测量方差自学习加权下的多传感器融合算法

分析了测量方差预先设定对多传感器融合算法中加权系数的分配和状态估计的不利影响;提出了一种测量方差自学习的多传感器加权和滤波算法.该滤波算法能够充分利用传感器每次量测带来的新信息进一步优化测量方差, 同时依据优化后测量方差合理地分配权系数和改进状态估计, 提高了对状态估计的精度.最后通过仿真计算验证了该算法的有效性.     

基于广义UT变换的交互式多模型粒子滤波算法

 针对粒子滤波中重采样过程与优化提议分布的处理方式导致的粒子溃退和算法实时性下降问题,通过广义UT变换原理和卡尔曼滤波预测更新机制的引入,实现当前量测信息对于状态估计结果的直接优化,给出了一种基于广义UT变换的粒子滤波算法。另外,将改进后算法与交互式多模型相结合,进而提出了一种基于广义UT变换的交互式多模型粒子滤波算法．理论分析和仿真结果表明：新算法在计算复杂度方面与标准粒子滤波相近,在滤波精度方面优于标准粒子滤波及其改进算法．     

基于Metropolis-Hastings采样的多传感器集合卡尔曼滤波算法

集合卡尔曼滤波是近年来发展起来的一种处理非线性系统估计的有效解决方法.针对标准集合卡尔曼滤波实现过程中,量测噪声不确定导致自举量测采样出现一致性偏差问题,提出了一种基于Metropolis-Hastings采样的多传感器集合卡尔曼滤波算法.首先,结合多传感器量测系统的物理特性和集合卡尔曼滤波中自举量测生成机理,构建多传感器条件下自举量测集合.其次,通过对多传感器自举量测似然度求解以及在量测接受概率函数合理设计基础上,利用Metropolis-Hastings采样策略实现有效量测的确认.新算法通过对多传感器量测中冗余和互补信息的提取与利用实现对一致性偏差的修正,进一步改善被估计系统状态的滤波精度.理论分析和仿真实验结果验证了算法的可行性和有效性.     

容积卡尔曼一致滤波

针对卡尔曼一致滤波的应用受限于被估计系统需 满足线性条件的问题,通过容积卡尔曼滤波(CKF)和一致性策 略的动态结合,提出一种容积卡尔曼一致滤波(CKCF)算法。算法采用分布式融合机制, 传感器节点采集可通信相邻 节点的信息,并作为自身节点的量测信息应用于CKF,获取局部状态估计 值。在此基础上,利用一 致性策略实现对整个量测系统中传感器节点局部估计值的优化,进而通过增强传感器节点估 计值一致性实现目标 状态估计精度的提升。相对于标准卡尔曼一致滤波,本文算法将一致性策略推广到非线性系 统估计领域。理论分析 与仿真实验验证了算法的可行性与有效性。     

基于粒子优化的多模型粒子滤波算法

针对模型信息引入粒子采样过程中导致用于逼近当前时刻真实状态与模型的粒子数减少问题,本文给出了一种基于粒子优化的多模型粒子滤波算法．在算法实现中,对每个粒子运行一个扩展卡尔曼滤波器,结合扩展卡尔曼滤波中预测更新机制实现最新量测信息的有效利用,进而提升单个采样粒子对于真实系统状态和模型逼近的有效性．理论分析和仿真结果表明：新算法在系统状态估计的精度以及模型辨识的准确性方面均明显地优于交互式多模型粒子滤波算法和多模型粒子滤波算法．     

基于CKF的系统误差与目标状态联合估计算法

针对量测信息中系统误差对目标状态估计精度造成 的不利影响,提出了一种基于容积卡尔曼滤波(CKF)的系统 误差与状态联合估计(JE-CKF)算法。在算法实现中,首先采用状态向量维数扩展方法建立 非线性滤波框架下的系统误差配 准模型,其次根据系统误差配准模型对量测信息中的系统误差进行估计,进而通过对CKF实 现中量测预测值 的修正,改善量测残差中系统误差对滤波精度的影响。理论分析和仿真结果验证了算法的可 行性和有效性。