基于Unscented粒子滤波的传感器管理算法

传感器管理是信息融合技术的重要研究方向,以往的传感器管理算法主要是针对线性融合系统,现实中非线性系统更为普遍,而针对非线性融合系统的传感器管理算法研究较少。粒子滤波是目前非线性领域中应用最广的滤波算法,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度。Unscented粒子滤波采用Unscented卡尔曼滤波计算提议概率密度分布,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。针对非线性系统,提出了一种基于Unscented粒子滤波的传感器管理算法。首先利用Unscented粒子滤波对目标进行状态估计,求出目标的协方差;然后利用信息熵计算目标的信息增量;最后利用信息增量最大对传感器资源进行分配,并对该算法进行了仿真。     

信息战建模的分析与探讨

通过对信息战建模的分析与总结,指出了一个完善的信息战建模方法应具备的基本功能;给出了这种建模方法的结构流图,并分析了结构流图的构成.该方法建立的信息战模型,能有效地识别信息战的效果,对信息战的理论发展和具体实施都有较重要的指导作用.     

基于矩阵重构算法的宽带相干信号方位估计

根据空间平滑理论准则,提出了一种基于阵列接收数据矩阵重构的宽带相干源方位(DOA)估计算法。将宽带阵列数据分解为若干窄带数据,对每一子带进行空间平滑处理后的数据矩阵重构;再由构造的聚焦矩阵对其进行处理,最终得到平均的阵列协方差矩阵。由子空间方法处理得到信号的方向估计,仿真实验证明了该方法的有效性。     

量测预测值对量测值信任度的异质传感器融合

针对异质传感器目标跟踪系统可能出现的传感器漏检现象,基于多传感器融合的量测预测值对各传感器量测值的信任度算出任意两传感器量测值之间的相似度,利用概率源合并理论和非负矩阵特征向量理论算出各传感器量测值与其他传感器的综合相似度,以此确定每个传感器的权重.该算法实时调整各传感器量测值的融合权重,有效地抑制了漏检传感器量测值对量测融合值的不利影响.仿真结果表明,该算法有效地解决了传感器的漏检问题,提高了系统的跟踪精度.     

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.     

基于Jerk模型的一种改进多传感器数据融合算法

简要介绍了目前存在的一些机动模型和基于状态估计的滤波算法。将Jerk模型与强跟踪滤波算法有机地结合起来,并提出了一种通过时空综合分析的测量方差自适应估计方法以优化强跟踪滤波算法中次优渐消因子和滤波增益的在线选择,同时结合多传感器数据融合具有改善滤波精度的性质,最终给出了一种基于Jerk模型的改进多传感器数据融合算法。最后,通过蒙特卡罗仿真验证了该算法的有效性。