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．     

任意噪声相关异类传感器非线性系统状态矢量融合

基于线性无偏最小方差估计理论，提出了一种任意相关噪声异类传感器非线性系统状态矢量融合算法．该算法考虑了过程噪声和测量噪声以及测量噪声之间的相关性和传感器系统结构的不同性，增加了描述多传感器融合系统的信息量，通过局部估计的组合构造新的变量以去除局部状态之间的相关性，采用顺序滤波的方法减小了异类多传感器融合系统全局状态估计的计算量．仿真结果表明，由于考虑了过程噪声和测量噪声以及测量噪声之间的相关性，状态矢量融合算法比噪声不相关融合算法具有更好的跟踪性能，航迹跟踪的精度得到了改善．     

量测不确定条件下离散时间滤波系统的Cramér-Rao下限研究

迄今对各种次优数据关联算法的性能评估通常只是在算法间相互比较的基础上进行的,缺乏各算法绝对次优程度的量化说明。本文对量测不确定性条件下多传感器融合系统状态估计的Cramér-Rao下限进行了研究,对M.L.Hernandez的成果做了进一步推广,给出了量测不确定性条件下具有不同观测噪声统计特征的多传感器融合滤波系统估计CRLB的计算公式。最后对多个参数与稳态CRLB间的关系进行了仿真实验,并指出有关文献中存在的错误。     

有失序量测的随机卡尔曼滤波状态更新最优解

在中心式多传感器跟踪系统中,经常会出现同一目标的量测没有按照正常的时间顺序到达处 理中心的现象. 如何利用（相对当前最新时刻而言）负时点的失序量测更新状态这一问题,在现实的多传感器系统普遍存在. 对于具有确定性参数矩阵的卡尔曼滤波,Bar-Shalom 于2002年给出了利用失序量测的最优状态更新估计方程. 本文将结果进一步推广到了具有随机参数矩阵的卡尔曼滤波,给出了利用失序量测对当前状态的最优更新估计方程.     

基于LMI的H∞未知输入观测器设计

针对同时具有未知输入和量测噪声的离散Lipschitz非线性系统,采用扩展状态向量的方法将量测噪声向量当作系统状态,从而将系统化为形式上不含量测噪声的广义离散非线性系统.通过设计广义系统H∞未知输入观测器,同时估计出原系统状态和量测噪声.为了降低设计的保守性,将观测器设计转化为线性矩阵不等式(LMI)求解问题,给出观测器设计算法,并基于延迟估计的思想提出一种未知输入代数重构方法.仿真结果表明:提出的方法可以使状态估计、量测噪声及未知输入的重构信号逼近实际信号,证明了该方法的有效性和正确性.     

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。     

随机系数矩阵卡尔曼滤波

作者考虑了状态转移矩阵和量测矩阵是随机阵的线性离散时间动态系统的状态的线性最小方差递推估计问题,即随机系数矩阵卡尔曼滤波,说明了该系统可化为过程噪声和量测噪声均依赖于状态,而转移矩阵和量测矩阵是非随机阵的线性动态系统,从而证明了新系统的状态的最小方差估计问题仍有卡尔曼滤波形式.     

一般相关噪声下线性系统定区间平滑估计算法

针对机动目标跟踪中固定区间平滑估计算法对噪声相关性考虑不完全的问题,提出了一种具有一般相关过程噪声与量测噪声的离散线性系统最优固定区间平滑估计算法.该算法通过将固定区间内全部量测进行集中式扩维,并对误差传递进行分析,从而精确给出了误差间的相关性,在线性无偏最小方差意义下对系统状态进行递推估计.与不考虑相关性的卡尔曼平滑算法以及仅考虑量测相关性的正、逆向滤波融合平滑估计算法相比,新算法在噪声的高斯分布假设下是最优的,且随噪声相关性增强其优越性越明显.仿真结果表明,在相关系数为0.36时,新算法的位置跟踪均方根误差比不考虑相关性和仅考虑量测相关性的平滑估计算法可降低38%.     

任意相关噪声线性系统异步状态向量融合

基于线性无偏最小方差估计理论,提出了一种任意相关噪声线性系统异步状态向量融合算法.该算法将融合中心的采样周期设定为传感器测量周期的最小公倍数,使得传输到融合中心的局部状态估计在每个周期内具有相同的数目,减少了跟踪滤波的计算量.在跟踪滤波器的增益阵中引入测量噪声与过程噪声的相关量和测量噪声之间的相关量,增加了描述多传感器融合系统的信息量.仿真结果表明,状态向量融合算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善.     

过程噪声和量测噪声多步相关的卡尔曼型滤波

本文详细讨论了在随机离散时间动态系统 中过程噪声~$w_k$~和量测噪声~$v_k$~两步相关情况下的最优状态估计, 给出了两步相关情况下的卡尔曼型滤波. 然后把它推广到过程噪声~$w_k$~和量测噪声~$v_k$~多步相关的情况, 给出了n步相关情况下卡尔曼型滤波的一般表达式.