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．     

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.     

带相关噪声多传感器系统的事件触发贯序和分布式融合估计

对带相关噪声的多传感器系统,研究了事件触发的贯序和分布式融合估计算法.不同传感器之间的观测噪声同时刻相关,并与过程噪声一步相关.为了节省通信能耗,采用了事件触发传输机制,该机制依赖于每个传感器当前的观测值和上一个触发时刻的观测值.在事件触发条件下,提出了在线性最小方差意义上的最优贯序融合和分布式融合估计算法.所提出的贯序融合算法可以根据传感器观测数据到达滤波器的顺序进行实时处理,具有较小的计算负担.所提出的分布式融合算法可以对传感器观测数据进行并行处理,具有更好的可靠性.两种算法与事件触发集中融合算法具有相同的估计精度.仿真结果验证了算法的有效性.     

基于反馈的航迹融合算法研究

研究基于反馈的雷达和红外分布式航迹融合.首先给出雷达和红外传感器多目标跟踪算法以及融合中心航迹融合算法,然后将融合状态一步预测及其协方差阵反馈到局部传感器形成新的跟踪门,并把此跟踪门和未反馈前的跟踪门的交集作为下一步估计的有效跟踪门.对不能融合的航迹,给出了目标指示.最后对所提算法进行了计算机仿真研究.     

基于反馈机制的异步环境跟踪算法

多传感器目标跟踪系统中,各传感器量测周期的不同导致局部量测或估计到达融合中心的时间不同步。使用航迹融合和卡尔曼滤波方法,各局部传感器在共享融合中心数据的基础上进行独立滤波估计,融合中心根据各局部航迹插值对准进行融合,提出了一种适合于任意多传感器速率构成的异步环境跟踪的方法。实验仿真结果表明,该方法能够很好地完成异步环境的目标跟踪任务,跟踪效果明显好于各局部传感器。     

基于卡尔曼滤波的动态权值融合

在雷达航迹融合过程中,采用多传感器测量值融合的方法能够摒除单一信息源不全面的缺点.加权平均融合为广泛使用的融合方法,但传统的权值固定的加权平均融合虽然能综合多路传感器信息,却无法自适应的根据测量值优劣倚重更有利的测量信息.因此,本文提出将固定权值改进为动态权值的融合方法,实时改变各路测量信息参与融合的权重.每次融合前,先将多路传感器测量值求简单算术平均后进行卡尔曼滤波,把滤波后的值与各路测量值作差,这相当于对传感器信息的优劣作出预判,每路测量信息的融合权值则与该差绝对值成反比.最后,通过仿真实验证明,该改进方法较之前的加权平均融合明显提高了目标的融合精度.     

多传感器数据融合与航迹预测的模型设计

文中建立了功能完整的多传感器数据融合模型,使用最邻近数据关联(NNDA)算法提取目标航迹,采用三次样条插值实现时间配准,并将传感器性能作为权重应用到航迹对的融合中,使用加权平均的方法融合航迹对.引用回声状态网络(ESN)技术实现航迹的预测.基于雷达数据在不同运动场景中测试模型性能,对于匀速直线运动和机动转弯的目标,模型具有较高的跟踪和预测精度.     

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.     

基于多类型传感器信息的结构损伤识别方法

计算2组基于径向基神经网络的结构损伤程度识别结果,一组神经网络输入是加速度传感器信息,另一组神经网络输入是应变传感器信息;以2组识别结果及其可靠性为基础,提出采用D-S证据理论数据融合方法的结构损伤程度综合识别方法.以网壳结构为研究对象,建立结构损伤模型和神经网络样本库及输入输出向量,并对不同噪声水平下结构损伤程度识别结果进行计算.计算结果显示,基于多类型传感器信息的结构损伤程度综合识别结果的误差明显小于基于单类型传感器的识别结果,并在神经网络输入有噪声的情况下,仍保持较好的效果.因此,基于多类型传感器信息的结构损伤程度识别方法在合理应用结构多类型响应信息的基础上,能够获得更优的结构损伤程度识别结果.     

航迹关联不确定度评定方法

为了对多种关联算法进行有效集成,确保在信源系统误差估计、数据合成中使用正确关联的航迹,实现性能持续改进的信息融合系统,提出了多源航迹关联不确定度概念及其评定方法.以归一化航迹似然度为基础,综合考虑了传感器的虚情、漏情、未检测区域以及传感器参数的未确知性等因素,建立了航迹关联不确定度评定模型,并进行了仿真实验.结果表明,该模型能够正确反映目标间隔距离、传感器测量误差、航迹关联的正确性、检测概率与航迹关联不确定度之间的关系,且评定结果对传感器的系统误差、参数取值不敏感.     

Maneuvering target tracking algorithm based on CDKF in observation bootstrapping strategy

The selection and optimization of model filters affect the precision of motion pattern identifica-tion and state estimation in maneuvering target tracking directly.Aiming at improving performance of model filters, a novel maneuvering target tracking algorithm based on central difference Kalman filter in observation bootstrapping strategy is proposed.The framework of interactive multiple model ( IMM) is used to realize identification of motion pattern, and a central difference Kalman filter ( CDKF) is selected as the model filter of IMM.Considering the advantage of multi-sensor fusion method in improving the stability and reliability of observation information, the hardware cost of the observation system for multiple sensors is adopted, meanwhile, according to the data assimilation technique in Ensemble Kalman filter( EnKF) , a bootstrapping observation set is constructed by in-tegrating the latest observation and the prior information of observation noise.On that basis, these bootstrapping observations are reasonably used to optimize the filtering performance of CDKF by means of weight fusion way.The object of new algorithm is to improve the tracking precision of ob-served target by the multi-sensor fusion method without increasing the number of physical sensors. The theoretical analysis and experimental results show the feasibility and efficiency of the proposed algorithm.     

自校正信息融合Kalman预报器

对含未知噪声统计的多传感器系统，用现代时间序列分析方法，基于滑动平均（MA）新息模型的在线辨识和求解相关函数矩阵方程组，可在线估计噪声统计，进而在按矩阵加权线性最小方差最优信息融合准则下，提出了自校正信息融合Kalman预报器。证明了它的收敛性，即它具有渐近最优性，且自校正融合Kalman预报器比每个局部自校正Kalman预报器精度高。一个目标跟踪系统的仿真例子说明了其有效性。     

Multi-objective optimization sensor node scheduling for target tracking in wireless sensor network

Target tracking in wireless sensor network usually schedules a subset of sensor nodes to constitute a tasking cluster to collaboratively track a target.For the goals of saving energy consumption,prolonging network lifetime and improving tracking accuracy,sensor node scheduling for target tracking is indeed a multi-objective optimization problem.In this paper,a multi-objective optimization sensor node scheduling algorithm is proposed.It employs the unscented Kalman filtering algorithm for target state estimation and establishes tracking accuracy index,predicts the energy consumption of candidate sensor nodes,analyzes the relationship between network lifetime and remaining energy balance so as to construct energy efficiency index.Simulation results show that,compared with the existing sensor node scheduling,our proposed algorithm can achieve superior tracking accuracy and energy efficiency.     

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。     

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.      

Steady-State Performance of Kalman Filter for DPLL

For certain system models, the structure of the Kalman filter is equivalent to a second-order variable gain digital phase-locked loop (DPLL). To apply the knowledge of DPLLs to the design of Kalman filters, this paper studies the steady-state performance of Kalman filters for these system models. The results show that the steady-state Kalman gain has the same form as the DPLL gain. An approximate simple form for the steady-state Kalman gain is used to derive an expression for the equivalent loop bandwidth of the Kalman filter as a function of the process and observation noise variances. These results can be used to analyze the steady-state performance of a Kalman filter with DPLL theory or to design a Kalman filter model with the same steady-state performance as a given DPLL.     

基于信息融合的支撑座早期松动故障诊断

采用基于信号分析的无模型检测方案和信息融合技术,对支撑座早期松动故障进行检测诊断.针对支撑座松动的小波包变换特征和功率谱特征进行特征融合与决策融合,同时采用基于熵度量的无监督特征约简方法对功率谱特征进行约简,有效地减少了特征数目,加快了融合和诊断速度.特征融合与决策融合采用分层神经网络实现,该网络综合了局部融合和全局融合的优点,具有很高的故障确诊率和很好的抗噪性能,无噪声样本综合确诊率达94.3%,有噪声样本综合确诊率达88.6%.     

乙苯化工过程的分布式无迹卡尔曼滤波方法

乙苯化工过程由一系列连续搅拌釜式反应器和分离器组成的大规模非线性系统,针对这一类系统提出了一种基于分布式无迹卡尔曼滤波的状态估计方案。该方法通过将系统分解,对每个子系统设计局部无迹卡尔曼滤波,它接收局部测量值,并与其它滤波器协同计算局部状态估计值的方法完成整个系统的状态估计。给出了详细的分布式无迹卡尔曼滤波的设计方法和估计算法。在不同的噪声下对分布式和集中式无迹卡尔曼进行了比较分析。仿真结果表明,分布式无迹卡尔曼滤波可以很好的处理强噪声,正常噪声下比集中式无迹卡尔曼滤波有更稳定的性能,但在理想噪声下集中式无迹卡尔曼滤波有更好的表现。     

谱分析的神经网络方法──局部零残差法

提出了一种神经网络ＡＲ（自适应递归）参量估计的新方法──局部零残差法。利用所建立的神经网络的明确收敛性，在每一个数据到来后获得一组ＡＲ参量的零残差解，这时ＡＲ参量的特性是与时间序列的噪声相关的随机过程，最终的ＡＲ参量值为全部数据通过神经网络预测误差滤波器后，对各点获得的ＡＲ参量解的求和平均。由此，ＡＲ参量值确定的最大熵谱具有很好的稳定性，且谱的分辨率和精度是与滤波器的长度成正比，这给最佳滤波器的选择保留了充分的灵活性。另外，利用神经网络并行快速的特性，可用该系统进行实时谱分析。     

基于极限学习的过程神经网络研究及化工应用

针对过程神经网络在化工过程建模中学习速度慢、易陷入局部极值等问题,借鉴极限学习机算法训练网络参数的思想,提出了一种新型的基于极限学习的过程神经网络(EL-PNN).ELPNN网络以过程神经网络的方式得到隐含层的输出后,不再使用梯度下降法进行参数调整,而是根据极限学习机算法通过广义逆直接求解输出权值.同时,为了进一步提高网络的泛化性能,考虑结构风险,在EL-PNN网络中加入风险比例参数.以高密度聚乙烯装置进行验证,结果表明,该网络具有学习速度快、建模精度高的特点,为过程神经网络在复杂化工生产中的应用提供了新思路.