基于权重一致性优化的实时Marginalized粒子滤波算法

针对Marginalized粒子滤波中随机量测噪声对于非线性状态估计精度的不利影响以及线性状态估计中计算量较大问题,提出了一种基于权重一致性优化的实时Marginalized粒子滤波算法.首先,结合量测系统建模中先验信息的提取和利用,通过粒子权重间一致性距离和一致性矩阵的构建,提出了量测提升策略下权重的一致性优化方法,以改善粒子滤波在非线性状态估计中的滤波精度.其次,通过对Marginalized粒子滤波实现中时间更新和量测更新环节的结构优化,给出了实时Marginalized粒子滤波,以降低蒙特卡罗仿真实现下卡尔曼滤波在状态线性估计中的计算复杂度.最后,在两者的动态结合基础上给出了新算法具体实现步骤.利用基于单站雷达目标跟踪仿真场景,分析了算法性能.理论分析和仿真实验结果验证了算法的可行性和有效性.     

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。     

无线携能保密网络下的中继协作波束形成算法

本文研究了无线携能通信网络中的多窃听者场景下,基于无线能量收集放大转发中继的协作机密信息安全传输问题.提出了两种低复杂度的零空间波束形成方案.分别利用接收者或窃听者方位先验信息,将待优化的目标矢量投射到接收者或窃听者信道的零空间.与原协作波束形成方法相比,由于降低了待优化目标矢量的空间自由度,本文方法运算复杂度较低.特别的,由于第二种方法目标函数中将窃听者的交互信息迫零,将原始拟凸优化问题转化为凸问题求解,进一步降低了运算量.实验研究验证了本文方法的合理性.     

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.     

测量方差自适应的多传感器数据融合算法

针对测量方差预先设定对滤波精度的影响,提出了一种基于时空综合分析在线估算测量方差的方法,以充分利用多个传感器单次采样数据和单个传感器多次采样数据中蕴含的冗余和互补信息。改善了由于被测目标所处环境的先验信息匮乏而造成的建模误差问题。同时根据滤波误差协方差阵具有表示滤波精度的特性,实现系统中各传感器权系数动态合理的分配。最终给出了一种基于测量方差自适应的多传感器数据融合算法。通过蒙特卡罗仿真验证了该算法的有效性。     

测量方差自学习加权下的多传感器数据融合算法

分析了测量方差预先设定对于多传感器融合算法中加权系数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新的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。     

基于多传感器粒子权重优化的序贯最大似然比故障诊断算法

针对多传感器量测下非线性系统故障诊断问题,给 出了一种基于多传感器粒子权重优化的序贯最大似然 比检验——故障诊断(SMLR-MWOPF)算法。首先,为改善量测随机噪声对粒子权重度量稳定 性不良影响,结合多源信息融合技术实现 对多传感器量测中冗余和互补信息的提取和利用,设计一种粒子权重优化策略;通过减小粒 子权重方差以改善粒 子权重的可靠性和稳定性,进而实现滤波器估计精度的提升。其次,结合序贯概率比检验(S PRT)和交互式多模型(IMM)框架构 建了一种基于残差检测的在线序贯最大似然比检验方法;另外,在结构上合理简化输入交互 和输出交互环节,以 降低粒子滤波(PF)在IMM模型结构实现中的计算复杂度。理论分析和仿真实验验证了算法的 可行性和有效性。     

MIMO声纳方位估计子空间拟合快速算法

为了充分利用多输入多输出（multiple input multiple output ,MIMO ）声纳的虚拟阵列孔径的性能,针对目标的方位估计问题,提出了一种M IMO声纳系统的目标方位估计方法,该方法由发射阵列发射正交信号,接收阵列首先对接受信号进行匹配滤波,然后构造子空间拟合关系,最后采用马尔可夫蒙特卡罗吉布斯抽样方法解决子空间拟合求解运算量大的问题．仿真研究表明,两目标条件下,采用该方法的MIMO声纳系统方位估计精度在中低信噪比条件下接近MIMO最大似然方位估计,优于其它MIMO阵列方位估计方法,而运算量只是最大似然方法的约1/4．水池试验结果验证了算法的有效性．     

将粒子残差一致性度量的滤波算法用于纯方位被动跟踪

在低信扰比条件下的纯方位被动跟踪中,针对量测似然度评估粒子权重的方式对于滤波结果的不利影响,提出了一种基于粒子残差一致性度量的粒子滤波算法.首先,利用粒子残差实现采样粒子由状态空间到量测空间的映射变换;在此基础上,通过置信度距离和置信度矩阵的构建及求解,完成对于粒子权重的合理度量.新的粒子权重评估方法实现了对于最新量测信息及粒子间蕴含冗余和互补信息的充分提取和利用,使得粒子权重度量结果更加稳定和可靠.最后,仿真实验验证了算法的有效性.     

基于RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。