基于优化EKF的永磁同步电机转速估计

为了解决在永磁同步电机无速度传感器直接转矩控制系统中,扩展卡尔曼滤波器在转速估计时系统噪声矩阵和测量噪声矩阵难以较准确获得的问题,提出了一种基于改进粒子群优化的扩展卡尔曼滤波器转速估计方法,该方法融合了粒子群算法与遗传算法的优点,经过实验仿真表明,当将此方法应用于卡尔曼滤波器系统噪声矩阵和测量噪声矩阵寻优时,与遗传算法、标准粒子群算法相比,改进粒子群优化的卡尔曼滤波器能更加迅速地找到较优解。     

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．     

一种用于天线面形恢复测量的无人机导航方案

天线近场面形恢复算法需要搭载发射源的无人机沿特定轨迹飞行,并获得其位置。根据面形恢复算法对无人机飞行的要求设计一种包含差分GPS和视觉传感器的导航方案,在此导航方案的数据融合时间策略下使用常规扩展卡尔曼滤波器将出现震荡问题。为此提出一种基于SageHusa滤波算法改进的自适应扩展卡尔曼滤波器,并通过仿真和实际飞行测试将其与常规扩展卡尔曼滤波器进行对比。实验结果表明,此自适应扩展卡尔曼滤波器在实际应用中表现出更好的性能,并在弱GPS信号情况下能够趋向于更可信的视觉里程计数据。此方案基本满足天线测量时无人机沿轨迹飞行并采集位置数据的要求,有望实现射电望远镜主动面实时闭环修正。     

双向卡尔曼滤波器在机载SAR运动补偿中的应用

运动补偿系统设计是机载SAR实现高分辨率的一项关键技术,DGPS/IMU组合导航系统已成为当前高分辨率机载SAR基于传感器的运动补偿技术的发展趋势之一.将一种双向卡尔曼平滑滤波算法应用于DGPS/IMU组合导航系统中,实验表明与多传感器组合导航系统数据处理中最常用的算法工具--卡尔曼滤波器相比,该算法可以为机载SAR提供更高精度的运动补偿信息.     

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.     

多传感器融合的手机室内三维定位试验

以智能手机为用户端平台,利用行人航迹推算(pedestrian dead reckoning,PDR)改进算法和气压测高原理设计了三维多传感器融合定位的扩展卡尔曼滤波器,基于Android操作系统开发了手机传感器融合的室内三维定位程序。最后,利用中国矿业大学室内外无缝定位试验场进行了定位算法性能评估。结果表明,三维融合定位方法能有效抑制漂移误差,定位精度和可靠性能够满足室内应用环境的要求,且定位精度优于WiFi方法和常规PDR方法。     

基于EKF的DC/DC转换器电感电流观测器

针对无电流传感器的DC/DC转换器,提出了一种基于扩展卡尔曼滤波的电感电流观测器.首先,对升压型DC/DC转换器进行了建模,得出了含非线性项的状态空间方程；然后,为了更精确地预测电感电流提出了一种更适合非线性系统的扩展卡尔曼滤波器算法,在减少由AD转换器引入的测量噪声的同时,利用扩展卡尔曼滤波器的状态方程对电感电流进行观测；最后,对提出的电流观测器进行了Simulink仿真验证.结果表明:对电路的输出电压采样后进行扩展卡尔曼滤波可以有效减小由AD转换器引入的噪声并完成对电感平均电流的观测.在硬件实现过程中无需电流传感器,可以有效降低系统成本.     

非线性加权观测融合粒子滤波器

提出了一种非线性多传感器系统加权观测融合粒子滤波器.首先利用泰勒级数使非线性多传感器系统观测方程具有近似的线性关系.然后,利用加权观测融合(WMF)算法和粒子滤波器(PF),提出了一种具有普适性的加权观测融合粒子滤波器(WMF-PF).WMF-PF可处理带任何噪声统计的非线性系统融合问题.该算法可压缩多个传感器的观测信息,降低系统的计算负担,提高系统的实时性能.随着泰勒级数展开项的增加,WMF-PF渐近逼近集中式观测融合粒子滤波器(CMF-PF),因此该算法具有渐近的全局最优性.最后,通过两个仿真例子验证了该算法的有效性.     

基于神经网络补偿的多传感器航迹融合

针对多传感器环境的条件提出了一种基于神经网络补偿的航迹融合方法.各传感器的测量值用线性卡尔曼滤波器进行处理并将获得的局部航迹传送到融合中心.首先对局部航迹进行融合,然后引入神经网络来减少因共同过程噪声而导致的融合估计误差,其中神经网络采用Dan Si-mon提出的网络结构,并对神经网络权值的优化采用无痕卡尔曼滤波(UKF).仿真结果表明,这种融合方法对跟踪具有过程噪声的目标非常有效,而且过程噪声发生变化时该方法仍是有效的,从而使得它在很多实际应用中具有潜在的价值.     

一种多站联合多目标跟踪新算法

本文基于分散估计的基本原理,用带次优渐消因子的扩展卡尔曼滤波器对以非线性方程为运动方程的多个目标状态进行估计,给出一种新的多站联合多目标跟踪算法。该算法精度高,具有良好的实时性。     

一种基于改进卡尔曼滤波的姿态解算算法

针对多传感器融合姿态解算精度不高的问题,本文提出一种改进的卡尔曼滤波算法,即高阶线性互补滤波与扩展卡尔曼滤波(Extended Kalman Filter,EKF)相结合的融合算法。该数据的融合是基于加速度计、陀螺仪传感器频率特性和姿态角的微分方程建立的系统模型,将互补滤波的姿态角数据作为该系统模型的观测值,利用EKF算法对加速度计、陀螺仪、磁力计进行数据融合。高阶的互补滤波和EKF的融合算法能够有效的解决陀螺方向的估计偏差,为了证明该算法的可行性,用搭载IMU(InertialSmeasurementSunit)模块的四旋翼飞行器进行了动态和静态的实验,分析对比了最新导航算法、经典卡滤波算法和该融合算法滤波的效果。实验结果表明：本文提出的高阶无源线性互补滤波和EKF相结合的融合算法,无论在静态还是动态的实时性情况下,都能很明显的去除噪声和抑制姿态角的漂移,且提高了姿态角的精度。     

光电跟踪系统中高频测角信息的攫取研究

为了能够充分利用光电跟踪设备相邻两次激光测距间隔内的高频测角信息,以提高目标跟踪精度,给出了一种航迹“融合”式目标状态估计方法。该方法借助扩展Kalman滤波算法．将无测距信息时刻的目标测角信息代入独立的滤波器,而对有距离时刻的目标测量信息建立另外的滤波器,然后将两滤波器的输出结果进行加权融合,从而在不增加任何硬件成本的前提下,进一步提高了具有激光测距的光电跟踪系统的目标状态估计精度。对模拟数据和靶场实测数据的测试结果表明了该方法的可行性和有效性。     

主被动雷达分层融合机动目标跟踪仿真研究

以目标跟踪为主要目的,对主被动雷达基于改进算法的分布式分层融合进行了仿真研究。仿真研究验证了基于固定指数加权模糊自适应EKF滤波算法的主被动雷达分层融合系统,能够显著提高目标跟踪精度且稳定性好。同时验证了分布式分层融合跟踪性能,明显优越于分布式平均加权融合方法。     

多传感器数据融合在切割机器人系统中的应用

为了对造船中所用型材变形进行在线检测，在高精度划线切割机器人系统中，建立了多传感器检测系统，引入基于小波变换和虚拟噪声自适应卡尔曼滤波的多分辨率最优多传感器数据融合方法，实现了对噪声统计量缺乏先验知识和模型参数不确切的多分辨率多传感器的数据融合。实验结果表明，多传感器数据融合可以有效地实现变形型材的在线检测，提高系统的测试精度和可靠性。     

基于通信故障的多传感器系统融合估计算法研究

在实际多传感器动态系统中,气候、机械故障以及人为等因素都可能使系统中某些传感器以及线路出现故障,从而导致正常的融合算法(本文是指通信正常情况下的无反馈层次结构融合算法)无法正常运行．本文对某些传感器出现通信故障的多传感器动态系统进行了研究,通过改进现有的系统框架,提出了一种新的融合估计算法．该算法能够自动地对发生故障的传感器进行实时跟踪和检测,并做出相应的处理,从而保证系统能够继续正常工作．新算法具有很高的灵活性和实时故障处理能力,最后计算机仿真证明了该算法的有效性．     

多传感器信息融合系统有序度分析

针对多传感器信息融合系统,提出了融合处理的结构,引入信息融合系统有序度的概念,提出一种基于信息熵理论的结构体系评价方法,从传感器管理的角度评价多传感器融合体系结构的组织化程度。     

分布式不敏卡尔曼滤波状态估计技术

在许多实际的分布式多传感器系统中,系统的动态或传感器的观测方程是非线性的.解决分布式多传感器非线性系统的状态估计问题,通常采用的一种方法是分布式扩展卡尔曼滤波.但由于模型的线性化误差,EKF的滤波效果在很多情况下并不能令人满意.另外,在许多实际应用中,模型的线性化过程比较繁杂,而且也不容易得到.为了有效解决分布式多传感器非线性系统的状态估计问题,提出了一种基于不敏卡尔曼滤波的状态估计技术.不敏卡尔曼滤波是最近提出的一种新的非线性滤波方法.由于不需要对非线性系统进行线性化,不敏卡尔曼滤波可以很容易地应用于非线性系统的状态估计,并且其性能也要优于扩展卡尔曼滤波.仿真结果说明分布式不敏卡尔曼滤波方法的性能要优于分布式扩展卡尔曼滤波方法.     

多传感器融合系统最小代价冗余及优化算法

多传感器融合系统具有高度的容错性能。为了解决多传感器融合系统中如何选择冗余传感器并构成最小代价配置的问题,本文研究了（N,N／2＋1）冗余结构,并建立了满足系统有效率约束的最小代价优化准则。此外,还给出了求解该组合优化问题的模拟退火算法。仿真计算结果表明,其优化准则和算法十分有效。     

神经网络在多传感器多目标跟踪中的应用

首先研究了基于粗关联和精关联过程的多传感器多目标(MSMT)跟踪融合算法，精关联是联合概率数据关联(JPDA)算法的推广，JPDA算法存在随传感器数和目标数的增加而计算量迅速增加的缺点；其次提出了一种基于神经网络的MSMT联合概率数据互联(MNJPDA)算法，MNJPDA算法能克服计算量爆炸问题，基于MNJPDA的融合算法能提高跟踪的快速性．仿真结果证明了MNJPDA融合算法的有效性．     

多分辨率多传感器动态数据的融合和应用

基于线性均方估计建立了q叉树的多尺度自回归模型。该模型应用于分布式多分辨率多传感器进行建模，可实现多分辨率多传感器的动态数据融合。将该算法用于高精度划线切割机器人系统中多传感器的建模，实现了型钢划线切割过程中型钢边缘的动态检测。实验结果表明，多分辨率多传感器数据融合可消除噪声的干扰，提高检测系统的测量精度和整个加工系统的加工精度。