Self-tuning distributed measurement fusion Kalman estimator for the multi-channel ARMA signal

For the multisensor multi-channel autoregressive moving average (ARMA) signal with white measurement noises and a common disturbance measurement white noise, when the model parameters and the noise variances are all unknown, a multi-stage information fusion identification method is presented, where the consistent fused estimates of the model parameters and noise variances are obtained by the multi-dimension recursive instrumental variable (RIV) algorithm, correlation method and Gevers-Wouters algorithm with a dead band. Substituting these estimates into the optimal distributed measurement fusion Kalman signal estimator, a self-tuning distributed measurement fusion Kalman signal estimator is presented. Its convergence is proved by the dynamic error system analysis (DESA) method, so that it has asymptotical global optimality. In order to reduce computational load, a fast recursive inversion algorithm for a high-dimension matrix is presented by the inversion formula of partitioned matrix. Especially, when the process and measurement noise variance matrices are all diagonal matrices, the inversion formula of a high-dimension matrix is presented, which extends the formula of the inverse of Pei-Radman matrix. Applying the proposed inversion algorithm, the computation of the fused measurement and fused noise variance is simplified and their computational burden is reduced. A simulation example shows effectiveness of the proposed method.     

自校正分布式观测融合Kalman滤波器

对于带未知噪声统计和带具有相同右因子的观测阵的多传感器系统,应用加权最小二乘(WLS)法可得到一个等价的融合观测方程。该文应用现代时间序列分析方法,基于新息模型参数的在线辨识,可估计未知噪声方差,进而提出了自校正加权观测融合Kalman滤波器。在新息模型参数估计是一致的和观测数据是有界的假设下,该文证明了自校正Kalman滤波器收敛于当噪声统计已知时的全局最优融合Kalman滤波器,因而它具有渐近全局最优性。最后给出了一个4传感器跟踪系统的仿真例子并验证了其有效性。     

Self-tuning weighted measurement fusion white noise deconvolution estimator

For the multi-sensor linear discrete time-invariant stochastic systems with correlated measurement noises and unknown noise statistics,an on-line noise statistics estimator is obtained using the correlation method.Substituting it into the optimal weighted fusion steady-state white noise deconvolution estimator based on the Kalman filtering,a self-tuning weighted measurement fusion white noise deconvolution estimator is presented.By the Dynamic Error System Analysis(DESA) method,it proved that the self-tunin...     

Information fusion steady-state white noise deconvolution estimators with time-delayed measurements and colored measurement noises

White noise deconvolution or input white noise estimation problem has important application backgrounds in oil seismic exploration, communication and signal processing. By the modern time series analysis method, based on the Auto-Regressive Moving Average (ARMA) innovation model, under the linear minimum variance optimal fusion rules, three optimal weighted fusion white noise deconvolution estimators are presented for the multisensor systems with time-delayed measurements and colored measurement noises. They can handle the input white noise fused filtering, prediction and smoothing problems. The accuracy of the fusers is higher than that of each local white noise estimator. In order to compute the optimal weights, the formula of computing the local estimation error cross-covariances is given. A Monte Carlo simulation example for the system with 3 sensors and the Bernoulli-Gaussian input white noise shows their effectiveness and performances.     

自校正解耦融合Kalman预报器及其收敛性

对于带有未知模型参数和噪声方差的多传感器系统,通过系统辨识方法,得到模型参数和噪声方差的信息融合估计,将其代入到最优分量按标量加权融合Kalman预报器中,得到自校正信息融合Kalman预报器,实现了状态分量的解耦。通过动态误差系统分析（DESA）方法严格证明了提出的自校正Kalman预报器按一个实现收敛于最优融合Kalman预报器,因此它有渐近最优性。应用信号处理的仿真例子验证了其有效性。     

基于容积卡尔曼滤波的异质多传感器融合算法

针对机动目标跟踪系统建模中的非线性问题,提出一种基于容积卡尔曼滤波(CKF)的雷达与红外传感器融合算法。考虑到被估计系统对目标跟踪算法实时性与精度的要求,在容积滤波框架下构建了集中式量测融合(CMF)和分布式状态融合(DSF)两种结构形式。CMF结构采用最优加权方法,首先对雷达和红外两种异类传感器的方位角度量测信息进行融合,并将其与融合后的雷达径向距量测构建新的量测数据,进而通过CKF算法对机动目标进行跟踪。DSF结构则首先对雷达量测中径向距信息进行加权融合,并将融合结果作为红外传感器的虚拟径向距量测,以实现红外量测的扩维处理,进而对每组量测数据应用CKF进行分布式并行加权融合,获得目标运动状态的最终估计。仿真场景中,对两种融合方法的性能进行比较,理论分析与仿真实验验证了算法的可行性与有效性。     

基于卡尔曼滤波的动态角度测量系统设计

数字倾角仪主要用于静态环境下的角度测量,但当被测物体在动态（非匀速直线运动）环境下,倾角仪内部加速度计会受到除重力加速度外的加速度影响而变得不准确,此时仅依靠加速度无法准确解算出被测物体真实角度。针对动态下的测量问题,设计一种低成本的动态角度测量系统,利用MPU9255传感器中集成的三轴加速度计和三轴陀螺仪,采用融合陀螺数据的卡尔曼滤波和系统误差补偿,解决加速度计在动态下无法准确测量角度的问题。经测试表明,所设计的测量系统能够满足动态下较高精度的角度测量。     

Fault detection in sensor information fusion Kalman filter

An approach to the test of the sensor information fusion Kalman filter is proposed. It is based on the introduced statistics of mathematical expectation of the spectral norm of a normalized innovation matrix. The approach allows for simultaneous test of the mathematical expectation and the variance of innovation sequence in real time and does not require a priori information on values of the change in its statistical characteristics under faults. Using this approach, fault detection algorithm for the sensor information fusion Kalman filter is developed.     

带相关噪声的观测融合稳态Kalman滤波算法及其全局最优性

对于带相关的输入白噪声和观测白噪声及相关观测白噪声的多传感器线性离散定常随机系统,用加权最小二乘(WLS)法提出了一种加权观测融合稳态Kalman滤波算法,可处理状态、白噪声和信号融合滤波、平滑、预报问题。基于稳态信息滤波器证明了它完全功能等价于集中式观测融合稳态Kalman滤波算法,因而它具有渐近全局最优性,且可减少计算负担。一个跟踪系统仿真例子验证了它的功能等价性。     

带多普勒量测的序贯SCKF雷达目标跟踪算法

为提高非线性观测条件下雷达目标的跟踪性能,将序贯处理方法引入均方根容积卡尔曼滤波( SCKF),提出一种带多普勒量测的序贯均方根容积卡尔曼滤波( SSCKF-D)雷达目标跟踪算法,该算法通过建立伪量测去除径向距离和径向速度量测误差方差之间的相关性。基于SCKF算法,按照量测精确度的高低顺序对方位角、俯仰角、径向距离和伪量测序贯处理。 Monte Carlo仿真表明,与SCKF和带多普勒量测的均方根容积卡尔曼滤波( SCKF-D)算法相比,SSCKF-D算法跟踪精度更高,较后者提高20%以上,收敛速度更快,更适用于空间目标跟踪。     

有色噪声下基于Unscented粒子滤波的语音增强方法

针对含有色噪声的语音,提出了一种基于Unscented粒子滤波的单通道语音增强方法.采用时变自回归模型(TVAR)对干净语音建模,通过Unscented粒子滤波器估计AR模型的参数并滤除有色噪声.与大多数常用的粒子滤波选择的建议分布不同,Unscented粒子滤波器采用Unscented卡尔曼滤波器生成粒子滤波的建议分布.由于在粒子的更新过程中考虑了最近的观测值,Unscented粒子滤波器能够在粒子数少于传统粒子滤波算法所需粒子数目的基础上改善估计的性能.仿真实验结果表明,在有色噪声背景下该算法具有良好的语音增强效果.     

不确定系统鲁棒协方差交叉融合稳态Kalman滤波器

针对带不确定模型参数和噪声方差的线性离散多传感器系统,基于极大极小鲁棒估值原理,该文提出一种鲁棒协方差交叉(CI)融合稳态Kalman滤波器。首先,用引入虚拟噪声补偿不确定模型参数,把模型参数和噪声方差两者不确定的多传感器系统转化为仅噪声方差不确定的系统。其次,应用Lyapunov方程证明局部鲁棒Kalman滤波器的鲁棒性,进而保证CI融合Kalman滤波的鲁棒性,且证明了CI融合器的鲁棒精度高于每个局部滤波器的鲁棒精度。最后,给出一个仿真例子来说明如何搜索不确定参数的鲁棒域,并验证所提出的鲁棒Kalman滤波器的优良性能。     

量测提升卡尔曼滤波

滤波器设计是系统辨识和状态估计的重要基础.卡尔曼滤波通过状态预测和量测更新的实现框架,在最小方差准则下实现对目标状态的最优估计,但在单传感器量测环境中其滤波精度易受量测噪声随机性的影响.本文提出一种基于量测提升策略的卡尔曼滤波算法实现框架,新方法依据当前时刻量测和量测噪声先验统计信息构建虚拟量测,并通过对虚拟量测采样以及融合提升系统量测信息可靠性,进而改善状态估计精度.同时,针对算法在工程应用中实时性、准确性以及鲁棒性等需求,设计了分布式加权融合和集中式一致性融合的两种实现结构.理论分析和仿真实验结果验证了算法的可行性和有效性.     

鲁棒的高斯和容积卡尔曼滤波红外目标跟踪算法

为提高恶劣测量环境下单站红外搜索与跟踪系统的跟踪性能,提出了一种鲁棒的高斯和容积卡尔曼滤波算法.首先,为改善滤波初值模糊问题,在容积卡尔曼滤波框架下将滤波器分为若干不同初值的子滤波器,利用似然函数逐步减小初值偏差较大的子滤波器权值;其次构建非线性程度判别量,在高非线性情况下将预测密度沿最大特征向量方向进行分割,提高滤波精度;最后利用等价权函数改善新息协方差,减小异常误差对滤波准确性和稳定性造成的影响.实验结果表明,不存在异常误差时,所提算法跟踪结果优于传统算法;存在异常误差时,传统滤波方法的精度明显降低,而所提算法依然能够得到准确可靠的跟踪结果.     

基于卡尔曼滤波器的运动目标跟踪算法

为了有效解决运动目标遮挡时目标信息容易丢失从而导致跟踪失败的问题,提出一种基于卡尔曼滤波器的运动目标跟踪算法。该算法首先利用高斯混合模型的背景差分法,结合空间邻域的相关性信息得到运动目标图像,然后通过建立帧间关系矩阵将跟踪情况分为5种状态分别进行处理,这5种状态是新目标出现、目标匹配、目标遮挡、目标分离和目标消失。采用卡尔曼滤波器预测目标参数,建立目标在下一帧中的预测信息。当运动目标相互遮挡时,在卡尔曼滤波器预测区域内采用交叉搜索法实现多个运动目标的精确匹配。通过多个视频序列测试,该算法能够获得良好的跟踪结果。     

多通道信号自校正分布式融合Kalman滤波器

对带未知参数的多传感器多通道自回归滑动平均(ARMA)信号,采用多维递推辅助变量(MRIV)方法得到自回归模型参数估值,通过Gevers-Wouters算法辨识滑动平均模型参数估值,再用相关方法得到噪声方差的估值。把所有的估值都代入到最优分布式融合信息滤波器中得到自校正分布式融合Kalman信息滤波器。该滤波器具有渐近全局最优性,一个多通道信号仿真例子验证了其有效性。     

基于扩展卡尔曼滤波的低压配电网漏电流监测

针对传统低压配电网漏电流监测方法中存在的监测误差较大且监测耗时较长等问题,提出基于扩展卡尔曼滤波的低压配电网漏电流监测方法.采用小波变换方法提取漏电流低频信息,将小波变换离散化处理,降低提取特征的冗余程度,完成低压配电网漏电流高频特征提取;采用一阶泰勒展开式扩展卡尔曼滤波技术,将其转变为线性空间方程,引入前馈控制概念,...     

基于改进粒子滤波和自适应融合的目标跟踪

针对复杂环境下视频目标跟踪精确度低的问题,提 出了一种基于混合迭代无迹粒子滤波(HI-UPF)和关联系数自 适应融合的目标跟踪算法。首先采用统计线性回归的方法对无迹变换进行优化,提出了HI- UPF,不 仅提升了滤波精度,而且有效降低了算法的时间消耗;其次基于关联系数,采用一种自适应 融合方法,实现了加性 融合和乘性融合的自适应切换,并根据关联系数提出一种改进的自适应加性融合方法。仿真 实验表明,本文方法对 于复杂条件下的目标跟踪具有较高的精度和较强的鲁棒性。     

基于Kalman滤波器运动目标跟踪的火灾监测方法

针对目前通常采用的火焰信息特征检测方法无法有效排除环境变化产生的干扰,特别是光线变化易引发实时火灾监控出现误检的问题,提出了一种基于Kalman滤波器运动跟踪算法的火焰检测方法,同时利用颜色、圆形度等特征和信息进一步确认火灾。不同干扰条件下的测试结果表明,利用文中提出的算法进行火灾识别判断,具有响应时间短,抗干扰性强等优点,可满足实际使用需求。     

具有控制项的限定记忆卡尔曼滤波器

在已有的限定记忆卡尔曼滤波器的基础上 ,将确定性先验信息作为控制项加以应用 ,推导出了完整的限定记忆卡尔曼滤波公式 ,从而在记忆长度确定的情况下 ,有效地减小了模型不准的误差 ,降低了滤波总误差。仿真同样表明了该方法的有效性