基于网格剖分的协方差交集融合新算法

针对协方差交集的最优融合问题,提出了一种基于网格剖分的协方差交集融合新算法。该算法首先利用几何法对位置空间进行网格剖分,求出局部航迹协方差椭圆所包含的网格集合;其次,对所有的网格集合进行与运算,求出局部航迹协方差椭圆所包含的公共网格集合;最后,利用公共网格集合逼近协方差椭圆的交集,求出融合估计值。蒙特卡罗仿真试验证明,该方法能有效提高相关误差航迹的融合精度。

基于协方差交集的多机器人协作目标跟踪算法

为了解决未知环境下多机器人协作目标跟踪问题,设计了一种基于协方差交集数据融合的分布式解决算法.单台机器人运用全协方差扩展式卡尔曼滤波器完成未知环境下机器人状态和目标状态的同步估计,当单台机器人发现同伴并利用观测值对同伴机器人状态进行本地估计后,将结果连同目标状态一起发往同伴机器人,同伴机器人进行数据验证后,采用基于协方差交集的数据融合算法完成本地相关状态的更新,由于并不需要知道相关估计对象之间的协方差阵,因此算法具有分布式特点.仿真实验证明了算法能够有效提高机器人对于自身状态、环境特征状态以及目标状态的估计准确性.

基于无迹变换的协方差交集算法研究

针对分布式数据观测系统中数据融合存在数据线性化过程误差较大、滤波过程中的错误无法修正的问题,提出了一种基于无迹变换的协方差交集算法。该算法首先对系统数据进行无迹变换,然后对数据采用协方差交集算法滤波,可得到较好的滤波性能。实验结果表明,该算法弥补了协方差交集算法的不足,能够修正数据线性化误差及滤波产生的错误,是一种有效的数据融合算法。

一种高维航迹融合协方差交集算法降维实现方法

在互相关性未知的分布式融合系统中,协方差交集算法是一种有效的融合算法,但其在融合高维航迹时存在计算量大、精度低的问题,为此对高维航迹进行了降维处理,把高维航迹的融合变为多组二维航迹的融合,从而得到了一种降维的协方差交集算法(Dimensionality Reduction Intersection Algorithm,DRCI)。理论分析表明该算法能有效降低运算量,仿真实验结果表明,该算法的精度高于协方差交集算法(Covariance Intersection,CI),与Kalman融合算法处于同一水平。

一种基于自适应网格剖分的协方差交集融合新算法

针对分布式航迹融合问题,提出了一种基于自适应网格剖分的协方差交集融合新算法。首先,自适应计算网格剖分误差上限;其次,利用网格剖分法求出局部航迹协方差椭圆的交集;最后,利用交集中心求出融合航迹估计值。通过仿真试验,该算法能自适应估计网格剖分步长上限,提高融合精度。

一种改进的网格剖分协方差交集融合算法

针对协方差交叉的最优融合问题,在基于网格剖分的协方差交叉融合算法的基础上,提出了一种改进的网格剖分协方差交叉融合算法。首先对位置空间进行网格剖分,求出局部航迹协方差椭圆所包含的公共网格集合,然后利用公共网格集合拟合一个融合椭圆来逼近协方差椭圆的交集。先求出协方差椭圆交集的面积及融合椭圆的近似长轴,根据椭圆面积公式求出椭圆的短轴,从而得到融合估计误差协方差。蒙特卡罗仿真试验证明,该方法比原有算法效果更好,能有效提高相关误差航迹的融合精度。

无源声呐水下多目标融合跟踪方法

针对海洋环境噪声导致弱目标在不同子频带检测结果差异较大,致使以全频带探测结果为输入的跟踪算法出现性能退化的问题,提出一种子带融合跟踪方法。该方法利用改进的高斯混合概率假设密度滤波器对各频率子带输出的方位估计结果进行跟踪,并采用广义协方差交集准则对子带跟踪结果进行融合,以获得综合各子带信息的跟踪结果。仿真结果表明,所提方法可以提高弱目标在各子带信噪比不均衡情况下的跟踪能力,且运算时间与对比方法较为接近。海试数据处理结果进一步验证了所提方法的有效性。

计算高效的分布式多传感器PHD融合方法

基于广义协方差交集(GCI)融合理论,提出一种计算高效的分布式多传感器多目标跟踪算法,其中概率假设密度(PHD)滤波器在每个传感器节点运行,进行滤波处理。GCI用于融合多个PHD时,融合密度包括大量融合假设,这些假设随着高斯分量的数量增加呈指数增长。因此,GCI融合在实际运行中往往难以计算。为了提高多传感器融合的运算效率,文中通过距离度量将高斯分量聚类,然后进行孤立。距离度量可计算出目标融合后的密度权重,丢弃权重可忽略不计的融合假设,就能够构建简化的近似密度函数。分析表明,所提出的融合算法相较于传统的GCI融合算法,计算效率能够呈倍数提升。在先后出现12个目标的仿真场景中,通过实验验证了所提融合算法的有效性。

多阵列水下多目标跟踪的分布式算法研究

针对水下单水听器阵列探测范围受限、目标定位和跟踪性能不足问题,论文提出一种基于匹配场定位量测模型的分布式多目标联合定位与跟踪方法。在各阵列节点选取匹配场模糊函数大于设定阈值的峰对应的坐标作为量测,结合势平衡多伯努利(Cardinality Balanced Multi-Bernoulli,CBMB)滤波,滤除噪声干扰,解决常规匹配场定位方法低信噪比导致的跟踪精度下降的影响。在分布式网络架构下,利用广义协方差交集(Generalized Covariance Intersection,GCI)融合法则,序贯融合每个阵列节点与其邻近节点各自滤波后的多目标后验概率密度,以充分利用不同阵列节点的量测信息,提高水下多目标的跟踪精度。由于融合的是多目标后验概率密度而非量测集本身,改善了集中式融合处理的高通信负担问题。仿真实验结果证明,与单水听器阵列目标跟踪算法相比,经分布式融合后,多次蒙特卡洛实验下的平均最优子模式分配(Optimal Subpattern Assignment,OSPA)距离显著下降,多目标的状态和数目的跟踪精度有所提升。在系统通信负担和单节点计算负担大幅降低的情况下,可达到与集中式融合处理相当的跟踪精度。

CI算法在两传感器融合稳态Kalman滤波器中的应用

针对两传感器稳态Kalman滤波器的信息融合,目前有三种常用的加权分布式融合算法:按标量加权、按对角阵加权和按矩阵加权,但它们都需要得到局部稳态滤波误差互协方差阵后才能计算出融合结果。而协方差交集算法在相关度未知的情况下,也能得到一个改进的估值,因此文中将协方差交集算法应用到两传感器稳态Kalman滤波器的信息融合中,在互协方差阵未知的情况下,此方法也能得到较好的信息融合结果,并通过仿真进行了验证。

基于CPCRLB的隐身目标协同检测与跟踪

针对雷达组网对隐身目标协同检测与跟踪时的动态分配问题,将条件后验克拉美罗下界(CPCRLB)用作系统跟踪性能的度量,结合改进二值粒子群优化(NBPSO)和粒子滤波,提出了一种基于CPCRLB的隐身目标协同检测与跟踪算法。该算法将雷达的动态分配问题转化成组合优化问题,根据新生目标的隐身特性对雷达分配方案的约束,借助分布在边界的检测粒子计算不同的雷达分配方案对新生目标的检测概率,并以已跟踪目标的CPCRLB衡量跟踪精度,采用NBPSO全局搜索最优分配方案,最后进行粒子滤波与协方差交集融合。

分布式多传感器融合跟踪

针对传感器观测的非线性问题,引入了无迹卡尔曼滤波算法,它在稳定性和精确性等方面均高于卡尔曼滤波,进一步,针对其弱可观测性,采用多个传感器分布式融合跟踪策略。而协方差交集算法,它不需要考虑每个传感器之间的相关度,根据实际要求选择好合适的权值后,可以直接进行融合,并且达到很好的精度,于是,提出了基于协方差交集算法的分布式多传感器融合跟踪算法,最后分别以2个和4个被动站跟踪为例进行仿真研究,结果表明所提出的分布式融合算法能够达到很好的跟踪精度。

基于CI的雷达与通信侦察航迹融合算法研究

针对异类被动传感器中的定位跟踪问题,提出了一种基于协方差交集(CI)的雷达与通信侦察航迹融合算法。将雷达侦察设备和通信侦察设备侦收到的信息分别通过扩展卡尔曼滤波(EKF)算法得到目标的航迹,再通过CI算法将两条航迹进行融合。仿真实验结果表明,融合后的航迹具有更高的准确度。

异平台雷达和ESM的高精度协同估计方法

随着网络的应用,不同平台的协同作战成为一种趋势,该趋势促成了异类平台间的数据融合需求。作为典型的协同模式,异平台的雷达和ESM观测的坐标系不同,无法直接融合,且二维ESM数据和三维雷达数据直接融合的精度较低。论文提出将雷达距离及方差转换到ESM坐标系下,转换得到虚假的距离量测结合ESM的角度量测,在三维坐标下进行Kalman滤波,获得ESM的估计及协方差矩阵,再进行协方差交集估计处理,可以较大的提高估计精度。

一种状态扩维标签匹配的分布式融合算法

在分布式多传感器网络中,针对标签多伯努利(Labeled Multi-Bernoulli,LMB)后验分布进行广义协方差交集(Generalized Covariance Intersection,GCI)融合时,存在标签不一致、计算复杂度高、以及目标漏跟使得GCI融合后势低估问题,提出一种状态扩维标签匹配的分布式传感器融合算法。首先,针对标签不一致问题,对目标状态进行扩维,改进分布式融合中的目标标签的匹配过程,使融合过程更加高效,同时也克服标签空间不一致的问题;针对计算复杂度高的问题,只传输“疑似目标”后验分布,减少通信数据量,采用“分而治之”的策略对已匹配的存活目标、新生目标、漏跟目标等分别进行融合,结合前述改进目标标签匹配过程有效降低了计算复杂度;针对目标漏跟使得GCI融合后势低估问题,建立漏跟与虚警表记录相应目标,对漏跟目标分布采用反馈补偿策略,有效降低单一传感器目标漏跟对传感器网络GCI融合后跟踪精度的影响。实验结果证明了提出融合方法的有效性和鲁棒性。

基于星光惯性组合的卫星姿态确定方法

基于双星敏感器与陀螺仪组成的星光惯性组合,提出了一种卫星姿态确定方法。双星敏感器分别与陀螺仪采用模糊自适应的无迹Kalman滤波方法进行子系统级的姿态估计,而后采用协方差交集算法框架进行系统级数据融合,从而完成卫星姿态的确定。对典型的卫星大角度快速机动扫描过程以及卫星三轴稳定运动过程的数值仿真,验证了该方法具备实用性与有效性。