传感器网络环境中基于采样数据分布式滤波的研究综述

近年来,由大量具有感知、计算和通信能力的微型传感器组成的传感器网络越来越广泛地应用在生产及生活的方方面面.另一方面,随着微电子及数字信号技术的发展,利用采样数据的离散化的数字控制器或滤波器被普遍使用.为了反映这个新兴领域的最新进展,本文对传感器网络环境中基于采样数据分布式滤波的研究展开了综述.首先,综述了传感器网络中几种分布式滤波方法的研究进展.然后,针对不同的采样方式,详细总结了采样数据系统的控制与滤波问题的研究工作.随后,对目前已有的传感器网络基于采样数据的分布式滤波的研究结果进行了介绍.最后,对传感器网络环境中基于采样数据的分布式滤波方面未来可能的研究课题进行了展望.     

基于联合概率数据融合的多目标车辆安全跟随

为了实现密集杂波环境下多目标车辆安全跟随，提出多源传感器数据融合的多目标车辆跟踪算法与纵向避撞预警策略.针对多源传感器观测序列因采样周期、采样起始时刻、通信时延差异等引起的时间异步，以及空间上存在不同维度、不同坐标系的问题，给出时间配准与空间融合的软同步方法.采用基于改进的联合概率数据关联(JPDA)的单一传感器多目标状态估计算法对目标轨迹进行滤波估计，能够在保证有效关联的同时，在一定程度上降低计算复杂度.基于多源传感器联合概率数据融合(MSJPDA)序贯滤波算法对目标的运动状态进行序贯更新，将最后一级的输出作为融合中心的最终状态估计，再根据威胁估计模型对追尾危险的发展态势进行评估与分级.实车试验与仿真结果验证了该算法的可行性与有效性.     

基于分布式融合的传感器网络拓扑配置

采用2种最优分布式异步航迹融合方法研究异步采样传感器网络的动态拓扑配置策略设计.其主要核心思想是：每一个传感器跟踪节点执行局部Kalman滤波,再将滤波估计结果传输到融合中心;融合中心利用各自不同的融合方式执行预测估计校准和最优递推加权融合,同时利用当前所有传感器信息的全局递推融合估计与系统精度要求的阈值进行实时比较,以决定是否终止或继续进行融合;实现下一时刻网络拓扑的动态配置和网络节能.基于特定的计算准则分析网络能量消耗,并通过计算机仿真验证算法的有效性.结果显示：2种方法都能实现异步采样多传感器网络的动态拓扑配置和节能,且最优异步融合配置方法的效果优于次优异步航迹融合方法.     

基于异类传感器多模型融合方法的研究

低空/超低空的突防对国土防空提出了严峻的挑战。针对融合问题中多源、不同维度和异步等特征问题,通过多个传感器有机地结合,利用多源异类传感器进行数据融合,提出了基于熵的交互式多模型的异类融合方法,并设计了两种异类传感器集中式的数据融合策略。最后通过仿真实验对比分析了两种方法。仿真结果表明采用序贯滤波的融合方法具有较好的融合性能。     

无线传感器网络数据融合算法研究

数据融合的目的是减少节点的传输数据量,减少网络中总能量的消耗.针对这个问题,利用Kalman滤波进行目标状态估计,将分批估计算法应用于无线传感网的数据融合中,通过对监测同一对象的多个传感器所采集的数据进行综合,以达到提高数据精度和可信度的目的.同时实验获得的大量仿真数据证明了算法的可行性.提出了多传感器多目标分批估计融合算法,对监测不同对象的多个传感器所采集的数据进行融合.     

一种有效的数据融合方法——分布式的离散Kalman滤波方法

介绍了一种基于Kalman的数据融合方法,分析了用于多传感器数据融合的Kalman滤波方法基本概念和理论。在Kalman滤波理论的基础上对全球定位和惯性导航系统的车辆组合系统进行了仿真。结果表明,分布式的离散Kalman滤波方法是一种有效的数据融合方法。     

一种基于模糊逻辑的主/被动雷达数据融合算法

提出一种基于模糊逻辑的主/被动雷达传感器数据融合算法。首先将单个雷达的测量值通过时间校准后,将它们作为卡尔曼滤波器的输入分别滤波,然后再对滤波后的目标状态估计进行融合。融合算法是基于卡尔曼滤波的协方差匹配关系,采用模糊推理得到数据融合的权值。最后将各传感器的卡尔曼滤波状态估计进行加权融合得到所需要的目标状态信息。采用该融合算法可以有效提高目标跟踪系统的抗干扰能力。仿真结果表明该算法有效。     

一种有效的数据融合方法——分布式的离散Kalman滤波方法

介绍了一种基于Kalman的数据融合方法，分析了用于多传感器数据融合的Kalman滤波方法基本概念和理论。在Kalman滤波理论的基础上对全球定位和惯性导航系统的车辆组合系统进行了仿真。结果表明，分布式的离散Kalman滤波方法是一种有效的数据融合方法。     

分层卡尔曼滤波融合精度的研究

目的分析了传统分层卡尔曼滤波融合算法,指出传统卡尔曼滤波融合算法不能很好地提高跟踪精度且算法复杂的缺陷,提出了一种加权分层卡尔曼滤波融合算法,方法应用理论分析和蒙特卡洛仿真方法,对传统融合算法和新算法进行比较,并给出了各种情况下均方根误差的统计值比较,结果分层融合算法并不优于加权平均和反馈加权平均算法,加权及反馈滤波融合算法原理简单、数据处理量小、速度快、容错性好,结论加权分层融合算法特别适用于失效传感器的处理,特别当一传感器有较大的绝对误差和相对误差或与其它的传感器的采样周期略有不同和与其它传感器采样不同步时,将融合结果反馈给单传感器,可提高各单传感器的跟踪精度。     

基于扩展卡尔曼滤波的两轮机器人姿态估计

针对两轮自平衡机器人惯性传感器存在误差的问题,提出基于扩展卡尔曼滤波的方法进行补偿,从而实现机器人姿态的最优估计.利用实验获得的惯性传感器误差特性,采用Levenberg-Marquardt非线性最小二乘迭代法拟合数据,从而建立机器人导航用惯性传感器陀螺仪和加速度计误差的数学模型,并对误差进行标定.采用扩展卡尔曼滤波将传感器的数据进行融合并对误差进行补偿,得到机器人姿态的最优估计.将滤波后的模型应用到两轮自平衡机器人系统,实验结果表明改进后的系统误差得到了有效的抑制,从而验证了采用低成本的惯性传感器进行机器人的姿态估计是有效可行的.     

异步数据融合的传感器配准

针对异步多传感器系统 ,研究一种能有效估计配准误差并消除其影响的算法 .提出用最小二乘法和卡尔曼滤波算法分别进行时间配准和估计失调误差和姿态误差 .仿真结果证实了算法的有效性 .采用最小二乘法可以将数据压缩“对齐”到任意时刻 ,采用卡尔曼滤波算法可以估计并消除配准误差的影响 ,这对多传感器的数据融合具有重要的意义 .     

基于UKF的海底集矿车组合导航研究

针对扩展卡尔曼滤波(EKF)在海底集矿车组合导航系统应用时存在着计算复杂、线性化误差大等问题,基于附加打滑参数的履带车运动学模型,将无色卡尔曼滤波(UKF)用于集矿车长基线声学导航(LBL)与推算导航(DR)的组合导航系统中.考虑到测量数据时延,组合导航系统融合LBL与DR信息,得到海底集矿车位置估计.研究结果表明:采用EKF方法,测量数据时延0,0.5,2s时,东向定位精度为0.14,0.32,0.48m,北向定位精度为0.13,0.28,0.44m;采用UKF方法,测量数据时延0,0.5,2s时,东向定位精度为0.10,0.26,0.37m,北向定位精度为0.09,0.24,0.34m.测量数据时延越短,EKF,UKF的位置估计效果都会越好.但与EKF方法相比,UKF方法能够明显减少组合导航系统的线性化误差,提高海底集矿车导航系统的精度与稳定性.     

基于激光测距雷达的室外移动机器人定位

采用激光测距雷达作为机器人的外部传感器，里程计和惯性导航系统作为内部传感器，对室外移动机器人环境地图已知情况下的定位问题进行了研究。根据定位系统的特点建立了系统的运动模型和观测模型，考虑到系统的不确定性，提出了一种基于混合模型的系统误差描述方法，同时采用扩展卡尔曼滤波对多传感器信息进行了融合，仿真试验的结果表明该定位系统具有较高的定位精度。     

一种基于协方差控制的异步数据融合方法

针对异步融合中心计算量大、实时性差的问题，基于估计协方差控制理论提出了一种多传感器异步数据融合算法．该算法在每步卡尔曼滤波的同时进行下一步的传感器选择，以最少的运算量得到较优的结果．通过计算机模拟仿真，证明了该算法的有效性及可行性．     

离散时间切换系统在丢失测量下的异步H_∞滤波

针对离散时间切换系统研究输出测量具有丢失的情形下切换系统的异步H∞滤波问题.传感器的丢失测量满足伯努利分布,丢失的概率是已知的常数.利用切换Lyapunov泛函和平均驻留时间的方法,对给定的丢失测量在H∞意义下以线性矩阵不等式的形式给出滤波误差系统指数均方稳定的充分条件,并设计了一个指数均方稳定的H∞滤波器.最后通过一个仿真实例证明了所给方法的有效性.     

基于功角测量的同步电动机失步保护策略及实现方法

为避免同步电动机失步运行的情况,提出了一种基于同步电动机功角测量的新的失步保护方案。通过对失步运行原因的分析,论述了新方案失步保护策略的理论基础、转矩角的测量及实现方法。新方案改变了传统失步保护的观念,提高了同步电动机运行的可靠性和安全性。     

Windows平台远程卷复制系统的设计

W indows远程卷复制系统是为了获得计算机数据的高安全性和可靠性而设计的软件系统,是通过在内核加载过滤驱动来实现的,其数据的更新流程支持同步和异步的复制模式,系统状态通过主端、从端和同步、异步的不同来设计,从而确保了复制系统数据的一致性。     

异步顺序采样精确计算电量的改进方法

为了提高异步顺序采样方式下测算电量的精度,详细分析了用异步顺序采样值计算电量产生误差的原因,提出了精确计算电量的改进方法,实现了畸变电量的精确测量.仿真结果表明,该方法具有很高的计算精度.     

模糊自适应无迹卡尔曼滤波方法用于天文导航

为克服航天器自主天文导航中不确定测量噪声对导航精度的影响,提出了一种基于模糊推理的自适应无迹卡尔曼滤波(FUKF)方法.该方法根据滤波过程中实际测量残差方差与理论残差方差的比值,将系统滤波过程分为普通模式和自适应模式.分别对两种模式建立模糊隶属度函数,应用模糊推理规则,得到自适应修正因子,对系统的测量噪声方差阵进行实时修正,使其跟踪实际测量噪声的变化.当系统受到不确定环境噪声影响时,该滤波算法仍然有效收敛.将该方法应用于直接敏感地平的航天器自主天文导航中,不同测量噪声水平下的仿真结果表明,该算法对不确定的测量噪声具有较强的自适应能力,保证了导航信息的输出精度.     

基于引导滤波与稀疏表示的医学图像融合

为提升融合图像清晰度,提出一种基于引导滤波器与自适应稀疏表示的多模态医学图像融合算法.该算法利用高斯滤波器将输入图像分解为细节层和基础层;基于显著性特征和引导滤波器求得基础层权值图,根据该权值图结合加权平均融合规则对基础层进行融合;同时,采用自适应稀疏表示算法融合细节层;最后,将融合的细节层和基础层相加得到融合图像.在...