测量方差自学习加权下的多传感器数据融合算法

分析了测量方差预先设定对于多传感器融合算法中加权系数分配和状态估计的不利影响，提出了一种测量方差自学习的多传感器加权和滤波算法。该滤波算法能够充分利用传感器每次量测带来新的信息进一步优化测量方差，同时依据优化后测量方差合理地分配权系数和改进状态估计，提高了对状态估计的精度。最后通过仿真计算验证了该算法的有效性。     

测量方差自适应的多传感器数据融合算法

针对测量方差预先设定对滤波精度的影响,提出了一种基于时空综合分析在线估算测量方差的方法,以充分利用多个传感器单次采样数据和单个传感器多次采样数据中蕴含的冗余和互补信息。改善了由于被测目标所处环境的先验信息匮乏而造成的建模误差问题。同时根据滤波误差协方差阵具有表示滤波精度的特性,实现系统中各传感器权系数动态合理的分配。最终给出了一种基于测量方差自适应的多传感器数据融合算法。通过蒙特卡罗仿真验证了该算法的有效性。     

机载传感器时间间隔优化管理算法

提出了一种机载传感器目标探测时间间隔优化管理方法.该方法考虑目标状态估计精度,采用交互多模型滤波算法进行传感器量测信息滤波,进而实时计算传感器目标探测跟踪的信息矩阵.在此基础上,搜索计算传感器在一定探测目标精度下的探测最佳间隔时间,实现机载传感器探测资源的有效配置和管理.进行了该传感器时间间隔优化管理算法的仿真研究,结...     

多传感器顺序粒子滤波算法

粒子滤波是一种基于Monte Carlo仿真的最优回归贝叶斯滤波算法.这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型,因此能够很好地解决非线性、非高斯环境下系统的状态估计问题.为了能够有效地解决非线性、非高斯环境中的集中式多传感器状态估计问题,本文研究了多传感器顺序粒子滤波算法.首先,从理论上推导了一般的集中式多传感器粒子滤波模型;然后根据集中式多传感器系统的特点,提出了顺序重抽样方法.最后,给出了算法的仿真分析.仿真结果说明顺序粒子滤波方法能够明显提高多传感器系统状态估计精度,并且随着传感器数增多,改善的效果越好.     

基于全局状态估计的多传感器加权数据融合算法

自学习最小二乘加权数据融合算法已被广泛地应用于融合多传感器系统中的量测信息。但是,通过深入的理论分析和实验仿真发现,自学习最小二乘加权数据融合算法在进行双传感器数据融合时具有较差的融合精度,同时该算法还具有较差的抗干扰性及稳定性。基于以上研究结果,提出了一种基于全局状态估计的多传感器加权数据融合算法,采用卡尔曼滤波的状态估计特性及相关历史信息,使得状态的估计值能够充分逼近真实值,从而使得算法具有较高的融合精度及抗干扰性。最后,Monte Carlo仿真结果显示,相比于已有算法,提出的算法在融合精度及抗干扰性方面具有明显地提高。     

基于扩展H_∞滤波自适应误差配准算法

提出了基于扩展的H∞滤波和地心坐标系的自适应多传感器误差配准方法,该方法采用地心坐标系来消除地球曲率对配准算法的影响,采用扩展的H∞滤波来消除状态模型和量测模型噪声方差的不准确对配准算法的影响,该方法能够解决多传感器异步数据的误差配准问题,并且状态方程和量测方程的噪声可以是非高斯的,并采用修正的基于BLUE的量测转换方法对修正后的传感器的量测进行滤波.仿真试验表明,该算法能有效地估计时变的传感器误差,即使在运动方程和量测方程的噪声方差不准确的情况下,也能得到满意的配准结果.     

集中交互式多传感器模糊联合概率数据互联算法

 为了解决杂波环境下多传感器多机动目标跟踪问题,本文提出了一种集中交互式多传感器模糊联合概率数据互联算法.该算法首先设定多个跟踪模型并计算每个模型中测量点迹与航迹测量预测之间的模糊综合相似度;然后基于阈值判别及经验概率法则计算模糊联合互联概率,并基于此概率对各航迹进行状态估计及状态估计协方差的更新;最后计算各模型概率,并据此概率对各模型所获得状态估计进行加权得出各航迹在融合中心最终的状态估计.对该算法与集中交互式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者有显著提高,同时有效地降低了周期耗时,综合性能更优越.     

基于QGA的高压断路器数据融合方法的研究

为了消除传感器测量中的干扰及不确定性,获得更准确、更可靠的测量结果,提出一种新型的基于量子遗传算法的数据级融合算法,并将其应用于高压断路器机械振动或分合闸线圈电流等测量数据的融合。该算法以各传感器的加权因子为优化变量,以总的样本方差最小为目标函数,采用量子遗传算法进行优化求解,求得融合后的最优输出。通过各种比较,证明了该算法的正确性和实用性。该算法可推广应用于其他设备的数据融合。     

采用模糊推理自适应加权融合的双色红外成像目标跟踪

针对双色红外成像制导系统中多传感器目标跟踪的实际问题,提出了一种基于模糊推理自适应加权融合的目标跟踪算法。该算法首先采用BP神经网络与模糊推理相结合的方法对各传感器的工作性能进行判决;然后根据各传感器的性能测度对多传感器测量数据进行自适应加权融合,得到目标状态的多传感器重建测量;最后采用卡尔曼滤波器对多传感器重建测量进行滤波得到目标状态的最终估计。实验结果证明了该算法的有效性和稳健性。     

测量噪声相关线性系统异类传感器航迹融合

研究了异类传感器航迹融合问题。在测量噪声相关的条件下,利用线性无偏最小方差估计的基本理论,通过对异类传感器的状态估计采用顺序滤波的方法,得到了相关测量噪声线性系统异类传感器测量融合算法和状态矢量融合算法。计算机数字仿真结果表明,由于考虑了测量噪声之间的相关性,该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。