基于无偏量测转换的机动目标跟踪信息滤波算法

针对机动目标跟踪问题,通过将修正的无偏量测转换方法与信息滤波算法相结合,建立了一种修正的无偏量测转换信息滤波算法(MUCM-IF)。通过量测转换方法将量测信号转换至笛卡尔坐标系下,并计算量测噪声协方差阵补偿量测转换导致的偏差,采用信息滤波算法对转换后的量测信息做滤波处理,信息滤波能更有效地适配目标初始状态盲目和非线性的特性,得到目标的状态估计。与同量测转换卡尔曼滤波(CMKF)、无偏量测转换卡尔曼滤波(UCMKF)和修正无偏量测转换卡尔曼滤波(MUCMKF)进行了对比,结果表明该算法有效降低了盲目初始化对滤波效果的影响,提高了滤波精度,加快了滤波收敛的速度。

基于相位质量融合估计与信息滤波的相位解缠方法

L波段差分干涉SAR卫星(陆探一号,LT-1)是我国首个L频段全极化民用SAR卫星星座,该组卫星将长期服务于自然资源监测监管,DEM生产是其主要任务之一。众所周知,相位解缠是影响DEM反演精度的关键因素之一,然而,高噪声及大梯度变化区域解缠结果精度低一直是相位解缠的瓶颈难题。对此,本文提出了一种相位质量融合估计策略引导的迭代信息滤波与解缠方法。首先,对干涉图像素的相干性、相位梯度、噪声分量和干涉条纹边缘进行估计与拟合,进而指导解缠路径布设,提高相位解缠结果的准确性;然后,采用中心差分信息滤波器实现解缠相位的准实时状态估计,进而提高解缠方法的稳健性;最后,通过TerraSAR-X/TanDEM-X双星及LT-1A/B双星SAR数据进行试验验证。结果表明,本文方法精度较统计费用流算法提高了约65.3%;较无迹信息滤波解缠算法提高了约13.6%。此外,试验结果不仅验证了本文方法的有效性,而且证明LT-1双星系统可达到高精度地形重建的预期效果,能为我国后续多云多雨区的DEM产品生产提供高精度的数据源。

信息熵-低通滤波联合掩模云层干扰去除方法

为了降低海洋光学遥感图像中云区对海面表面纹理分析的影响,本文开展了信息熵-低通滤波融合掩模的云层干扰去除研究。首先,分析了现有遥感图像去云算法的基本原理及其局限性。在此基础上,提出一种基于信息熵-低通滤波联合掩模的云层干扰去除方法。其中包括对遥感图像的改进矩匹配的去条带预处理、局部信息熵滤波,以及联合低频滤波作为遥感图像中各像元的校正参数。该算法具有复杂度低、处理速度快的特点。实验结果表明:与现有算法相比,本文提出的算法可在低计算复杂度的前提下,大幅增强各区域的纹理细节信息,其平均信息熵可达到7.8以上,对比度可达到60以上,平均梯度可达到200以上;图像细节方面,本文算法能够在不引入伪边缘、非均匀性的前提下,充分展现受云区影响的海表纹理细节,进一步满足高保真度的遥感应用需求。

基于分布式信息滤波的集群导弹协同定位方法

针对领从式集群导弹中的从弹定位问题,考虑领弹动态地切入切出导航网络情况,提出了一种基于捷联惯性导航系统(INS)与到达时间(TOA)测距系统相融合的领从类分布式协同导航方法。该方法综合考虑了导航参数与相关传感器误差模型,基于INS误差系统建立线性状态空间模型,基于弹间数据链TOA测距系统建立非线性伪距量测模型,并基于扩展信息滤波器实现动态信息的分布式融合,以适应量测信息节点数目动态变化引起的协同导航网络结构变化。将其应用于集群导弹协同导航系统中,仿真结果表明所提算法可以快速且高精度地完成从弹导航参数的估计,可以有效消除领弹节点变化所带来的负担。该方法可以作为低成本从弹导航系统的补充手段。

均方根信息滤波和平滑及其在低轨卫星星载GPS精密定轨中的应用

从均方根信息滤波和平滑的基本原理出发,结合卫星定轨的实际特征,导出了其在精密定轨软件中实现的详细公式;针对均方根滤波的特点,提出了快速高效地探测和修复GPS观测数据中周跳的新方法。利用实测星载GPS数据验证了基于均方根滤波的质量控制算法的可靠性,得到了有益的结果。

基于联合分布状态信息滤波的机器人协同定位

针对现有扩展卡尔曼滤波算法在协同定位应用计算复杂的问题,提出一种基于联合分布状态的信息滤波算法,并将其运用在多机器人协同定位中。从3个方面解决计算复杂的问题:第一,借鉴机器人同步构图与定位,利用联合分布状态将关键历史状态保留在滤波中,避免时间更新的复杂计算;第二,利用滤波信息参数的稀疏性,减小滤波所涉及的计算复杂度;第三,根据Cholesky矩阵分解的特殊性质,进一步减少计算复杂度,节省存储空间,简化通信管理,便于工作负载均衡分配。理论分析与仿真结果表明,该方法在确保计算与存储复杂度的同时保证了估计精度和协同定位的有效性。

采用无迹信息滤波的多传感器容错融合算法

针对故障检测阈值难以确定和系统非线性较强时精度差的问题,提出了1种新的多传感器容错融合算法。各量测子系统采用无迹信息滤波,不需要对系统进行线性化,因而能避免线性化误差。设计基于模糊逻辑的故障检测算法。利用卡方检验值计算子系统有效概率。根据子系统的有效概率自适应隔离故障子系统,处理故障检测阈值难以选取的问题。将该文算法应用于捷联惯性导航系统/北斗2/全球定位系统(SINS/BD2/GPS)组合导航系统中,仿真结果验证了其有效性。

稀疏扩展信息滤波SLAM算法的稀疏规则研究

稀疏规则是扩展信息滤波性能的关键。在现有的稀疏规则中,精确稀疏扩展信息滤波(ESEIF)的稀疏规则有较优的性能,但有其适用上的缺陷。通过将稀疏扩展信息滤波(SEIF)与精确稀疏扩展信息滤波(ESEIF)的稀疏规则结合起来,提出了一种组合的稀疏规则。该组合规则能适用于任何的探索环境,还充分利用了ESEIF稀疏规则的性能优势。最后,通过大量的Monte-Carlo仿真实验,验证了该方法的有效性。

基于平方根容积信息滤波的弹道目标跟踪算法

针对再入弹道目标跟踪问题,提出了一种基于平方根容积信息滤波的多传感器融合估计算法(SCIF)。SCIF通过在扩展信息滤波(EIF)框架中嵌入平方根容积卡尔曼滤波算法(SCKF)实现状态滤波。仿真结果表明:所提出的算法不仅避免了EIF由于模型线性化误差易导致滤波发散的问题,且克服了不敏信息滤波(UIF)在高维滤波中数值不稳定的缺点,算法的滤波精度较高,能够更加有效地解决弹道目标跟踪中的强非线性滤波问题。

无反馈最优联邦信息滤波算法研究

研究了联邦信息滤波器无重置结构时的信息分配问题,基于全局融合精度最高的考虑,提出了一种根据各子系统量测信息与总的量测信息之比进行自适应调整的最优信息分配方法.与其他方法相比,该方法可使联邦滤波器获得更高的融合精度.仿真结果显示了该方法的有效性.

基于信息滤波的分布式多传感器状态估计算法

在信息滤波理论和分布式状态估计算法基础上,研究了基于信息滤波的分布式多传感器状态估计算法。证明了基于信息滤波和Kalman滤波的分布式状态估计解的等价关系。最后,给出了算法的仿真分析。

基于混合信息滤波的粒子滤波SLAM算法

为解决粒子滤波SLAM中存在的计算效率高及粒子退化造成的估计精度低等问题,结合精确稀疏滞后状态信息滤波估计精度高以及精确稀疏扩展信息滤波计算效率高的优点,将两者混合应用于粒子滤波SLAM算法中,不但在保证计算效率的条件下提高了状态估计精度,并且还克服了机器人转动状态以及环境特征疏密带来的应用缺陷。实验结果表明了该方法的有效性与可行性。

基于分散化信息滤波的移动机器人定位

给出分散化信息滤波的最优性证明和保证最优性的条件 ,讨论了分散化信息滤波在故障检测和多传感器融合中的优势 ,提出一种在不影响分散化优势的情况下可以减小通讯量的滤波器结构。最后的仿真例子说明该方法在移动机器人定位应用中的有效性。

基于精确稀疏扩展信息滤波的粒子滤波SLAM算法研究

传统粒子滤波算法的单次迭代过程以及小权值粒子在重采样中被删除都使得机器人位姿的历史信息不能充分利用,因而会出现粒子的退化现象,从而导致滤波算法的估计精度较低。本文提出基于精确稀疏扩展信息滤波的粒子滤波SLAM算法,利用精确稀疏扩展信息滤波的信息矩阵反映机器人位姿相对变化的同时,也对应于状态后验概率的条件概率的性质,应用Gibbs采样直接从SLAM完全后验分布产生样本,充分利用了信息矩阵包含的不确定信息,粒子分布均匀,且保持了多样性,缓解了粒子退化现象。实验结果表明所提算法的粒子集能够更好地描述真实后验分布,显著提高了SLAM算法的估计精度。

无迹信息滤波耦合交互式多模型的多传感器机器人轨迹控制

为了实现对包装运输过程中机器人的轨迹跟踪,基于无迹信息滤波技术(UIF)和交互式多模型技术(IMM),提出了一种新的多传感器数据融合算法(UIF-IMM),融合了单个IMM滤波器、每个UIF的信息状态贡献和信息矩阵等信息.通过对机器人轨迹跟踪可知:在4种轨迹跟踪算法中,提出的算法跟踪效果最好,均方根位置误差和角度误差均最小,分别为0.047和0.9.在分布式传感器节点(UIF-IMM 2)中,采用模型似然函数组合的多传感器融合算法,其位置精度和角度精度均优于不进行组合的多传感器融合算法(UIF-IMM 1).提出的滤波方法可以很好地解决分布式多传感器环境下机器人的跟踪问题,在机动目标定位领域具有一定的参考价值.

基于稀疏扩展信息滤波和粒子滤波的SLAM算法

针对传统粒子滤波算法单次迭代过程中仅应用到当前的信息,且小权值粒子代表的信息在重采样中被删除而导致信息不能充分利用的问题,提出了稀疏扩展信息滤波和粒子滤波相结合的同时定位与地图创建(SLAM)算法,信息矩阵记忆了机器人位姿的历史信息,应用Gibbs采样重新获得粒子集,使粒子集能够更好地描述后验分布,提高算法的状态估计精度。大量的Monte-Carlo仿真实验验证了该算法中机器人定位精度较FastSLAM2.0算法提高80%左右。

基于多模型信息滤波器的故障容错目标跟踪

对具有传感器随机故障的多传感器系统,提出一种故障容错的目标跟踪算法。利用多模型方法建立传感器量测故障模型,将Unscented变换(UT)嵌入信息滤波器框架,建立多模型信息滤波器。通过多模型方法在线估计量测模型概率,利用概率加权组合分别得到传感器的信息贡献,通过多传感器融合提高目标跟踪精度和传感器故障识别概率。仿真结果表明,本文算法能有效提高目标跟踪精度。

按对角阵加权信息融合Kalman滤波器

为了克服按矩阵加权信息融合非稳态Kalman滤波器的在线计算负担大的缺点,和按标量加权融合Kalman滤波器精度较低的缺点,应用现代时间序列分析方法,提出了按对角阵加权的线性最小方差多传感器信息融合稳态Kalman滤波器.它等价于状态分量按标量加权信息融合Kalman滤波器,实现了解耦信息融合Kalman滤波器.它的精度和计算负担介于按矩阵和按标量加权融合器两者之间,且便于实时应用.为了计算最优加权,提出了计算稳态滤波误差方差阵和协方差阵的Lyapunov方程.一个三传感器的雷达跟踪系统的仿真例子说明了其有效性.

适用于稀疏动态无线传感器网络的并行融合分布式无迹信息滤波算法

稀疏和随机动态变化是实际无线传感器网络(wireless sensor network,WSN)中普遍共同存在的两种通信拓扑不稳定因素,使基于一致性算法的分布式无迹信息滤波(distributed unscented information filter,DUIF)算法适用于稀疏动态WSN,将极大提高其实用性.为此,本文提出一种并行融合DUIF(parallel fusion DUIF,PF–DUIF)算法.在PF–DUIF算法中,通过将实时局部后验估计均值和协方差用于局部无迹信息滤波器(local unscented information filter,LUIF)的Sigma点采样,使LUIF和加权平均一致性滤波器(weighted average consensus filter,WACF)得以并行运行,从而有效抵制由通信拓扑随机动态变化带来的较大一致跟踪误差的困扰;同时,WACF通过对LUIF输出的无偏局部信息矩阵和向量分别进行平均一致性滤波,最终得到不包含由稀疏通信拓扑引起的平均一致误差的分布式后验估计结果;进而,建立即时更新机制有效抑制随机动态通信拓扑引起的PF–DUIF算法滤波异步问题,同时,基于稀疏动态WSN的平均网络模型,在通信能量消耗受限条件下优化WACF均方收敛速率,从而提高PF–DUIF算法的整体滤波效率.仿真实验结果表明,PF–DUIF算法能够有效应用于稀疏动态WSN机动目标跟踪.

Wiener滤波,Kalman滤波和信息融合滤波理论研究进展

综述最优和自校正滤波的一种新的方法论——现代时间序列分析方法,其中给出了同Wiener滤波方法和Kalman滤波方法的比较,并且综述了近20年来由作者分别基于Kalman滤波方法和现代时间序列分析方法关于Wiener滤波、Kalman滤波和信息融合滤波理论的研究进展,其中包括一系列新方法、新理论和新的研究方向,并提出了存在的几个问题和今后研究方向,具有重要理论、工程应用和科学方法论意义。