Self-tuning Information Fusion Kalman Predictor Weighted by Diagonal Matrices and Its Convergence Analysis

为有未知噪音统计的 multisensor 系统，使用现代时间系列分析方法，基于革新建模的动人的一般水准(麻省)的联机鉴定，并且基于为关联功能的矩阵方程的解决方案，噪音变化的评估者被获得，并且在线性最小的变化下面由斜矩阵加权的最佳的信息熔化标准，一个自我调节的信息熔化 Kalman 预言者被介绍，它认识到自我调节的 dec 基于动态错误系统，一个新集中分析方法为自我调节的 fuser 被介绍。在一条认识的集中的一个新概念被介绍，它是比有概率一的集中弱的。如果 MA 革新模型的参数评价是一致的，那么，自我调节的熔化 Kalman 预言者将在一条认识收敛到最佳的熔化 Kalman 预言者，这严格地被证明，或与概率一，以便它有 asymptotic optimality。它能减少计算负担，并且对实时应用合适。为追踪系统的一个目标的一个模拟例子显示出它的有效性。

无人机立体视觉识别船舶航行风险仿真

由于船舶交通受碰撞、搁浅、走锚等随机干扰因素的影响,导致对船舶航行目标的跟踪与风险预警具有较大难度。为增强海上航行的安全性,提出一种基于无人机立体视觉的船舶航行风险识别方法。引入双目视觉立体技术,获得目标船舶在航行过程中的图像数据。利用卡尔曼预测器优化连续性自适应均值漂移算法,跟踪目标船舶,通过高斯混合模型识别船舶航行风险。实验结果表明,研究方法对不同海域的船舶跟踪曲线与船舶实际航行曲线具有较高拟合度,且上述方法的船舶航行风险识别正确率高于90%,且误报率低于0.2%,说明提出方法的应用可靠性较高。

一种基于时间Kalman估计器的红外小目标检测方法

目标在经过一个像素时,随着目标移动到该像素或离开该像素,该像素的灰度值会在出现一个冲击。据此提出了一种基于时间的 Kalman 单步估计器单像素处理算法,给出了 Kalman 估计器的递推方程。由前一时刻(前一帧)的估计结果和当前时刻的输入图像各点的灰度值,可以得到下一时刻(下一帧)图像各个像素点的背景估计,整个图像去除背景后就得到一幅包含目标的噪声图像,进而可以完成目标检测。采用红外图像序列进行了实验,实验结果验证了理论分析的正确性。最后得出了一些结论。

不确定系统改进的鲁棒协方差交叉融合稳态Kalman预报器

针对带随机参数和噪声方差两者不确定性的线性离散多传感器系统,利用虚拟噪声补偿随机参数不确定性,原系统可转化为仅带不确定噪声方差的系统.根据极大极小鲁棒估值原理,用Lyapunov方程方法提出局部鲁棒稳态Kalman预报器及其误差方差最小上界,并利用保守的局部预报误差互协方差,提出改进的鲁棒协方差交叉(Covariance intersection,CI)融合稳态Kalman预报器及其误差方差最小上界.克服了原始CI融合方法要求假设已知局部估值及它们的保守误差方差的缺点和融合误差方差上界具有较大保守性的缺点.证明了鲁棒局部和融合预报器的鲁棒性,并证明了改进的CI融合器鲁棒精度高于原始CI融合器鲁棒精度,且高于每个局部预报器的鲁棒精度.一个仿真例子验证了所提出结果的正确性和有效性.

基于自适应Kalman预测器的运动估计算法

利用图像序列估计目标运动速度是机器人视觉中的一项重要研究内容。它应用在机器人操作、导航、视觉跟踪等多项领域中。这些应用一般均要求运动估计算法具有较好的实时性和抗噪能力。卡尔曼滤波器和预测器正符合上述要求。该文基于运动图像的仿射模型,探讨从序列图像中预测目标三维平动速度的卡尔曼预测算法。首先建立运动目标的"当前"统计模型,然后根据运动图像的仿射模型找出图像运动参数与目标三维速度间的关系(图像运动参数由目标图像的几何矩计算获得)。最后结合自适应卡尔曼滤波和卡尔曼一步预测算法设计自适应卡尔曼一步预测器。为减轻预测器的发散性,对初始状态进行估计。仿真结果表明,基于"当前"统计模型和运动图像仿射模型设计出的自适应卡尔曼一步预测器具有较高的精度。

信息融合超前k步稳态最优Kalman预报器和Wiener预报器

应用Kalman滤波方法,基于Riccati方程,在线性最小方差信息融合准则下,提出了两传感器信息融合超前k步稳态最优Kalman预报器和Wiener预报器,给出了最优加权阵和最小融合误差方差阵.同单传感器情形相比,可提高预报精度.一个雷达跟踪系统的仿真例子说明了其有效性.

基于Kalman的电-永磁混合磁悬浮系统过流检测

电-永磁混合悬浮系统中,因电感时滞效应及含噪声电流输入导致过流保护不及时或误判,故采用FPGA硬件检测平台设计了基于卡尔曼的电流预报器。其步骤包括确定输入值、预测下一时刻电流值、利用VHDL语言进行系统设计。仿真表明,该系统能准确预测电流值并较强抑制噪声信号,对双向电流斩波器的过流保护可靠有效。

多传感器分布式融合Kalman预报器

应用现代时间序列分析方法,基于ARMA新息模型,在线性最小方差最优信息融合准则下,对于输入噪声与观测噪声相关且观测噪声相关的多传感器系统,分别提出了按矩阵加权、按标量加权和按对角阵加权的3种分布式融合稳态Kalman预报器。其中提出了基于Lyapunov方程的局部预报估值误差方差阵和协方差阵计算公式。它们被用于计算最优加权,与单传感器情形相比,可提高估值器的精度。一个跟踪系统的仿真例子说明了其有效性,且说明了3种加权融合预报器的精度无显著差别。但标量加权融合预报器可显著减小计算负担,提供一种快速实时信息融合估计算法。

随机奇异系统多传感器信息融合Kalman多步预报器

应用Kalman滤波方法和奇异系统典范型分解,对单传感器随机奇异系统,给出了Kalman多步预报器新算法。对带多传感器随机奇异系统,基于线性最小方差标量加权融合算法,给出了具有两层融合结构的多传感器分布式最优信息融合Kalman 多步预报器。同时给出了任两个传感器之间的预报误差协方差阵的计算公式。当各传感器子系统存在稳态Kalman滤波时,又给出了稳态信息融合Kalman多步预报器。稳态权重可在各子系统达到稳态时通过一次融合计算获得,避免了每时刻计算协方差阵和融合权重,便于实时应用。仿真例子验证了其有效性。

Kalman滤波的局部渐近稳定性和渐近最优性

本文用现代时间序列分析方法和非递推状态估计理论，对完全可观、非完全可控系统，提出了稳态Ｋａｌｍａｎ预报器局部渐近稳定性和最优性概念，揭示了两者的关系，证明了这类系统的Ｋａｌｍａｎ预报器总是局部渐近最优和渐近稳定的，提出了构造最大局部渐近最优域的新方法，并给出了几何解释，推广和发展了经典Ｋａｌｍａｎ滤波稳定性理论．一个算例及其仿真结果说明了所提出的结果的有效性．

两传感器信息融合超前k步稳态最优Kalman预报器

应用Kalman滤波方法 ,基于Riccati方程 ,对于带相关噪声的系统 ,在线性最小方差融合准则下 ,提出了两传感器按矩阵加权信息融合超前k步稳态最优Kalman预报器 ,给出了最优加权阵和最小融合预报误差方差阵的具体计算公式。同单传感器情形相比 ,可提高预报器的精度。

自校正解耦融合Kalman预报器及其收敛性

对于带有未知模型参数和噪声方差的多传感器系统,通过系统辨识方法,得到模型参数和噪声方差的信息融合估计,将其代入到最优分量按标量加权融合Kalman预报器中,得到自校正信息融合Kalman预报器,实现了状态分量的解耦。通过动态误差系统分析(DESA)方法严格证明了提出的自校正Kalman预报器按一个实现收敛于最优融合Kalman预报器,因此它有渐近最优性。应用信号处理的仿真例子验证了其有效性。

协方差交叉融合Kalman预报器

对于带未知局部预报误差互协方差的两传感器跟踪系统,通过协方差交叉融合方法,得到了协方差交叉融合稳态Kalman预报器,并用协方差椭圆的方法给出了其精度关系的几何解释。用相关方法证明了协方差交叉融合稳态Kalman预报器的精度高于每个局部稳态最优Kalman预报器,低于按矩阵加权融合稳态最优Kalman预报器。用一个Monte-Carlo仿真例子说明了协方差交叉融合稳态Kalman预报器的精度接近于稳态最优融合Kalman预报器。

具有未知系统偏差的自适应Kalman平滑器

提出一种有效的具有未知系统伯差的自适应Ｋａｌｍａｎ平滑器．应用状态空间方法和ＡＲＭＡ新息模型，基于白噪声估值器和输出预报器，给出线性离散定常系统自适应最优状态和偏差联合Ｋａｌｍａｕ平滑器，最后给出仿真实例．

多传感器最优信息融合Kalman多步预报器及其应用

提出了一种新的标量加权线性最小方差意义下的多传感器最优信息融合算法。该算法考虑了局部估计误差之间的相关性,只需计算加权标量,避免了加权矩阵的计算,明显减小了计算负担,便于实时应用。基于该融合算法,对被多个传感器观测的离散线性随机系统,给出了具有容错性的多传感器标量加权最优信息融合分布式Kalman多步预报器。它具有两层融合结构,其中第一融合层具有网状并行结构,用来获得每时刻每两个无故障传感器子系统之间的滤波误差互协方差阵;第二融合层用来确定最优标量加权系数,进而获得标量加权最优融合Kalman多步预报器。将其应用于雷达跟踪系统验证了其有效性。

高超声速飞行器时间协同预测校正鲁棒制导

针对存在参数不确定性的多高超声速飞行器滑翔段协同制导问题,提出了一种时间协同的预测校正鲁棒制导方法。首先,基于剩余飞行时间的动态航向角误差走廊实现了横向协同制导,为调整飞行时间提供了有利条件;设计了随协同飞行任务进程变化的权值函数,将剩余飞行时间引入纵向制导的预测校正过程中,确保协同飞行任务落点和协同时间的精度。其次,基于改进无迹卡尔曼滤波估计的方法对气动参数的不确定性进行估计,通过对剩余飞行时间与剩余能量的综合分析,修正了航向角误差走廊和标称迎角剖面,以提高协同制导系统的鲁棒性能。最后,分别在标称环境和参数不确定环境下开展了仿真实验,其结果证明了该协同制导方法的可行性和鲁棒性。

基于Kalman和Surf的Camshift目标跟踪研究

传统的Camshift运动目标跟踪算法在目标遮挡或背景颜色干扰下,容易陷入局部最大值,造成目标跟踪丢失。针对这一问题,提出了一种结合Kalman滤波及Surf特征提取的改进算法。该算法需在视频序列中手动框选跟踪目标作为目标模板。将传统Camshift算法得到的目标候选区域与目标模板进行直方图对比,得到的巴氏系数若大于设定的阈值则说明目标跟踪丢失。采用Surf算法,在该帧图像中匹配出新的目标候选区域,最终得到候选区域的位置信息更新Kalman滤波。仿真实验表明,改进后的算法在复杂背景下仍然具有良好的跟踪效果。

自校正信息融合Kalman预报器

对含未知噪声统计的多传感器系统,用现代时间序列分析方法,基于滑动平均(MA)新息模型的在线辨识和求解相关函数矩阵方程组,可在线估计噪声统计,进而在按矩阵加权线性最小方差最优信息融合准则下,提出了自校正信息融合Kalman预报器。证明了它的收敛性,即它具有渐近最优性,且自校正融合Kal-man预报器比每个局部自校正Kalman预报器精度高。一个目标跟踪系统的仿真例子说明了其有效性。

基于Kalman预测器的CT多特征加权目标跟踪算法

针对CT的目标跟踪算法,在外界环境光照改变、目标姿态变化及目标发生遮挡时出现跟踪飘移或丢失目标等问题,提出一种基于Kalman预测器的CT多特征加权目标跟踪算法。首先根据跟踪目标特征的稀疏特性,利用随机采样在线更新获取特征的离散样本,引入Online-boosting的多特征加权权值,优化置信图估计,并利用Kalman预测器预测修正跟踪目标区域位置。对三组不同场景图像序列测试结果表明提出的算法能够快速准确地实现复杂环境下的运动目标跟踪任务,有效地增强了目标特征对纹理改变、光照变化和目标遮挡的稳健性,且继承了传统算法的实时性。

基于扩展Kalman滤波的Buck变换器电流前馈控制

为提高Buck变换器对负载突变的响应速度,提出一种基于扩展卡尔曼滤波(EKF)的电感电流前馈控制方案。其在Buck变换器状态方程上建立了基于EKF的电感电流预测器,将预测的电感电流对给定电流进行补偿,以改善负载电流变化对输出电压的影响。仿真结果表明:在以50%负载进行突投或突切时,该方法能抑制负载扰动,使输出电压(DC 600 V)的波动控制在±20 V以内。