基于区间卡尔曼滤波的多传感器信息融合

目标运行建模过程中,存在系统参数不确定的情形．将基于标准卡尔曼滤波的多传感器信息融合算法由系统参数确定的情形推广至参数不确定的情形,给出了基于区间卡尔曼滤波的多传感器信息融合算法,解决了系统参数不确定情形下系统状态估计的融合问题．给出的状态估计不再是目标的状态点估计,而是目标状态的区间估计．     

基于无迹卡尔曼滤波和协方差交叉融合的分层多簇无线传感器网络多速率跟踪算法

针对无线传感器网络(WSNs)在跟踪过程中精度低,性能差等缺点,提出基于无迹卡尔曼滤波(UKF)和协方差交叉(CI)融合的分层多簇WSNs多速率跟踪算法。将传感器分成多个簇,同一簇中的传感器可以采用不同的采样和传输速率对目标的数据进行采集和传输。首先,采用UKF处理传感器节点采集的数据,生成局部估计。然后,利用CI融合算法将收集到的局部估计值形成融合估计。通过定义一个附加权重因子,为真实协方差的不确定性定义一个更严格的界限。仿真验证了方法的有效性,采用多速率分层融合估计的精度更高,效果更明显。     

基于超长线状分簇结构的卡尔曼滤波融合算法

以应用于隧道结构健康监测的无线传感器网络为基础,针对长线形的隧道结构和分布式的节点布置,提出了超长线状多跳非均匀分簇结构.通过考虑节点剩余能量和优化簇头分簇半径,降低并平衡节点能耗.针对传感器数据冗余量大的问题,提出了基于超长线状分簇结构的分布式卡尔曼滤波融合算法.利用单节点不同时刻的数据,通过卡尔曼滤波器得到局部估计值,降低数据时间冗余度.在簇头节点端和汇聚节点端分别实现分布式卡尔曼滤波融合算法,降低数据空间冗余度,达到具有一致性的网络数据估计值.实验结果表明:该方法能有效实现超长线状分簇结构下的分布式数据融合,具有高可靠性和准确性.     

多传感器反馈分层融合算法性能研究

ChangK .C .于近期研究了两传感器非实时分层融合算法的稳态性能 ,结果表明全反馈条件下的融合性能要劣于部分反馈 ,特别当过程噪声较大时提高通信频率并不能改善全反馈算法的性能。与上述研究不同 ,本文重点考察了融合系统中传感器数目对非实时有反馈分层融合算法性能的影响。研究结果表明 :当过程噪声较小时 ,增加传感器的数目不仅不能改善全反馈算法的性能反而会使性能降低 ,所得结论进一步推广和发展了ChangK .C .的研究成果     

区间卡尔曼滤波算法在组合导航数据融合中的应用

传统卡尔曼滤波算法在系统参数不确切已知或随时间变化时无法直接应用。本文通过将参数变化的系统建立成区间模型,给出了一种处理系统参数不确定性的区间卡尔曼滤波算法,该算法运用一种较为简单的区间矩阵求逆方案,在统计最优性能及迭代形式方面与标准卡尔曼滤波算法相当,仿真验证了该算法在低成本INS/GPS组合导航数据融合中应用的可行性。     

多传感器多组加权融合算法研究

将多传感器对某一状态的测量结果分组，针对每组测量变量的算术平均值，依据极大似然原理，提出了多传感器分组加权融合算法。通过对各组传感器测量值的方差进行估计，从而对每组传感器测量平均值的权值进行合理的分配，解决了在传感器和环境干扰未知情况下，加权融合算法中权系数如何确定的问题。     

机载火控系统多传感器航迹数据融合

为研究机载火控系统多传感器数据融合的方法。采用了多用于多目标多传感器航迹数据融事的改进的卡尔曼滤波算法，运用假设检验理论，充分考虑了位置互联的正确性和目标信号的历史信息，使其性能不随目标数目的增大而变差。计算机仿真表明：所建立的系统运行可靠；所采用的算法具有处理速度快、精度高等优点。     

基于两阶段卡尔曼滤波的多传感器信息融合

在目标跟踪中,对目标运动建模时,常会遇到系统状态方程存在偏差问题. 传统的信息融合方法总是假设系统状态方程中的偏差为常量,很少涉及偏差为随机变量的情形,但实际建模中常会出现这类问题. 针对此问题,提出了基于两阶段卡尔曼滤波的多传感器信息融合方法. 这种方法可以有效地消除系统状态方程在建模存在随机偏差时给信息融合所带来的影响,从而提高了融合精度.     

加权数据融合算法及其应用举例

建立了一种基于格罗贝斯(Grubbs)准则和聚类分析的加权数据融合算法，即先用格罗贝斯准则剔除所测数据中的疏失误差数据，再用聚类分析的方法对剔除疏失误差数据后的测量数据进行聚类，并由此确定各类别的权数(加权因子)，最后利用所得权数进行加权融合得出被测对象的融合估计值。实验证明，该算法简单有效，且适合计算机编程。     

多传感器多模型动态系统交互式数据融合估计的一种算法

基于多传感器多模型信息,给出了目标状态基于全局信息融合估计的一种新算法,并通过计算机仿真验证了这种算法的有效性。     

多传感器全局最优加权观测融合Wiener信号滤波器

基于Kalman滤波,应用加权观测融合方法,对于带白色观测噪声的单通道ARMA信号,提出了全局最优多传感器观测融合Wiener信号滤波器。可统一处理信号融合滤波、平滑和预报问题。同集中式规测融合方法和分布式状态融合方法相比．不仅可获得全局最优Wiener信号滤波器,而且明显减小计箅负担,便于实时应用。一个三传感器加权观测融合仿真例子说明了其有效性。     

基于改进粒子滤波的超宽带与惯性测量单元融合定位算法

为了提高UWB与IMU融合定位算法的定位精度,提出了一种基于改进自适应加权数据融合的粒子滤波定位算法。首先利用自适应最优加权融合算法中最小方差估计理论,对粒子滤波中粒子分布权重进行调整;利用阈值限制所求观测方差,避免了因实际环境导致观测方差发散;利用观测噪声协方差和测量值,在粒子滤波后RMSE限制区间求得各传感器最优加权因子,避免因传感器信号弱或丢失产生的算法发散问题。最后,进行了UWB与IMU融合定位的对比实验,实验结果显示该算法与EKF融合算法相比定位精度提高了15%以上。     

多传感器加权观测融合Wiener反卷积滤波器

基于Kalman滤波方法,应用加权观测融合方法,提出了全局最优观测融合Wiener反卷积滤波器。同集中式观测融合方法和分布式状态融合方法相比,不仅可获得全局最优Wiener反卷积滤波器,而且明显减小计算负担,便于实时应用。一个四传感器加权观测融合仿真例子说明了其有效性。     

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．     

分级LMS算法的性能改进

提出一种改进型分级最小均方误差算法(modified Hierarchical LMS).该算法通过修正原有HLMS算法中各子滤波器的期望信号,以使各子滤波器均处于滤波处理状态,从而改善原有HLMS算法的性能.仿真结果表明,改进型HLMS算法不仅能保持快速收敛,而且在相同条件下滤波器冲激响应较之原有HLMS算法获得的滤波器冲激响应的均方误差有一个数量级的性能改善.     

多传感器次优Kalman滤波器及其融合效果评价

给出一种简单有效的次优Kalman滤波融合算法,用相对误差协方差矩阵和绝对误差均值等量化指标分析了融合算法的有效性,并用计算机仿真结果对融合效果做进一步验证．     

信息融合稳态最优Kalman平滑器

应用Kalman滤波方法,基于Riccati方程,在线性最小方差最优融合准则下,提出了按矩阵加权的两传感器最优融合稳态Kalman平滑器,给出了最优加权阵和最小融合误差方差阵。同单传感器Kalman平滑器相比,可提高平滑精度。一个雷达跟踪系统的仿真例子证明了其有效性。