多传感器分布式Kalman滤波融合算法

讨论多传感器数据融合算法,给出了一种使用于一般线性系统的多传感器分布式Ｋａｌｍａｎ滤波算法。     

基于推广Kalman滤波的机载无源定位改进算法

研究空中运动观测平台对地面辐射源目标的纯方位信息定位算法,提出改进的二阶EKF定位算法以提高定位估计精度.用推广Kalman滤波算法代替传统的最小二乘定位算法.充分利用观测平台的运动信息建立了可观测的观测方程,并采用二阶EKF算法解决了在观测误差较大的情况下导致的非线性误差较大的问题.采用Monte Carlo仿真比较LS,EKF和二阶EKF 3种方法的性能.证明用这种方法可以达到更好的估计精度,能够将目标位置定位在更小的概率椭圆内.概率误差椭圆缩小了30%.     

基于Kalman滤波融合算法的某坝基水平位移综合信息提取

已有坝基水平位移监测模型只能利用一个关键监测点的监测数据,而关键点选取往往具有人为性;直接利用多个监测点的监测信息,往往会出现各个监测点采集数据不一致的现象。为消除这类现象,且充分利用多点监测信息,采用基于Kalman滤波融合方法,分别根据集中式和有无反馈分布式融合算法进行计算,对比分析了其可行性,最后给出融合结果。将其应用于某坝8坝段坝基水平位移的分析,结论较为符合规律,表明3种方法均有很高的识别精度。同时,也为水工建筑基础多点监测提供一个有效的理论方法。     

一种基于扩展Kalman滤波器的神经网络学习算法

为了解决前馈神经网络BP算法在处理非线性对象时，收敛速度慢，易陷入局部极值，需调节参数多等的缺陷，提出将扩展卡尔曼滤波(EKF)算法引入神经网络的学习中．把前馈网络的所有权值、阈值作为EKF算法的状态，网络输出作为EKF的观测．同时为了防止滤波发散，对算法做了改进．仿真结果表明，该算法比BP算法在收敛速度、抗噪能力方面都有明显提高，同时还保证了一定的泛化能力．     

一种基于扩展Kalman滤波的多径估计算法

定位系统中,噪声环境下的多径估计是消除多径干扰的前提。提出了一种基于扩展Kal-man滤波(EKF)的多径估计算法,可以有效的估计多径信号的时间延迟和幅度。分析了本地码估计偏差、EKF的估计初值、相关间距以及采样频率对多径估计性能的影响。结果表明,EKF在估计多径信号时,EKF初值不仅影响其收敛速度,而且EKF初值中的幅度初值决定其是否收敛。同时,EKF时间延迟估计误差可以通过提高采样频率和增加最大早晚码间距来减小。     

一种基于扩展Kalman滤波器的神经网络学习算法

为了解决前馈神经网络BP算法在处理非线性对象时 ,收敛速度慢 ,易陷入局部极值 ,需调节参数多等的缺陷 ,提出将扩展卡尔曼滤波 (EKF)算法引入神经网络的学习中 .把前馈网络的所有权值、阈值作为EKF算法的状态 ,网络输出作为EKF的观测 .同时为了防止滤波发散 ,对算法做了改进 .仿真结果表明 ,该算法比BP算法在收敛速度、抗噪能力方面都有明显提高 ,同时还保证了一定的泛化能力     

基于Kalman滤波的多尺度融合估计新算法

将信号的多尺度分析方法与多传感器数据融合技术相结合，基于某一尺度上给定的状态模型和在不同尺度上拥有不同采样率的多传感器分布式动态系统，提出了一种新的基于Kalman滤波的多尺度融合估计算法；在最细尺度上获得了基于全局信息的融合估计值；计算机仿真验证了算法的有效性。     

基于粒子滤波的异步数据融合更新算法

对于双基地雷达系统中存在的异步数据融合问题,多采用扩展卡尔曼滤波算法解决,但是应用扩展卡尔曼滤波时,非线性系统必须要进行线性化处理,从而导致滤波结果有很大的误差.为此将粒子滤波算法用于双基地雷达系统中,利用粒子滤波器在解决一步延迟的基础上递推出异步数据融合的多步延迟更新算法,并建立了双基地雷达系统状态方程和观测方程.将两种方法分别对双基地雷达系统进行滤波仿真,仿真实验结果表明粒子滤波算法优于利用扩展卡尔曼滤波的多步更新算法,更能减少跟踪误差.     

基于Kalman 滤波的Camshift 运动跟踪算法

提出将Camshift与Kalman滤波相结合的方法.首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上,通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪.实验结果表明,在图像背景复杂且目标不规则运动的情形下,采用此方法仍能有效地跟踪到目标.在真实视频数据上的实验结果表明该方法具有很好的应用前景.     

两飞行体相对定位技术及其滤波算法研究

为了解决两飞行体相互之间的定位问题,在二维平面运动模型的基础上提出了相位差变化率定位方法,进行了可观测分析,给出了可观测分析结果。同时简单介绍了几种典型
非线性滤波算法,并将EKF（Extended Kalman Filter）、UKF（Unscented Kalman Filter）、PF(Particle Filter）等非线性滤波方法应用到定位模型中。仿真结果表明,UKF方法用时最短,PF滤波方法精度最高。     

多传感器信息融合的结构及其算法

文章介绍了多传感器信息融合的四种结构及其算法.并阐述了各自的优缺点,集中式最大的优点是信息损失最小,但计算负担重;分散式结构,系统的可靠性和容错性高,计算和通信负担比集中式要轻;分级融合结构,其计算和通信负担介于集中式结构和分散式结构之间.     

基于多传感器数据融合的四旋翼飞行器的姿态解算

 用于农田信息采集的四旋翼飞行器姿态解算过程中,存在姿态角测量不够准确这一难题。选择基于加速度计、电子罗盘与陀螺仪的捷联式惯性测量系统,采用卡尔曼滤波算法,通过融合多个传感器的测量数据,解算出高精度的姿态角。为验证卡尔曼滤波算法的有效性和实用性,搭建了四旋翼飞行器姿态检测实验平台。结果表明,经卡尔曼滤波算法处理之后的姿态角动态响应好,解算精度高,其最大跟踪误差控制在±1.5°以内,消除了由加速度计或电子罗盘带来的测量白噪声,也有效抑制了陀螺仪的温度漂移,满足四旋翼飞行器对姿态解算精度的要求。     

多传感器数据融合在切割机器人系统中的应用

为了对造船中所用型材变形进行在线检测，在高精度划线切割机器人系统中，建立了多传感器检测系统，引入基于小波变换和虚拟噪声自适应卡尔曼滤波的多分辨率最优多传感器数据融合方法，实现了对噪声统计量缺乏先验知识和模型参数不确切的多分辨率多传感器的数据融合。实验结果表明，多传感器数据融合可以有效地实现变形型材的在线检测，提高系统的测试精度和可靠性。     

多传声器数据融合方法研究

从多传感器数据融合理论出发，提出了多传感器数据融合的基本原理，讨论了多传感器数据融合的几种方法以及选择融合方法的原则。     

带有等式状态约束的多传感器数据融合算法

在状态估计理论的实际应用中,状态向量常常包含可以预先获知的约束信息,有效地利用这些先验信息可以进一步明确状态元素之间的关系,理论上可以提高对系统的状态估计精度.针对约束滤波的已有研究成果,将其引入到多传感器系统,提出了约束系统多传感器数据融合算法.通过建立线性等式约束方程,将传统卡尔曼滤波结果投影到约束子空间,然后对局部传感器的约束滤波结果采用分布式最优加权融合,并且通过协方差匹配技术检测观测数据异常的传感器,使之不参与到数据融合中.仿真结果表明,约束系统分布式加权融合算法的有效性和可行性,并且比集中式融合算法具有更好的稳定性.     

基于不敏Kalman滤波的多传感器数据融合算法

针对非线性系统状态估计的有效融合问题,给出了一种基于不敏Kalman滤波的多传感器数据融合算法.首先,依据单传感器的量测利用不敏Kalman滤波器得到局部状态估计值;其次,依据模糊集合理论中隶属度的性质构建反映局部状态估计结果的支持度函数和支持度矩阵,进而实现对于各局部状态估计之间蕴含冗余和互补信息的充分提取;最终,通...     

杂波背景下舰艇警戒系统的融合跟踪

探讨融合搜索雷达和红外警戒系统目标舰迹跟踪的新方法。该方法以球坐标系中三通道解耦自适应卡尔曼滤波为基础,结合最近邻（ＮＮ）方法或概率数据关联滤波（ＰＤＡＦ）方法实现杂波中的机动目标跟踪。     

弹体姿态估计数据融合算法研究

为了测量剧烈变化的弹体滚转角姿态,设计了高、低量程配置的传感器测量方案,利用UKF滤波器,对弹体滚转姿态进行估计.为了提高弹体飞行中间段的滚转姿态测量精度,进一步设计了状态融合和量测融合两种数据融合算法.仿真研究表明,量测融合算法精度高、实时性强.     

一种基于车载信号还原机动车道3D地图的大数据方法

提出一种基于多台行驶中汽车产生数据重建机动车道3D地图的大数据策略.每台在线汽车上的程序实时上传经过优化的汽车3D坐标信息至服务器.优化方法为使用最小二乘法结合卡尔曼滤波器，利用汽车总线信号实时修正汽车的位置，相比GPS信号，经纬度和高度误差均降低50%以上.此外，还使用遗传算法代替卡尔曼滤波器，进一步降低卡尔曼滤波器的经纬度误差达16%.其次，服务器根据来自多台在线汽车上传的数据建立道路表面的3D点云数据库，并使用K-聚类算法进行数据挖掘，可推算出具有多条行车线道路的每条行车线的中心轨迹，以此建立机动车道3D地图.所建立的地图可为汽车能耗优化策略提供数据支持，降低行驶能耗.     

基于多传感器抗差融合的UKF弹道跟踪算法

弹道跟踪测量过程中,由于环境的复杂性和测量机制自身的问题,测量数据不可避免存在异常值等.传统的加权观测融合估计算法往往直接对来自各个传感器的测量数据进行处理,忽略了数据质量问题对滤波精度的影响.为解决此问题,在加权观测融合算法的基础上引入抗差估计理论,根据观测融合值与融合预测值,计算测量融合残差向量、抗差权重因子和融合观测向量等价协方差阵,实现了异常值的实时分离与修正,解决了融合过程中由于测量数据存在污染导致弹道数据处理精度下降的问题.同时引入平方根滤波思想,避免了常规UKF中误差协方差矩阵非正值引起的滤波散度问题.仿真结果表明该算法估计精度高,计算负担小,能有效地减小测量误差对弹道定轨精度的影响.