题展开研究,分别给出了传感器量测噪声相关与不相关情形下的最优分布式航迹融合方法。理论分析和仿真计算表明,这些方法等价于集中式融合算法,可以显著减小由于噪声相关造成的融合性能下降,从而在一定程度上提高了瞄准过程中目标的定位精度。