有色量测噪声情况下的多传感器目标跟踪融合算法

目前已有的目标跟踪融合估计算法都是基于Kalman滤波的,而卡尔曼滤波估计算法要求系统过程噪声和量测噪声均为白色噪声,而实际的跟踪系统中量测噪声往往是有色噪声。针对上述问题,本文利用线性组合当前量测与下一时刻量测的量测扩增法,研究了有色量测噪声情况下的集中式、分布式多传感器目标跟踪融合算法。并对新的融合算法进行仿真分析,仿真结果表明新的融合算法具有良好的跟踪性能。     

噪声相关下的无序量测状态更新估计算法

在多传感器跟踪系统中，由于存在通信延迟等因素使得跟踪滤波器的传感器到达处理中心的时序被打乱，出现无序量测的情况．本文主要采用目前国际上用的较多直接更新法，即直接用延迟到达的量测更新目标状态，同时考虑输入噪声和过程噪声的相关性，给出了噪声相关情况下的无序量测的直接状态更新估计．最后又通过计算机仿真比较了丢弃延迟量测和直接更新法，验证了该算法具有更高的优越性，更具实际意义．     

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．     

相关量测噪声下的修正动态随机逼近算法

将Ruppert 提出的模型推广到带有 ARMA 量测噪声的多维情形。提出了修正动态随机逼近算法,并证明它在 C?aro 意义下的(a,?)收敛性。最后还考虑了特殊情形下算法的(a,?)收敛性。     

基于噪声顺序解相关的两阶段Kalman滤波融合

针对传统两阶段Kalman滤波只能处理单一或部分复杂噪声情形,在充分考虑多雷达跟踪系统的误差噪声有色建模和四类噪声相关性建模基础上,建立一种基于噪声顺序解相关的两阶段Kalman滤波融合算法。首先给出能有效避免噪声相关性耦合化的噪声解相关顺序,进而应用等价变换技术来获得有色噪声、过程噪声和测量噪声三者间不相关的目标跟踪融合模型,最后应用平方根分解和单位下三角阵求逆技术来实现多雷达量测噪声相关系统的集中式Kalman滤波融合,并通过4个仿真实验验证了该算法对复杂噪声情形的有效性和高精度。     

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.     

可处理多个无序量测的前向滤波算法

基于等价量测和前向滤波法,推导出一种单个无序量测算法Fl1,并说明了该算法与Al1算法、FPFD算法以及AA1算法之间的等价性.以Fl1算法为基础提出可以处理同时到达融合中心的多个不同单步延迟无序量测的最优算法CZ1.所提新算法的性能不依赖过程噪声的离散化模式,且无须对状态转移矩阵求逆.仿真结果表明在过程噪声DCM下CZ1算法与CA1算法的性能是相同的.     

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.     

一般相关量测噪声下线性系统的平滑估计算法

提出了具有一般相关量测噪声的线性系统的平滑估计算法,该算法是在系统正向和逆向滤波估计结果的基础,利用线性无偏最小方差估计获得的。由于量测噪声的相关性,使得其后验均值不一定等于其先验均值,而它的后验均值又无法通过计算得到,因而提出的算法是一个次优算法。在正、逆向滤波结果已知时,所提出的算法计算量小,易于实现。仿真实例说明,该算法的估计结果要优于正、逆向滤波估计结果,以及量测噪声不相关的Ｋａｌｍａｎ平     

量测不确定下基于粒子权重优化的粒子滤波算法

为有效评价量测不确定下的粒子权重,提出了一种基于粒子权重优化的粒子滤波算法.首先,通过置信距离和置信矩阵的构建及求解实现粒子间蕴含的冗余和互补信息的充分提取,给出了一种度量粒子间相互支持程度的一致性权重,并利用权重平衡因子实现代价评估粒子滤波中粒子权重和一致性权重的优化组合,进而实现粒子权重的合理优化.新算法既充分利用了当前时刻粒子集中的信息,又避免了量测噪声先验统计信息的偏差的不利影响,从而提升了粒子权重度量结果稳定性和可靠性.理论分析和仿真实验验证了所提算法的有效性.     

带相关观测噪声系统的自校正观测融合Kalman滤波器

对于带有相关观测噪声、未知噪声统计、不同观测阵带有相同右因子的多传感器线性离散定常随机系统,利用相关方法,提出了噪声统计信息的在线辨识器.基于ARMA新息模型,提出了自校正加权观测融合Kalman滤波器,避免了求解Lyapunov和Riccati方程,减少了计算负担,适于实时应用.利用动态误差系统分析(DESA)方法,严格证明了提出的自校正融合滤波器以概率1或按实现收敛于相应的最优融合滤波器,即具有渐近全局最优性.一个3传感器跟踪系统的仿真例子说明其有效性.     

带相关噪声系统的自校正观测融合Kalman滤波器

对于带有相关噪声和未知噪声统计的多传感器线性离散定常随机系统,利用相关方法,提出了噪声统计信息的在线估计器.基于ARMA新息模型,提出了自校正加权观测融合Kalman滤波器,避免了求解Lyapunov和Riccati方程,减少了计算负担,适于实时应用.利用动态误差系统分析(DESA)方法,严格证明了提出的自校正融合滤波器以概率1或按实现收敛于相应的最优融合滤波器,即具有渐近全局最优性.一个3传感器系统的仿真例子说明其有效性.     

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.     

基于Kalman滤波的带相关噪声系统最优白噪声估值器

基于 Kalman 滤波,提出了带相关噪声定常系统的统一的白噪声估值器。它们由输入白噪声估值器和观测白噪声估值器组成,且可统一处理白噪声滤波、平滑和预报问题,可用于石油地震勘探信号处理和状态估计。一个 Bernoulli-Gaussian 白噪声平滑器的仿真例子说明它们的有效性。     

一般相关量测噪声线性系统的递推状态估计

为了得到具有一般相关量测噪声线性系统的递推滤波算法,将该问题转化为具有相关量测单值随机向量的滤波问题,根据单值随机向量的线性无偏最小方差估计算法,导出了量测噪声为一般相关鞅差序列的线性系统的最优递推状态估计滤波算法,通过数值仿真,将该算法与假定量测噪声不相关时的Ｋａｌｍａｎ滤波算法进行了比较,证明了该算法的有效性。     

相关观测噪声的加权观测融合UKF滤波器

对于具有相同观测方程,相关观测噪声的非系统,应用无迹卡尔曼滤波器(UKF),以及加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.该算法具有全局最优性,且没有增加观测系统的维数,进而没有增加系统的计算负担.一个带有相关观测噪声的两传感器非线性系统的仿真例子说明了该融合算法的有效性及等价性.     

基于稳态Kalman滤波的相关观测融合方法及其功能等价性

对于带相关观测噪声和带不同观测阵的多传感器线性离散定常随机系统,用加权最小二乘（WLS）法提出了两种加权观测融合稳态Kalman滤波方法,可处理状态、白噪声和信号融合估计。基于稳态信息滤波器证明了它们功能等价于集中式融合稳态Kalman滤波方法,因而具有渐近全局最优性,且可显著减少计算负担。两个跟踪系统数值仿真例子验证了它们的功能等价性。     

多普勒雷达测量数据的Kalman滤波器设计

研究把多普勒雷达测量数据引入Kalman滤波的新方法.根据测量噪声协方差矩阵的分解导出一种理想的线性测量方程的等价形式,在方向余弦估计和误差补偿的基础上,给出可实现的测量方程及其对应的序贯处理的滤波方程.这种序贯处理结构有助于方向余弦继承位置测量更新带来的性能改善,从而减小其估计误差.蒙特卡罗仿真表明,这种序贯滤波算法,不但可以提高状态估计精度,而且其性能优于传统的推广Kalman滤波.     

多传感器集中式观测融合Kalman滤波器快速算法

对多传感器线性离散时变随机系统,虽然基于Riccati方程的集中式观测融合Kalman滤波器算法可给出全局最优状态估计,但其缺点是要求计算高维逆矩阵,计算负担大。为了克服这个缺点,应用信息滤波原理,基于改进的Riccati方程,或逆预报误差方差阵方程,或逆滤波误差方差阵方程,提出了相应的全局最优集中式观测融合Kalman滤波器的三种快速算法,可避免高维逆矩阵,可明显减小计算负担,便于实时应用,一个数值仿真例子说明了它们的有效性。     

基于Kalman滤波的量程自适应超声波测距

针对移动式机器人障碍物探测时,超声波测距存在大量程与小盲区之间的矛盾及测量周期长的问题.设计了易于控制的超声波测距系统,采用基于Kalman滤波的量程自适应测量方法.为系统设定多级量程,在实际跟踪测量时,利用Kalman滤波器对目标的状态进行预测,通过预测值与设定阈值的比较进行量程的自适应切换,调整系统的测量参数.实验结果表明,该方法在增大量程的同时减小了盲区,实现了在大动态范围内对目标动态参数的准确估计,同时缩短了平均测量周期,增强了系统的实时性.