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     

不完全量测下的Cubature卡尔曼滤波方法

提出了一种不完全量测下的Cubature卡尔曼滤波方法,该方法在Cubature卡尔曼滤波算法的基础上,建立了量测滞后下的状态空间模型,利用采样点状态扩维的方法对状态估计值进行更新,并给出了不完全量测下的Cubature卡尔曼滤波算法的实现流程。仿真实验表明,不完全量测下的Cubature卡尔曼滤波方法可以用于处理量测信息采样时间和延时时间都不确定的情况,在处理不完全量测下的高维强非线性系统状态估计时计算量小,具有较高的估计精度。     

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.     

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.     

基于噪声方差估计和模型参考的传感器动态补偿

针对采用最小二乘法(least-squares, LS)无法得到传感器动态补偿器参数无偏估计的问题,提出了一种基于输入信号噪声方差估计和模型参考的无偏辨识算法.该算法先通过小波变换估计噪声的方差,再由估计得到的方差,通过偏差消除的递推最小二乘法,对补偿器的参数进行无偏辨识.同时,利用参考模型建立卡尔曼滤波器,消除高频噪声对测量精度的影响.在薄膜热电偶上进行了仿真研究,以验证该方法的有效性.结果表明,算法降低了对输入辨识信号的要求,即不再必须为白噪声,具有较强的实用性.     

多传感器全局最优观测融合白噪声反卷积滤波器

白噪声反卷积问题在石油地震勘探中具有重要的应用背景。利用Kalman滤波方法提出了多传感器最优观测加权融合白噪声反卷积Wiener滤波器。同集中式和分布式融合方法相比,不仅可得到全局最优白噪声融合估值器,而且可显著地减小计算负担,便于实时应用。一个四传感器Bernoulli-Gaussian白噪声加权观测融合估值器的仿真例子说明了其有效性。     

一类线性系统卡尔曼滤波器自适应算法

为了解决实际线性系统中系统噪声方差和观测噪声方差未知的问题,提出了一种新的卡尔曼滤波自适应算法,利用新息序列的方差, 可以在系统的自身计算过程中逐步估计并校正系统噪声方差和观测噪声方差.系统模拟显示,估计的系统噪声方差和观测噪声方差均收敛于实际的系统噪声方差和观测噪声方差,而且收敛速度比传统卡尔曼滤波要快.     

自化处理对快速确定GPS 整周模糊度算法的研究

给出了一种快速GPS模糊度分解算法的改进方法。该算法通过白化处理,消除或减弱短时间内GPS载波双差观测量的相关性,提高了卡尔曼滤波器对模糊度估计精度,仿真结果表明：对于短基线情况去相关处理可以在较短的时间内获得较小的估计偏差。     

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。     

基于Kalman滤波的稳态白噪声估值器

基于 Kalman 滤波,对带非零均值的相关噪声系统提出了统一的稳态白噪声估值器,可统一处理白噪声滤波、平滑和预报问题。它们包括稳态输入白噪声估值器和观测白噪声估值器,且包括白噪声新息滤波器和 Wiener 滤波器。一个 Bernoulli-Gaussian 白噪声的仿真例子说明了它们的有效性。     

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。     

基于Verilog HDL的卡尔曼滤波器的仿真研究

文章对卡尔曼滤波器的算法的5个递推方程进行了详细的介绍,并采用Verilog HDL硬件描述语言对卡尔曼滤波器的算法进行了仿真研究.通过仿真分析,结果表明卡尔曼滤波器的系统过程噪声、测量噪声、系统阶数(递归次数)等因素对滤波结果有影响。