基于节点通信度的信息加权一致性滤波

协同目标跟踪是无人机集群等多传感器网络的典型应用。在分布式传感器网络目标跟踪过程中,目标状态估计的一致性直接影响到跟踪有效性。针对目标跟踪过程中网络节点之间一致性迭代次数受限的问题,提出了一种基于节点通信度的信息加权一致性滤波算法,设计了用节点通信度来充分衡量传感器节点在网络中的通信拓扑状况,并构建了非对称一致性权值的选取机制,可在复杂拓扑结构网络中实现快速一致性跟踪。典型目标跟踪场景仿真验证表明,所提算法相比经典的信息加权一致性滤波算法,目标跟踪的不一致程度降低了20%以上,有效提升了分布式跟踪的一致性速度。     

基于节点通信度的信息加权一致性滤波

协同目标跟踪是无人机集群等多传感器网络的典型应用。在分布式传感器网络目标跟踪过程中,目标状态估计的一致性直接影响到跟踪有效性。针对目标跟踪过程中网络节点之间一致性迭代次数受限的问题,提出了一种基于节点通信度的信息加权一致性滤波算法,设计了用节点通信度来充分衡量传感器节点在网络中的通信拓扑状况,并构建了非对称一致性权值的选取机制,可在复杂拓扑结构网络中实现快速一致性跟踪。典型目标跟踪场景仿真验证表明,所提算法相比经典的信息加权一致性滤波算法,目标跟踪的不一致程度降低了20%以上,有效提升了分布式跟踪的一致性速度。     

基于惯性传感器网络的分布式导航方法

通常的惯性导航冗余配置及其信息融合技术,是基于相同的系统状态模型,不适合分布式惯性传感器网络的应用。针对该问题,给出了一种基于惯性传感器网络的分布式导航方法,将多个惯性测量单元配置在载体不同部位,不仅能提供冗余的导航信息,还能提供局部运动测量。在惯性网络结构分析基础上,建立了惯性网络动态测量模型,采用最大似然估计和信息滤波法,设计了分布式惯性测量融合与导航状态融合的分阶段信息融合算法,通过仿真进行了验证。结果表明,所提方法充分利用了其他节点的惯性传感器信息和同类导航状态信息,可以提高整个惯性传感器网络的估计性能和故障容错能力,在提高低性能节点导航精度的同时实现对高性能节点的自动对准。     

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...     

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。     

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。     

多传感器优化部署下的机动目标协同跟踪算法

针对资源有限的传感器网络中目标动态跟踪问题,提出了一种能够自适应选择跟踪传感器的机动目标协同跟踪算法。首先,采用粒子群优化算法优化传感器网络能耗与有效覆盖率,进行传感器位置部署;然后,以最大化候选传感器的Rényi信息增量与最小化传感器间信息传递能耗为适应度函数,采用二进制粒子群优化算法自适应选择最佳跟踪传感器组;最后,利用交互多模型粒子滤波对机动目标位置进行估计并进行分布式融合。仿真结果表明,与现有方法相比,该方法可在非高斯非线性环境下自适应选择最优跟踪传感器,显著提高目标跟踪精度,降低网络能耗。     

一种扩展的直接航迹融合方法研究

在分布式多传感器数据融合系统中,各单传感器类型不同情况下的融合问题是一类普遍的问题。本文从直接航迹融合算法的推导过程提出了一种解决这一类问题的方法,包括融合状态设定方法、基于最大似然估计的方法。     

基于传感器网络的在线决策融合目标检测方法

针对传感器网络(sensor network, SN)目标融合检测应用中融合中心无法精确地获得局部传感器节点检测性能参数的问题,建立了基于SN的目标融合检测系统,提出了一种非理想信道条件下在线决策融合的目标检测方法。该方法依据解调后数据构建了节点未知虚警概率、检测概率以及节点与融合中心信道平均传输错误概率等未知参数求解模型,并采用非线性最小二乘方法在线地估计出这些未知参数。进而通过选择性能优的节点参与融合,最大化融合检测系统检测概率。仿真结果表明:这种在线决策融合方法能够准确地估计出传感器节点的概率参数以及信道的平均传输错误率;相比于已知先验的最优似然比融合规则,在线决策融合规则检测性能相当。     

MWSN中基于功率自适应的拓扑维护算法

为解决移动无线传感器网络(mobile wireless sensor networks,MWSN)中由于节点移动、新节点加入网络、节点退出网络和节点失效等因素引起网络拓扑发生变化而影响网络性能的问题,提出了一种基于功率自适应的拓扑维护算法(power adaptation based topology maintenance algorithm, PATMA)。PATMA算法将传输单位比特数据包的能耗大小作为选择中继节点的条件,通过中继节点维护与距离较远的邻居节点的连通;当网络拓扑结构发生变化时,节点自适应地调整发射功率维护网络的连通;同时根据引起网络拓扑发生变化的具体原因设置不同事件,节点依据检测到的事件采取相应的拓扑维护策略。仿真结果表明,PATMA算法与功率自适应控制(new adaptive power control, NAPC)算法、拓扑控制(topology control, XTC)算法在平均发射功率、网络连通度、网络中存活的节点数等性能指标方面具有明显改善。     

基于UKF神经网络的姿态测量信息融合算法

针对融合系统建模误差、噪声统计特性不精确性和环境的动态变化性致使传统联合滤波过程中融合权值难以确定,引入人工智能中的神经网络,提出了基于神经网络的多信息自适应智能估计融合算法研究;利用神经网络的自适应能力对状态估计融合结果进行实时辅助补偿和修正,将非线性最优估计与神经网络技术相结合,重点研究了基于UKF的神经元融合权重在线自适应学习算法,以便在缺少准确局部子滤波器协方差信息情况下,仍能使全局估计融合结果最优,从理论上证明了UKF学习算法优于传统EKF学习方法,并以卫星多姿态测量信息融合定姿系统为例,给出了计算实例和结论分析,表明了所提出的模型与算法在实际应用中的有效性。

Abstract：

The fusion weight of traditional Federal Kalman Filter is difficult to be determined because of the fusion system modeling error,the inaccuracy of noise statistic characteristics as well as the dynamic variability in the fusion filtering process.In order to solve this problem,a self-adaptive fusion estimation algorithm for multi-information measurement based on neural networks was presented,which used the self-adaptive ability of neural networks to make real-time compensation and amendment for the state fusion estimation results.Combining a nonlinear optimal estimation with neural network,an online adaptive training algorithm for the weights of neuron based on Unscented Kalman filter （UKF） was researched,which could still realize the optimal fusion for the global estimation even if the accurate covariance information of each local sub-filter were absent.The performances of UKF training algorithm and the traditional EKF algorithm were analyzed and compared,and moreover taking the multi-information fusion system for satellite attitude determination as the experimental example,the simulation calculation and analysis were advanced,which show that the presented models and algorithms are effective in the actual application.     

多终端仅测速实时定轨的自适应联邦STCKF算法

针对多手持终端仅测速实时定轨问题,设计了一种自适应联邦强跟踪容积卡尔曼滤波(strong tracking cubature Kalman filter,STCKF)算法。首先,使用欧拉预测校正法对带J2项摄动的轨道动力学方程进行离散得到状态方程。然后,为每个手持终端设计了STCKF滤波算法,该算法基于强跟踪滤波(strong tracking filter,STF)的等价表示计算次优渐消因子以在线实时调整增益矩阵,提高短弧段内滤波估计收敛速度。进而,利用信息最优合成算法对每个终端输出的局部定轨结果进行融合,为提高信息融合精度,信息分配因子由误差协方差矩阵的Frobenius范数自适应确定。最后的仿真结果表明,欧拉预测校正法可以有效提高轨道动力学方程离散精度,自适应联邦STCKF算法可以有效提高实时定轨精度和滤波收敛速度。     

衰减记忆自适应滤波在惯导系统传递对准中的应用

针对滤波稳定性问题,提出了一种改进的衰减记忆自适应滤波算法。通过引入衰减记忆滤波矩阵,根据残差序列输出的互不相关性,在线自适应地调整衰减因子,从而使衰减记忆滤波工作在最佳状态。将该算法应用于惯导系统的传递对准过程,仿真结果表明在模型和噪声统计特性的先验信息不准确时,该算法优于传统的卡尔曼滤波。     

基于修正的自适应平方根容积卡尔曼滤波算法

目标建模不确定性会造成滤波算法性能下降, 通过构建强跟踪滤波器(strong tracking filter, STF)可以提升滤波算法的自适应性, 但是构建STF时存在理论推导复杂、求解计算量大等局限和不足, 针对上述问题, 在平方根容积卡尔曼滤波(square-root cubature Kalman filter, SRCKF)的基础上, 提出一种基于修正的自适应SRCKF算法。该算法通过设置判定门限和修正准则, 直接对状态预测值或滤波增益进行修正以平衡先验的预测值和后验反馈的量测值在滤波中所占的比重, 进而减小状态估计误差。仿真结果表明, 所提算法具有在目标状态突变和量测非线性时的良好滤波性能和数值稳定性, 同时相比较需要计算渐消因子的STF算法, 该算法在计算量和收敛速度上具有优势。     

基于异步估计自适应Kalman滤波系统设计

一般的Kalman滤波器时系统噪声和测量噪声统计特性要求较为严格,当统计特性存在不确定性时,估计会造成较大的估计误差,甚至使滤波器发散.针对此问题,在基于新息的自适应估计和极大后验估计的基础上对Q和R进行异步估计;以某型号光纤惯性测量装置和GPS系统为背景的仿真实验结果表明,该方法能够有效地对Q和R存在不确定的组合导航系统的误差状态变量进行估计,并能较好地保证自适应滤波器的收敛性,进一步提高了估计精度.     

基于卡尔曼滤波的在线量子态估计优化算法

针对连续弱测量中存在高斯测量噪声的问题, 提出一种基于卡尔曼滤波的在线量子状态估计的预测-修正-投影优化算法。首先,在常规在线卡尔曼滤波算法预测状态时间更新和估计状态测量更新的基础上, 通过增加对量子态的约束条件, 将其应用于在线的量子状态估计中, 将量子态在线估计问题转化为一个带有量子态约束条件的卡尔曼滤波优化问题。其次,通过将待优化问题的求解分解成两个凸优化子问题,一个是基于在线卡尔曼滤波算法求解无约束条件下的量子测量更新问题, 另一个是利用量子约束条件信息, 通过求解矩阵投影问题来获得估计状态。最后,将所提算法应用到4量子位系统状态的在线估计数值实验中, 进行了性能对比实验。实验结果表明, 所提算法具有更优的在线状态估计精度, 并且能够以更少的采样次数和耗时, 实现较高精度的量子状态在线估计。     

引入测速信息的雷达导引头无偏转换跟踪方法

为了满足先进地空导弹对精确弹目交会信息的需求,基于自适应卡尔曼滤波算法,提出了一种引入测速信息的雷达导引头无偏转换跟踪方法。在当前统计模型的基础上,利用递推遗忘最小二乘法估计当前加速度,得到了状态方程。在雷达测量模型的基础上,分析了极坐标系下与笛卡尔坐标系下位置、速度信息的无偏转换关系,推导了无偏转换量测误差协方差矩阵真实值和利用量测信息估计真实值的表达式,得到了量测方程。通过滤波得到的状态和误差估计信息,改进了真实无偏转换量测协方差矩阵的估计算法。仿真结果验证了所提跟踪方法在滤波精度和跟踪速度上的良好性能。     

基于模糊评判的组合导航自适应信息融合方法

针对组合导航系统在载体实际运动中,存在着局部滤波器精度急剧下降和滤波发散问题,并且会给整个联合卡尔曼滤波器带来污染,提出基于模糊评判的自适应信息融合方法。给出了评价滤波器性能的滤波结果可信度定义和模糊评价方法,并在此基础上进行信息分配保持全局估计精度和控制滤波发散。理论分析与仿真结果表明,该方法比常规联合卡尔曼滤波器具有更高的精度和可靠性。     

基于强跟踪UKF的航天器自主导航间接量测滤波算法

针对广义卡尔曼滤波(extended Kalman filter, EKF)和无迹卡尔曼滤波(unscented Kalman filter, UKF)缺乏对系统异常的在线自适应调整能力、导致滤波器精度降低的问题,提出了一种将强跟踪滤波(strong tracking filter, STF)和UKF相结合的滤波算法,并进一步采用部分状态信息作为间接观测量,同时量测噪声方差阵实时调整,从而避免了对观测方程求取Jacobi矩阵的过程,使滤波器的设计得到简化。将该算法应用于航天器自主导航系统中,仿真结果表明,该算法在系统出现突变或缓变异常时,能够迅速检测出异常,在保证较高估计精度的同时,提高了系统的可靠性。     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。