附加运动约束的MEMS惯性传感器融合定姿算法

针对MEMS惯性传感器因精度低、误差随时间累积导致无法满足长时间姿态测量要求的问题,提出了一种附加运动约束的姿态估计方法,即在以陀螺仪解算的姿态信息作为系统预测、以加速度计与磁强计解算的姿态信息作为系统量测的基础上,将载体运动约束作为虚拟观测量输入滤波器。同时,针对传统EKF算法精度不高的问题,提出了一种新的滤波融合算法,即迭代更新扩展卡尔曼滤波(iterated update extended Kalman filter,IU-EKF)。新算法通过将当前量测信息逐步引入量测更新过程实现后验状态估计,从而达到减弱观测模型非线性、提高滤波估计精度的目的。数值仿真结果表明:本文算法的姿态估计精度较传统的"双矢量法+EKF"模式有大幅提升。     

基于UKF的机动目标跟踪算法

基于EKF在处理非线性问题时采用系统预测状态的局部线性化方法来近似系统状态演化方程所产生的不良影响,提出了一种用UKF方法解决机动目标方位和速度的跟踪及估计问题的算法.按实际的非线性模型演化时,该算法能够很好地对非线性函数的后验均值与方差进行拟合,并充分利用了传感器每次量测带来的信息并进一步优化了测量方差.仿真试验表明,该算法能很好地对机动目标的速度和航迹进行估计和跟踪.     

分布式传感器网络自适应一致性融合估计算法

针对分布式传感器网络的目标一致性状态估计问题,提出自适应一致性融合估计算法。考虑到网络中节点为测距和测方位的传感器,基于观测噪声与目标状态相关的假设,构建量测模型;引用无迹卡尔曼滤波与CI算法得到各节点的局部估计,通过误差矩阵加权更新节点状态以改进一致性算法,实现各节点对目标状态的一致性估计。仿真实验结果表明,该算法能够在快速收敛的过程中实现无中心节点的分布式传感器网络中各节点对目标位置的精确估计,同时又保证各节点之间的一致性。     

统计线性化无序量测更新算法

在实际的多传感器系统中,由于各种传感器具有不同的采样率,预处理时间,以及数据通信延迟,因而会出现多个传感器量测不同步到达融合中心的现象。进一步地,当较早时刻产生的量测在较晚时刻产生的量测之后到达融合中心时,无序量测问题就出现了。针对离散时间非线性系统,提出基于统计线性化固定点平滑器的最佳统计线性化无序量测算法,它可以处理单步和两步延迟(甚至多步)无序量测,且能达到与重新滤波法相同的估计精度。     

动态加权的一致性多传感器数据融合算法

研究现有多传感器的加权融合算法,针对时变非线性系统状态估计的有效融合问题,提出了一种基于动态加权的一致性多传感器数据融合算法.对于多传感器量测,首先利用Unscented 卡尔曼滤波器得到局部状态估计值,然后基于层次分析法思想,构建反映局部状态估计结果相互支持程度的一致性矩阵,充分提取数据中蕴含的冗余和互补信息,最后通过对一致性矩阵的求解实现对权重的合理选择.经过蒙特卡罗仿真验证了该算法的有效性.     

基于Doppler量测的CS-EKF机动目标跟踪平行滤波算法

为提高非线性机动目标跟踪精度,在基于"当前"统计模型(CSM)的扩展卡尔曼滤波(CS-EKF)算法的基础上,提出一种基于多普勒径向速度量测和三维平行滤波的机动目标跟踪算法(CS3D-EKFrv)。该算法通过引入径向速度量测扩充量测矩阵的维数,然后利用扩展卡尔曼滤波(EKF)方法解决量测方程中状态向量和量测向量的非线性问题,最后采用"当前"统计模型对目标的三维状态进行平行滤波估计,解决三坐标轴上机动强度不一致的问题。对CS-EKF,CS3D-EKF及CS3D-EKFrv算法的仿真结果和实测数据检验表明,CS3D-EKFrv算法能够有效改善机动目标的跟踪精度。     

基于简化的充分统计量(RSS)的红外图象跟踪算法

本文论述了用红外图象序列跟踪目标的问题。证明库尔哈维开发的贝叶斯闭环估计算法很适于红外跟踪问题。红外焦平面阵列上的辐射强度模式适于用RSS的闭环表达式,在库尔哈维的算法中就是用这种方法对真正后验密度进行近似估计的。由RSS新建的公式可以导出对目标状态的估计。为了比较,使用以前开发的基于广义卡尔曼滤波器(EKF)的红外跟踪算法和基于RSS的新方法,借助红外图象序列跟踪目标。已证明,在EKF发散的高速情况中,RSS算法仍保持跟踪。     

基于UKPF的雷达与红外传感器融合跟踪算法

针对异类传感器融合跟踪中状态估计与量测的非线性问题,分析了粒子滤波器在解决非线性和非高斯问题的优势,提出了一种基于unscented Kalman粒子滤波器(UKPF)的雷达与红外传感器融合跟踪算法,给出了算法的详细步骤.然后将该算法用于三维空间的目标跟踪上,仿真结果表明该算法比现有算法具有更高的跟踪精度.     

用批递归估计器纯方位跟踪机动目标

本文介绍一种新的批递归估计器用杂波中的纯方位量测跟踪机动目标(即,低信噪比(SNR)目标)。标准的递归估计器跟广义卡尔曼滤波器(EKF)一样由于缺乏初始目标距离信息而造成粗劣收敛和不稳定状态。另一方面,批估计器不可以处理目标机动。为了纠正这些缺陷,本文用概率数据互联将批最大似然——概率数据互联估计器(ML-PDA)同递归交互多模型(IMM)估计器组合,在有杂波的条件下产生较好的航迹初值和航迹保持结果。还论证,批递归估计器可以用于基于目标状态估计的自适应己舰机动决策,以提高目标的可观测性。跟踪算法对有8dB信噪比的目标被证明是有效的。     

用于目标跟踪的分布式融合结构和算法

现代监视系统经常利用多物理分布的不同类型的传感器,提供对目标的辅助和重叠作用范围。为生成目标航迹和估计,传感器数据需要加以融合。虽然集中式处理方法在理论上是最佳的,但把融合操作分布到多个处理节点有很多优点。本文讨论了分布式融合结构,每个节点处理它自己的一组传感器数据并与其他节点进行通信以改进估计。引入信息图形作为模拟分布式融合系统的信息流和发展算法的一种方法。目标跟踪融合包含两种主要操作方式:估计和互连。基于信息图形的分布式估计算法用于任意融合结构并与线性和非线性分布估计结果有关。根据跟踪到跟踪互连似然估计,讨论了分布式数据互连问题。介绍了两种流行跟踪算法的分布式方式(联合概率数据互连和多假设跟踪)并给出应用实例。     

非高斯背景条件下水声信号粒子滤波性能分析

基于贝叶斯滤波原理,介绍了粒子滤波(Particle Filter,PF)的基本思想和具体算法实现步骤。针对非高斯噪声对水下信号目标跟踪的影响,分别对符合高斯分布、韦伯分布和伽马分布的随机噪声序列,在噪声均值和方差相同的条件下,对比分析了扩展卡尔曼滤波(Extended Kaman Filter,EKF)算法和PF算法的估计精度。仿真结果表明,在非线性非高斯环境下EKF算法跟踪性能严重下降,而PF算法能继续保持较好的跟踪精度,证明PF算法在非线性非高斯系统中的有效性。     

基于随机有限集理论的多传感器目标联合检测跟踪算法

针对杂波环境中的目标检测跟踪问题,提出一种基于随机有限集理论的多传感器目标联合检测跟踪算法。算法将目标状态和量测描述为随机集合,建立考虑目标出现、目标保持、目标消失等情况的目标状态随机有限集模型,以及考虑漏检和虚警的多传感器量测随机有限集模型。将目标的联合检测跟踪问题构建为目标状态集合的贝叶斯最优估计问题,并基于随机有限集理论对该贝叶斯估计算法的递推表达式进行严格理论推导。采用序贯蒙特卡罗技术实现算法的递推滤波。仿真结果验证了该算法的有效性以及算法相对于传统基于数据关联算法的性能优势。     

一种基于时变噪声统计的异步多速率传感器信息融合算法

以异步多速率传感器信息融合理论和同步单速率传感器时变噪声统计理论为基础,提出了一种适用于时变线性系统的异步多速率传感器时变噪声统计系统的信息融合算法.通过原理分析和数学推导,将异步多速率传感器动态系统建模为同步同速率系统.进而利用噪声统计估值器和相应的自适应Kalman滤波方法进行状态估计,利用联邦分布式数据融合方法进行信息融合,获得基于所有现测信息的最优估计.理论分析和仿真结果均表明,该算法的融合效果优于任一单传感器Kalman滤波的效果.     

多传感器异步量测融合算法性能比较

归纳几种多传感器异步量测融合算法,即首先将各传感器异步数据统一到同一时刻,再对该数据进行并行或伪序贯滤波处理.分别采用理论证明和实例仿真分析对各种算法的估计精度、计算量等性能进行了比较.所得结论对实际工程应用中异步量测融合算法的选取有一定的指导意义.     

基于CKF的TDOA/AOA弹道容积估计

为克服光学/声学、GPS和雷达等传感器在弹道量测中面临的诸多问题,提高弹道估计的准确度,提出了采用TDOA与AOA联合的UWB定位技术为量测手段、以质点弹道方程为状态依据的CKF弹道估计算法。通过仿真实验表明:该算法克服了EKF滤波精度低和UKF不稳定的缺点,CKF对弹丸位置的估计精度较EKF与UKF可分别提高34.57%和8.68%,且稳定性较高。     

主被动传感器空时对准融合模型目标跟踪技术

针对主被动传感器量测的时空不同步和定位的非线性,以提高跟踪精度为目的,构建了空时对准融合跟踪模型。通过牛顿插值法实现了时空量测的同步,并基于融合算法建立了模型的滤波算法。最后,在匀速直线运动目标和机动目标的背景下验证了时空对准融合跟踪模型对目标的跟踪效果,在主被动传感器信息利用、提高精度等方面具有一定的理论和实际意义。     

航迹与航迹的最优融合

在多传感器融合中,航迹与航迹融合占有重要的地位。人们在这方面做了大量工作,丛氏等人[5-7]给出了任意通信模式下的最优融合公式。对于确定性来说,该公式是最优的,这里指的确定性是:过程噪声为零或使用全速率通信(即两传感器每接到一次新数据就通信一次)。但在实际操作中,因目标机动而不能完全忽略过程噪声;或者为节约通信宽带,传感器间不采用全速率通信。这两种情况下,系统都存在公共过程噪声,因此两传感器的量测不是条件(给定目标预先状态)独立的,所得融合公式[7]只是近似最优。文献[1]中也谈到这种情况,作者推导出了一个公式来计算不同传感器的两条航迹估计的协方差、基于[1]的结果,文献[2]考虑了两个传感器航迹估计的相关性,并得到一个融合公式来组合局部估计。遗憾的是,文献[2]中进行贝叶斯推导时,所做的假设并不符合实际。本文中,我们指明[2]中结果潜在的近似性,并证明该结果只在ML{最大似然}意义下最优。然后,我们提出一种性能评估方法来研究各种航迹与航迹融合方法的性能。其结果给出各种操作条件下不同融合方法的性能范围。     

重力场中低可观测弹道导弹的被动测距

本文介绍跟踪重力场中低观测目标运动的一种估计算法。例如,利用纯角量测跟踪接近的弹道导弹。这种量测可以从一个单一的固定传感器获得,但它仅在短时间内可用。而且,低目标发现概率和高虚警密度造成一种困难的低观测环境。一种算法采用概率数据互联并结合最大似然估计法,可以控制误警和小于一的目标的发现概率。本文还介绍杂波中的克拉默—拉奥下界,它确定了在虚警存在和发现概率小于一的情况下,估计器在解这个问题时可以达到最好的精度。本文建议的估计器被证明是有效的,即它满足克拉默-拉奥下界,即使对于低可观测的有6dB平均信噪比的波动目标也是有效的。对于单扫描发现概率为0.6的自由飞行的弹道导弹,其跟踪探测概率可以达到0.99而假航迹认可概率却很小。     

用不确定逼真度声传播模型的纯方位目标运动分析

当典型的纯方位目标运动分析(TMA)问题的方位量测用所接收的信噪比(SNR)量测增广时,就产生增广的纯方位目标运动分析。假定给定组合声传播和传感器(CAPS)性能预测模型,它确定SNR量测的条件密度;而CAPS模型和现实之间可能存在着不合谐。本文用实验极大后验(EMAP)法对目标参数估计提出增广纯方位目标运动分析问题的新的“缺漏数据”的公式表述,并证明其提供了一种自然而简单明了的方法以减缓CAPS模型的失谐。EMAP方法导致对解增广纯方位目标运动分析问题和经典(非增广)纯方位目标运动分析问题的迭代再加权线性最小二乘算法。     

分布式多传感器多目标跟踪融合算法

在多传感器多目标跟踪系统中,通常采用分布式融合方法和集中式融合方法。分布式融合方法具有结构简单、计算量小等优点,采用分布式融合方法更为广泛。对分布式多传感多目标跟踪融合方法、关联和估计算法进行了分析和综述,并重点讨论了传统的关联算法和神经网络、模糊技术关联算法,指出了有待进一步研究的方向。