有色观测噪声条件下的分布式Kalman最优融合

传统分布式Kalman融合算法通常假定观测噪声是白噪声,在有色观测噪声条件下将导致系统性能的降低,而白化有色观测噪声会加剧传感器估计误差的相关性,对这种相关性的处理是分布式Kalman融合的难点。提出了一种基于有色观测噪声多传感器系统的分布式Kalman最优融合算法,将系统状态分解为不相关的两部分,进行非扩维Kalman滤波以及分布式状态融合,证明了分布式状态融合等价于集中式Kalman最优融合,并进一步分析了具有反馈和非反馈两种结构的多传感器系统,给出了反馈结构下修正的分布式Kalman最优融合算法。同时分析了有色观测噪声对Kalman滤波器的影响。理论分析与蒙特卡罗仿真表明:所提算法具有全局最优性并且便于工程实时计算。

基于量测补偿的多传感器分布式滚动时域估计

针对网络中单个传感器无法对目标状态完全观测的情况,基于量测补偿策略与滚动时域估计方法,提出了一种分布式估计算法。针对网络中单个传感器量测对状态不完全可观测的情况,令各传感器利用其对完全量测的预测来补偿实际量测;进一步针对传感器网络中所有传感器估计的一致性问题,令各传感器利用本身的量测和邻居传感器的传输信息对状态进行滚动时域估计,并在此基础上构造分布式的滚动时域估计优化问题和设计实施算法。仿真结果表明,在整个传感器网络全局可观测的前提下,该算法可以使得传感器网络中的所有传感器实现对目标状态的完整、准确估计。

利用多尺度与分布模型的GPS/SINS组合导航算法

根据多尺度分析的思想,以离散小波变换为工具,将GPS量测信息用并行小波进行分解处理以得到不同尺度上的量测信息;然后,将不同尺度上的量测信息与SINS进行并行Kalman滤波,并对每个Kalman滤波器的输出结果进行分布式状态融合;最后,用分布式状态融合后的结果对SINS反馈校正。实际的静态实验与理论动态仿真实验结果表明,采用该方法以后,组合导航系统的各项导航参数精度明显提高。