基于EM算法的极大似然分布式量化估计融合新方法

该文针对水下目标探测中的多传感器分布式量化估计融合问题,建立了分布式量化估计融合模型,在考虑信道噪声且其统计特性不完全已知条件下,充分利用EM算法在观测数据缺失时参数估计的优越性,提出了一种基于期望极大化(EM)算法的极大似然分布式量化估计融合新方法。该方法将未知的水声信道噪声参数以及局部量化器量化概率建模为EM算法中二元高斯混合模型参数,利用极大似然估计方法的估计不变性得到目标参数的估计融合结果。仿真实验表明:该方法在局部传感器观测样本数目大于5000和信噪比大于6 dB时与已有理想信道条件下的估计方法性能相当,该方法为水下目标探测中分布式量化估计融合系统的工程实现提供了理论依据。

INS/SAR/GPS组合导航系统中的分散估计融合算法

以 INS/SAR/GPS组合导航系统的工程应用为目标 ,讨论了其分散估计融合算法及理论证明 ,给出一二级最优估计融合结构。仿真结果证明 :采用先分散处理 ,再全局融合的方法 ,是提高整个组合系统的导航精度和可靠性的行之有效的方法。

基于最小二乘估计融合的分布式电力系统动态状态估计

随着电力系统规模不断扩大,分布式状态估计是解决集中式状态估计计算维数过高和量测大数据处理难等问题的可行策略之一。文中以容积卡尔曼滤波算法作为区域本地估计算法,在协调中心侧采用最小二乘估计融合技术协调估计区间边界状态。根据边界状态协调估计值,各区域通过带等式约束的卡尔曼滤波算法进一步修正区域内部状态的本地估计值。算例仿真表明,所提方法估计精度与集中式估计相当,相比集中式估计具有更好的实时性,且所需数据通信量少,易于实现。

基于状态预测自适应一致滤波器的分布式估计融合算法

应用自适应滤波算法改进了基于一致滤波器的估计融合算法以加快节点估计的一致收敛速度,提出了一种基于状态预测的自适应一致滤波器.在此算法中,节点采用状态预测值作为自适应滤波器的参考信号,应用自适应算法修正一致滤波器的加权矩阵.仿真结果表明,本文提出的算法不仅能够加快节点估计的一致收敛速度,还能减小收敛过程中节点的估计误差.

标量及对角阵加权的序贯估计融合算法研究

针对多传感器分布式估计融合系统,在最小化估计误差的协方差矩阵迹的准则下,采用标量加权及对角阵加权融合方法,提出了估计误差相关条件下的序贯处理式最优估计融合Kalman滤波器。该融合滤波器以两传感器估计融合算法为基础,对传感器采集信息依次进行融合计算,得到多传感器融合结果。比较两种算法与局部滤波器的估计精度,并进行了仿真。仿真结果表明了基于加权估计融合的序贯处理算法的可行性和有效性。

信息估计融合中的观测量化解决方案

在分布式无线传输网络中的估计问题,由于诸多限制条件,传输量十分有限,传感器只能传送有限的几个0-1码(bit)到融合中心,在此情况下完成多传感器估计融合。采用将区间划分,每一区间形成一个假设,规定假设之间合适的损失系数,将估计融合问题化为决策融合问题,运用成熟的决策融合的方法,对于现在研究还不成熟的估计融合传感器量化问题设计了一个解决方案,将决策融合的决策结果作为最终的估计,从而在观测被量化的条件下达到较优的估计效果。并用计算机模拟的例子对分析进行了验证。

基于高斯函数及分批估计融合理论的无线网络定位算法

基于CC2430/1的无线传感器网络定位系统硬件,提出了一种基于高斯分布函数及分批估计融合理论的无线传感器网络定位算法。首先采用高斯模型分析RSSI,通过高斯模型剔除小概率事件RSSI的值,然后再运用单传感器分批估计融合理论计算高概率事件RSSI的值作为最终定位运算用的RSSI值。实验证明,采用该种算法,系统定位精度能够提高到0.5m以内。

估计融合算法的一类敏感指标研究

为了改善在复杂多变的环境下多源信息融合的准确性和鲁棒性,可在融合过程中进行算法管理,自适应配置算法的方法实现。在算法配置中反馈所需的条件采用算法敏感指标进行评价。在状态估计敏感指标OSPA距离测度基础上,提出估计融合中的敏感指标GOSPA距离测度,GOSPA距离将真实航迹和全局航迹之间的误差分离成航迹距离误差和航迹关联误差。通过对比实验表明,估计融合中的全局OSPA测度指标对航迹融合算法的性能评估是敏感的。

多基阵分布式估计融合新方法

针对水下多基阵分布式估计融合问题,为了解决常规方法中存在的获取完全水下信道特性难度大、算法实现复杂度高以及占用大量通信资源的缺点,在分布式等判决门限估计融合方法的基础上,建立了水下多基阵分布式估计融合模型,提出了多基阵分布式不等门限估计融合方法。理论分析和仿真试验表明:新方法在目标参数估计精度以及抗噪等方面优于等门限估计融合方法;在基阵数目较大时,其估计性能与似然估计方法相当。这种方法考虑了水声信道通信带宽的限制,满足了实际分布式估计融合系统对于计算量小、复杂度低以及实时性强的要求,能够应用于水下目标探测领域。

多传感器系统估计的稳健切比雪夫中心估计融合

针对多传感器线性回归模型的参数估计融合问题,在观测噪声是范数有界的情况下,提出了稳健切比雪夫中心估计融合方法。描述参数的可行集合,为线性系统的所有可行解。可行集合的切比雪夫中心是最坏情况下使得估计误差最小的点,可用它作为多传感器系统参数估计的稳健融合。该问题在复数域上的某些情况可以精确求解,但目前的研究在实数域上只能得到近似解,即松弛的切比雪夫中心。严格证明了在实平面上可行集合的切比雪夫中心可以通过有限个约束的凸优化问题求解,因此,切比雪夫中心可以通过高效优化算法得到。在高维情况下,通过将可行集合投影到各坐标平面,设计了近似的切比雪夫中心融合方法。数值实验结果表明:该方法优于松弛的切比雪夫中心融合。

基于简单凸联合的组合导航估计融合方法

组合导航系统的设计分为直接法和间接法，前者能更准确地描述系统的动态性能。以直接法构建INS／TAN组合导航系统结构，使用简单凸联合算法对分别来自于INS和TAN的导航位置信息进行直接融合。仿真实验证明，该算法在组合导航系统中有效。

一种改进的分布式航迹估计融合算法研究

在航迹估计融合算法研究中,加权融合估计算法实现起来特别容易,因此得到了广泛应用。但由于其加权因子直接影响融合结果,一般说来都根据平时经验制定其加权因子,导致算法性能很不稳定,设计起来也不方便。针对此问题,设计了一种改进加权融合算法,并与其它算法进行比较,结果表明,算法稳定性更高,设计更科学,融合效果更好。

一种基于两重分批估计融合计算的车辆环视系统自适应标定方法

车载全景360影像系统可以帮助用户实时获取周边环境信息,该系统需要在一个特定区域做标定,车辆需要精确无偏斜地停靠在场地中央。但在实际生产过程中,受制于现场操作人员的熟练度以及现场车辆限位装置的精度,经常出现车辆停靠歪斜的问题,对于最终标定后的成像质量影响很大。针对这些问题,文章提出一种方法,通过摄像头光轴线与基准线的比对可以计算出车辆的偏移角度,通过对单个摄像头以及4个摄像头的偏移角度数据做两重分批估计融合,从而计算出车辆的实际停放偏移角度,通过车辆随动系统来做偏移补偿,最终解决了车辆在实际标定过程中停放偏斜带来的影响。

多模态融合的三维语义分割算法研究

如何高效提取稠密感知的图像特征信息以及真实三维感知的点云特征信息并充分利用其各自优势进行信息互补是提升三维目标识别的关键。本文提出了一种图像和点云融合的多模态框架用于三维语义分割任务。图像与点云特征提取分支相互独立,设计深度估计融合网络用于图像分支,将稠密感知的图像语义信息与真值显式监督的深度特征信息有效融合,对点云的无序及稀疏性进行补偿。并改进体素特征提取方法,减少点云体素化带来的信息损失。图像、点云分支提取多尺度特征后通过动态特征融合模块提升网络对关键特征的提取能力,更有效的获取全局特征。同时本文提出点级的多模态融合数据增强策略,提升样本多样性的同时有效缓解样本不均衡问题。在Pandaset公开数据集上进行对比实验,本文的多模态融合框架展现出更优的性能和更强的鲁棒性,尤其在小样本小目标上性能提升更为明显。

电池储能系统SOC神经网络融合估计方法

为了更好地获取电池储能系统当前的运行状态,提出了基于神经网络融合的电池储能系统SOC估计方法.首先,对比分析了前馈(BP)、门控循环单元(GRU)和长短时记忆(LSTM)神经网络算法的优劣,BP计算时间较短,LSTM对时序数据估计精度较高;然后,利用KL散度、皮尔逊相关系数和灰色关联度分析了不同输入参量和SOC的相关程度,并和LSTM估计结果相比对,筛选出对电池储能系统SOC影响较大的特征参量;最后,应用经验模态分解算法将SOC数据分解为多个分量,利用样本熵将分量聚合为高低两个频段,进而应用BP、LSTM神经网络算法分频段估计,和单一策略相比,该方法在提高SOC估计精度的同时,减少了计算时间.

多方法融合的汽车质心侧偏角估计

汽车质心侧偏角融合估计过程中存在量测噪声不确定、依赖路面附着系数问题,影响估计精度,为此提出联合运动学方式与运动几何方式的质心侧偏角融合估计算法.利用三自由度车辆运动学方程建立自适应扩展卡尔曼滤波器,用于车辆侧、纵向速度估计.设计轮胎侧偏刚度模糊自适应的运动几何估计器,以实现车辆侧向速度估计.根据2种估计方式适用性的差异,设计基于瞬态特性提取的侧向速度加权融合算法,利用侧向速度融合结果与运动学方式估计的纵向速度计算车辆质心侧偏角. Carsim-Simulink的仿真与驾驶员在环试验结果表明,所提算法具有高实时估计精度和路面附着系数变化的鲁棒性.

考虑环境温度影响的超级电容SOC加权融合估计方法

超级电容荷电状态(SOC)的准确估计,直接决定了电动汽车的起动、爬升和加速性能,是电动汽车混合储能系统最重要的任务之一。为此,本文中提出了一种基于模糊熵加权融合的超级电容SOC估计方法。首先,利用粒子群算法辨识了-10、10、25和40℃下的戴维南模型参数,并且采用最近邻点法建立了其与温度之间的映射关系。然后,利用模糊熵设计了基于3种典型卡尔曼滤波的SOC加权融合估计方法。最后,选择自适应加权平均以及残差归一化加权融合的SOC估计方法用于进一步评估该方法的性能表征。结果表明,基于模糊熵加权融合的超级电容SOC估计方法能够提高超级电容SOC估计精度,尤其在高温环境(40℃)下提升效果更为显著。

基于有限存储空间的分布式传感器融合估计器

研究具有信息传输模型不确定性、随机时间延迟和数据丢包的网络化多传感器分布式融合估计问题。模型的不确定性刻画为系统矩阵中的非高斯非白噪声干扰,在远程处理中心处设置有限长度的存储空间用来存储各个传感器延迟到达的测量值。在最小方差原则下设计了一种利用测量值到达变量的最优常增益局部估计器,利用协方差交叉加权方法得到最优分布式融合估计器并推导得到使得估计器有界的条件。最后,通过某电源系统计算实例仿真验证所提融合估计器的有效性。

多网络约束下NNS分布式融合估计器设计

针对节点量测增益衰减、节点能量受限与系统模型不确定3种网络约束下具有随机通信时滞和非固定丢包率的组网导航系统(NNS)分布式状态融合估计问题,将增益衰减程度描述为统计特性已知的随机变量,将模型不确定描述为系统矩阵中的乘性有色噪声,将减小能耗描述为降低节点数据传输率。分别在邻节点端和目标节点端引入2种不同的线性编码器以解决丢包与时滞问题。建立丢包率与同时传输信息的节点数目之间的函数关系,将邻节点在过去有限个时刻的量测值进行线性编码后再传输,以补偿丢包与降低传输率导致的信息损失。目标节点把在同一采样周期内获取的来自同一邻节点的多个量测值按时间戳进行线性编码,以解决通信时滞导致的信息多余。基于2次线性编码建立增广系统模型,设计最小方差意义下局部无偏估计器,利用最优矩阵加权融合法得到全局融合估计器,推导得到融合估计误差协方差收敛的充分条件及次优传输率。通过算例仿真验证所提算法的有效性。

多传感器分布式检测和估计融合

随着科学和工业的发展,信息科学领域涌现出许多应用数学科学问题,这些问题的研究拓宽和加速了基础数学理论的研究.另一方面,基础数学理论的进展以及在信息科学领域的成功应用也促使了工业领域的蓬勃发展.数学与其他学科的相互渗透已成为当今应用数学的主要特点之一,如在2010年ICM(国际数学家大会)上有2个分别关于控制和图像科学的1小时大会报告、7个关于"Mathematical Aspects of Computer Science"的特邀报告和8个关于"Mathematics in Science and Technology"的特邀报告.多源信息融合是数学和信息科学结合的一个重要研究方向.本文主要考虑其中两类基本问题:多传感器检测融合和估计融合,主要创新点包括:(1)对一般传感器观测相关条件下的多传感器分布式检测融合系统,获得同时搜索最优传感器律和最优融合律的高效算法;(2)对失序观测、错误观测和异步观测多传感器分布式估计融合系统,给出统一的全航迹(不仅仅校正当前状态估计)全局最优估计融合公式和算法;(3)对有偏不确定系统估计融合提出极小化Euclid误差准则,并基于多传感器和多算法估计融合获得极小化Euclid误差的抗偏估计高效算法.