无线传感器网络分布式量化卡尔曼滤波

本文针对无线传感器网络中的目标跟踪问题,研究了分布式量化卡尔曼滤波问题.由于网络中存在能量和带宽限制,传感器传输的数据必须经过量化处理.考虑一个线性离散随机动态系统,首先提出了一种动态Lloyd-Max量化器并设计了其在线更新方案,然后基于贝叶斯原理导出了递归形式的最优量化卡尔曼滤波器,同时给出了一种渐近等价的迭代算法,并进一步分析了量化卡尔曼滤波器的稳定性.最后,仿真结果验证了所设计算法的可行性与有效性.

ADAS系统视觉与毫米波雷达分布式抗差卡尔曼滤波融合算法

自动驾驶车辆常常利用多传感器对周围目标进行检测和跟踪,但受限于传感器多源异构特性和复杂多变的驾驶环境,准确的多目标检测和跟踪仍是实现自动驾驶的一大困难和挑战。本文面向高级驾驶辅助系统(ADAS)的多目标检测与跟踪任务,采用了基于1个视觉传感器和5个毫米波雷达(1V5R)的传感器配置方案,且设计了基于分布式抗差卡尔曼滤波器的多传感器信息融合算法以实现对周围目标的准确感知。首先,针对不同传感器数据特征,采用不同的线性卡尔曼滤波器和扩展卡尔曼滤波器进行数据融合,并基于分布式卡尔曼滤波建立了1V5R多传感器信息融合框架。其次,为降低传感器动态误差对于融合精度的影响,在卡尔曼加权观测融合的基础上,引入抗差估计方法,实现了对传感器动态误差的实时估计和修正。最后,通过离线仿真和实车道路试验对所提出的基于分布式抗差卡尔曼滤波的多传感器融合算法进行了验证。试验结果表明,与单一传感器的测量值相比,所提出的算法能有效融合多个传感器的信息以提升目标的检测与跟踪精度,且鲁棒性较好。

基于动态加权的量化分布式卡尔曼滤波

针对一个无融合中心传感器网络中的状态估计问题,提出一种基于量化信息的分布式卡尔曼滤波(QDKF)算法。首先,在分布式卡尔曼滤波(DKF)中,以节点状态估计精度为加权准则,动态选取加权矩阵,使得全局估计误差的协方差最小;然后,进一步考虑了网络带宽受限制的情况,在DKF算法中加入均匀量化器,节点之间通信使用量化后的信息,以减少网络通信的带宽需求。QDKF算法仿真采用了8 bit的均匀量化器,与Metropolis加权法和最大度加权法相比,动态加权法的状态估计均方根误差分别降低了25%和27.33%。实验结果表明,采用动态加权法的QDKF算法能提高系统的状态估计精度,减少带宽需求,适用于网络通信受限制的应用场合。

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.

分布式移动通信系统中基于多普勒测速与卡尔曼滤波的动态定位算法

该文提出了一种分布式移动通信系统中的动态定位算法,算法中首先通过远端天线单元(RAU)测量移动台(MS)的多普勒频偏,将其变换为MS到各RAU方向的径向速度,建立状态方程和观测方程,然后采用扩展卡尔曼滤波法估计移动台的当前位置,并通过逐次迭代即可实现MS运动轨迹的动态估计。因为卡尔曼滤波法的引入,该算法有效地降低了当前估计误差对后续时刻估计值的影响,从而可获得较高的定位精度。

分布式不敏卡尔曼滤波状态估计技术

在许多实际的分布式多传感器系统中,系统的动态或传感器的观测方程是非线性的.解决分布式多传感器非线性系统的状态估计问题,通常采用的一种方法是分布式扩展卡尔曼滤波.但由于模型的线性化误差,EKF的滤波效果在很多情况下并不能令人满意.另外,在许多实际应用中,模型的线性化过程比较繁杂,而且也不容易得到.为了有效解决分布式多传感器非线性系统的状态估计问题,提出了一种基于不敏卡尔曼滤波的状态估计技术.不敏卡尔曼滤波是最近提出的一种新的非线性滤波方法.由于不需要对非线性系统进行线性化,不敏卡尔曼滤波可以很容易地应用于非线性系统的状态估计,并且其性能也要优于扩展卡尔曼滤波.仿真结果说明分布式不敏卡尔曼滤波方法的性能要优于分布式扩展卡尔曼滤波方法.

四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计

路面附着系数对车辆动力学控制性能有重要影响,为准确实时估计路面附着系数,提高算法在不同路面及工况下的估计精度与收敛速度,本文针对分布式四轮驱动车辆,结合7自由度车辆动力学模型和Dugoff轮胎模型,提出了一种基于交互式多模型的自适应无迹卡尔曼滤波(IMM-AUKF)路面附着系数估计方法,首先将改进的Sage-Husa噪声估计器引入到无迹卡尔曼滤波(UKF)算法中,构建了自适应无迹卡尔曼滤波(AUKF)观测器,以对测量噪声进行实时更新并保证其协方差矩阵的正定性,同时提高新观测数据的权重,并增强算法的实时跟踪精度和稳定性;然后通过选择不同的观测变量,分别构建了车辆纵向行驶工况AUKF观测器和横纵向耦合工况AUKF观测器,并利用交互式多模型(IMM)算法进行观测器模型的切换,进而实现算法在车辆不同行驶工况下路面附着系数的准确估计。高附、低附、对接以及对开等路面仿真试验及实车道路试验结果表明,所提出的IMM-AUKF算法相比于传统的UKF算法,具有更高的估计精度与更快的收敛速度,能够适应不同工况下路面附着系数的实时准确估计。

不依赖水声传感器信噪比的分布式量化检测融合方法

针对水下跨平台协同系统信号检测融合的应用需求,本文提出了一种不依赖于水声传感器信噪比先验信息的水下目标分布式量化检测融合方法,不仅提升了检测融合系统的性能,而且避免了以往检测融合需要知道各传感器信噪比的难题。在奈曼-皮尔逊准则下,推导了量化检测融合的全局最优算法,在量化检测融合系统满足虚警概率要求的条件下,通过联合设计检测融合规则和各传感器判决规则,实现了对多位量化判决结果的最优判决。给出了量化检测融合的次优算法,通过独立设计融合规则与各传感器判决规则,使融合中心判决门限和各传感器判决门限仅仅依赖于与噪声方差密切联系的虚警概率,而不再依赖于信噪比。进行了计算机仿真,结果表明:所提算法性能优于参加融合的各传感器检测性能以及全局最优硬判决融合的性能,量化检测融合次优算法性能接近全局最优量化检测融合的性能。

基于多测速多测距的交互多模型卡尔曼滤波算法

针对战术弹道导弹实时跟踪问题,提出了一种基于多测速多测距的交互多模型不敏卡尔曼滤波算法。利用新一代分布式雷达系统测量的高精度主/副站距离和速度测元进行测元层融合,避免了雷达测量误差较大的方位和俯仰测元的引入。通过不敏卡尔曼滤波避免了对观测方程计算雅可比矩阵的复杂过程,并能够获得同比三阶泰勒展开的结果。算法采用匀速模型、匀加速模型和当前统计模型在内的交互多模型框架,能够持续跟踪导弹飞行,有效应对导弹关机点等轨迹跃变点带来的滤波突变。仿真算例验证了所提出的算法相较于传统算法在导弹飞行段具有较高的滤波精度,并且能够很好地适应目标的机动性,可为分布式雷达对战术弹道导弹的实时跟踪问题提供一种新的解决方案。

不完全量测下基于信息一致性的分布式容积卡尔曼滤波算法

针对不完全量测条件下分布式火控系统中的非线性目标跟踪问题,为提高跟踪系统的估计精度并保证各探测单元估计结果的一致性,提出一种基于信息一致性的分布式容积卡尔曼滤波(ICDCKF)算法。针对非线性系统,给出不完全量测下的改进容积卡尔曼滤波。考虑到各探测单元间局部估计信息的相关性,该算法首次将协方差交叉方法应用于非线性一致性滤波算法,提高互协方差未知情形下分布式融合的估计精度。特别地,为确保算法的可行性,给出不完全量测情形下,ICDCKF算法估计结果收敛的条件,并从理论上严格证明在该条件下ICDCKF算法可以保证估计方差的有界性。ICDCKF算法应用于一类光电跟踪网络,与现有CKFI算法、CKF_CI算法、KCF_Me算法对比分析表明:ICDCKF算法在保证各探测单元估计结果一致性的同时,大幅度提高了跟踪系统的估计精度。

基于分布式自适应UKF的说话人跟踪方法

针布式无迹卡尔曼滤波(distributed unscented Kalman filter, DUKF)方法进行说话人跟踪时,因状态转移噪声协方差矩阵和测量噪声协方差矩阵偏离真实值而导致跟踪误差增大。文章采用塞琪-胡萨(Sage-Husa)自适应策略,在DUKF测量更新后迭代估计局部状态转移噪声协方差矩阵和测量噪声协方差矩阵,然后利用一致性滤波融合得到全局的状态转移噪声协方差矩阵,随着卡尔曼滤波器的迭代,逐渐逼近状态转移噪声协方差矩阵和测量噪声协方差矩阵的真实值,从而提高DUKF说话人跟踪精度。实验结果表明,即使在较差的噪声和混响条件下,分布式自适应无迹卡尔曼滤波方法相较于常规的DUKF方法仍具有更好的跟踪性能,在节点损坏条件下的鲁棒性更强,能够获得更准确的说话人位置信息。

分布式驱动电动汽车状态与路面附着系数估计

【目的】准确获取车辆行驶状态参数和路面附着系数对于维持分布式驱动电动汽车的安全性和稳定性十分重要,针对于此,研究了一种能够准确估计其参数的算法,既能降低量产车辆的成本,又能达到车辆安全稳定的目的。【方法】首先,建立三自由度车辆模型,应用基于奇异值分解方法(SVD)的容积卡尔曼滤波算法搭建参数估计器。然后,搭建Carsim/Simulink联合仿真实验平台,采用高、低附着和对接路面双移线工况进行仿真验证。【结果】仿真实验结果表明,估计器能够较准确地估计出参数的真实值。基于仿真的良好估计效果,搭建实车实验平台,进一步进行验证得出,实车实验结果与仿真结果趋势一致,该算法具有较好的估计准确性和时效性。

乙苯化工过程的分布式无迹卡尔曼滤波方法

乙苯化工过程由一系列连续搅拌釜式反应器和分离器组成的大规模非线性系统,针对这一类系统提出了一种基于分布式无迹卡尔曼滤波的状态估计方案。该方法通过将系统分解,对每个子系统设计局部无迹卡尔曼滤波,它接收局部测量值,并与其他滤波器协同计算局部状态估计值的方法完成整个系统的状态估计。给出了详细的分布式无迹卡尔曼滤波的设计方法和估计算法。在不同的噪声下对分布式和集中式无迹卡尔曼进行了比较分析。仿真结果表明,分布式无迹卡尔曼滤波可以很好地处理强噪声,正常噪声下比集中式无迹卡尔曼滤波有更稳定的性能,但在理想噪声下集中式无迹卡尔曼滤波有更好的表现。

基于Consensus滤波的分布式卡尔曼信息融合方法

分布式信息融合是无线传感器网络信号处理中最重要的研究课题之一。文中给出了无线传感器网络的分布式一致卡尔曼信息融合算法,该方法首先在无线传感器网络的每个传感节点中配置微卡尔曼滤波器,再引入一致滤波算法用于计算节点平均观测数据和平均逆协方差,然后各自执行微卡尔曼滤波,从而得到各节点的分布式状态估计。文中用仿真结果证实了该方法的有效性和可靠性。

基于ASTUKF的分布式农业车辆路面参数辨识方法

针对分布式驱动农业车辆在路面参数辨识过程中,因路面环境变化出现的状态模型误差和时变噪声,导致辨识结果发散的问题,提出了基于自适应强跟踪无迹卡尔曼滤波(Adaptive strong tracking unscented Kalman filter,ASTUKF)的辨识方法。与传统内燃机农业车辆相比,分布式驱动可以直接获取驱动轮的状态信息,结合含有峰值附着系数和极限滑转率的μ-s曲线模型,建立了无迹卡尔曼滤波(Unscented Kalman filter,UKF)辨识算法的状态方程和量测方程。同时,将强跟踪滤波(Strong tracking filter,STF)和自适应滤波(Adaptive filter,AF)引入辨识算法,用以提高对多变环境的识别精度和鲁棒性,并采用奇异值分解(Singular value decomposition,SVD)解决了迭代过程中出现的非正定矩阵的问题。仿真试验结果表明,在突变噪声环境工况下,ASTUKF辨识结果可以快速收敛至目标值附近,且不受突变噪声的影响,各驱动轮峰值附着系数估计结果的平均绝对误差(Mean absolute error,MAE)分别为0.0144、0.0267、0.0144、0.0267,极限滑转率估计结果的MAE分别为0.0025、0.0028、0.0025、0.0028。实车试验表明,在已耕地和未耕地的试验路面上,ASTUKF辨识结果的均值95%置信区间能够匹配测量值,整车的附着系数辨识结果为0.4061(未耕地)、0.3991(已耕地),极限滑转率辨识结果为0.1484(未耕地)、0.3600(已耕地),可为分布式电动农业车辆作业参数感知提供理论参考。

多传感器系统含状态约束的分布式并行卡尔曼滤波算法

基于群智能建筑系统,提出一种含有状态约束的并行式卡尔曼滤波算法。算法通过物理约束建立方程,利用相邻节点间的约束关系和投影法计算出含有状态约束的卡尔曼滤波估计值,从而达到故障诊断与数据校核的目的。算法基于的分布式结构采用传感器网络节点的形式,每个节点有自身处理系统而不需要任何中心节点或中心通信设施。因此,本文提出的算法具有完全分布性,允许在多个测量节点之间独立计算。本文详细论述算法推导过程,并通过软件仿真与硬件测试,验证了算法的并行性、准确性和稳定性。

无线传感器网络中分布式卡尔曼滤波节能方案研究

无线传感器网络在点对点通信时会消耗传感器能量,并且每个传感器节点的功率是有限的,对此,本文提出了一种基于事件触发的分布式卡尔曼滤波节能方案。此方案是基于更新的均方误差进行驱动触发的,在该方案中,每次迭代时,传感器节点都会更新均方误差,超过某一阈值时进行事件触发,传感器之间相互通信,用来保证卡尔曼滤波精度;小于某一阈值时就不进行通信,进而节省自身能量;在两阈值之间时就选择性地进行事件触发。因此,该方案可以根据不同滤波精度条件要求下调整阈值,具有自适应功能。因此,既保证了滤波精度,又有效地节省了节点的能量,延长传感器使用寿命。

基于随机分布式声阵的装甲目标协同定位方法研究

对目标的精确定位是地面值守武器系统的重要任务。针对单个声传感阵列对目标准确定位难、作用距离有限的问题,提出一种基于随机分布式声阵的装甲目标协同定位方法。该方法是一种无源的被动探测方法,通过无线组网技术将随机散布的声传感节点组成探测网络,测量目标的方位角和信号的到达时间差(TDOA),使用扩展卡尔曼滤波算法实现声目标定位,分析单节点定位误差、自组网误差和节点规模对定位精度的影响。仿真结果表明,方位角误差和TDOA误差对协同定位精度影响较大。在同等条件下,协同定位误差比单节点定位误差平均减少了10 m,协同定位精度明显提升,验证了算法的有效性。

动平台分布式雷达系统动目标低比特数据检测算法

动平台分布式雷达系统可有效提升系统的生存能力和探测性能,但运动平台之间通常采用无线传输方式,难以配备大通信带宽以传输完整的信号数据,给雷达系统的高性能检测带来极大挑战。由于低比特量化技术可显著降低分布式系统的通信传输代价和计算资源消耗,该文针对低信噪比弱信号环境下提出了动平台分布式雷达系统的低比特量化运动目标检测算法。首先,根据系统资源将各节点的多脉冲观测数据选择对应位数的低比特量化器进行量化,推导了关于量化器和多个目标状态的似然函数。其次,证明了低比特量化数据对应似然函数关于未知目标反射系数的凸性,并基于该特性设计了多普勒频移和反射系数的联合估计器。然后,针对探测区域中存在的多个状态未知目标设计了多目标检测器,推导了其恒虚警率门限。最后,通过推导系统的渐近性能设计了最优低比特量化器,在保证系统鲁棒性的同时有效提升了系统的检测性能。仿真实验分析了所提算法的检测与估计性能,结果证明了所提算法在低信噪比弱信号环境下的有效性,同时表明低比特量化数据可在仅占用低于20%通信带宽的基础上实现接近高精度(16比特量化)数据对应的检测和估计性能,且2比特量化策略可作为检测性能和雷达系统资源消耗的折中选择。

基于卡尔曼滤波算法的分布式光伏发电短期功率预测方法

由于目前的分布式光伏发电短期功率预测方法的预测结果容易受到不确定因素的影响,存在预测精度较低的问题,影响了电能的利用率,难以满足电网建设与运行要求,因此基于卡尔曼滤波算法针对分布式光伏发电短期功率预测方法展开研究。通过采集与预处理数据,完成数据删除填充和替换;识别分布式光伏发电短期功率特性,分析分布式光伏发电影响因素和历史发电功率数据;基于卡尔曼滤波算法建立分布式光伏发电短期功率预测模型,通过映射计算短期预测功率的最优值,实现分布式光伏发电短期功率预测。通过实验证明,所提方法在24 h内对光伏发电功率的预测误差值在3~6 W,在4种天气类型情况下,预测曲线与实际曲线具有较好的贴合度,与不同的传统方法对比,所提方法预测的拟合度更高,均在95%以上,证明所提方法是有效且可靠的。