基于贝叶斯估计噪声相关下的CKF设计

针对常规容积卡尔曼滤波(cubature Kalman filter,CKF)要求系统噪声和量测噪声必须互不相关的局限性,提出了一种带相关噪声的非线性离散系统CKF设计方法。基于贝叶斯估计准则,给出了系统噪声和量测噪声相关时CKF滤波递推公式,并采用三阶球面-相径容积规则来近似计算系统状态的后验均值和协方差。当系统噪声和量测噪声相关时,常规CKF不适用,本文设计的噪声相关下的CKF可以有效地对状态进行估计,拓展了CKF的应用范围。数值仿真验证了算法的有效性。

噪声相关粒子滤波算法

对标准粒子滤波在处理非线性系统状态估计中噪声独立假设的局限,该文研究分析了一种噪声相关粒子滤波算法。在常用的系统状态模型基础上,分析了噪声相关时建议分布函数的具体分布形式,并以高斯相关噪声为背景,在重要性权重条件最小方差意义下推导了最优建议分布函数的数值表达式。所设计的滤波器有效弥补了传统粒子滤波算法在噪声相关情况下的缺陷,拓展了PF算法的应用范围。仿真实验表明了该方法的有效性。

基于噪声相关模型的二元水听器组左右舷分辨技术研究

文中针对拖曳线列阵声纳的左右舷模糊问题 ,提出了一种全新的线列阵基阵结构 :二元水听器组 ,并采用噪声相关模型实现左右舷分辨。经过理论分析和仿真实验研究 ,证明了基于噪声相关模型的二元水听器组能够有效地解决单频、多频和宽带情况下的左右舷分辨问题。而且二元水听器组比三元水听器组结构简单、安装精度要求低、花费相对低廉、算法简单、易于实时实现 。

测量噪声相关情况下的航迹融合和测量融合

研究了测量噪声相关情况下的航迹融合和测量融合问题,根据线性无偏最小方差估计理论,推导了噪声相关情况下的多传感器跟踪系统的航迹融合和测量融合算法.经Monte Carlo仿真表明,文中给出的考虑噪声相关的航迹融合和测量融合算法的跟踪精度均高于相应的不考虑噪声相关的传统算法,且附加的计算量很小.

噪声相关的带宽约束传感器网络融合算法

研究了一类相关量测噪声和带宽限制背景下的传感器网络融合问题.利用Cholesky分解方法将量测方程转化为量测噪声互不相关的等价模型.由于带宽的限制,各局部传感器节点的原始信息需量化成消息才能上传到融合中心.文中采用自适应的量化策略获得了局部测量新息的量化消息,并利用顺序滤波和强跟踪滤波技术设计融合方法.简要分析了基于量化新息融合算法的性能特点.通过一个计算机仿真实验验证了新算法的有效性.

噪声相关下的一步延迟无序量测滤波算法

在目标跟踪系统中会出现传感器量测无序到达融合中心的现象。考虑相同时刻过程噪声与量测噪声相关情形下的一步延迟无序量测问题,提出了一种新的滤波算法。该算法采用改进的信息滤波器,可有效处理相关噪声;采用前向预测方法,在有序状态转移方式下进行状态递推,可处理延迟量测。新算法性能不依赖于过程噪声的离散化模型,且无需对状态转移矩阵求逆。仿真实验表明,在处理无序量测时,新算法与现有的基于后向预测的处理算法表现相当,但存储量及计算量更小,实时性更好,算法是可取的。

测量噪声相关线性系统异类传感器航迹融合

研究了异类传感器航迹融合问题。在测量噪声相关的条件下,利用线性无偏最小方差估计的基本理论,通过对异类传感器的状态估计采用顺序滤波的方法,得到了相关测量噪声线性系统异类传感器测量融合算法和状态矢量融合算法。计算机数字仿真结果表明,由于考虑了测量噪声之间的相关性,该算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善。

基于噪声相关特性的数学形态学消噪原理研究

结合电力信号采集中噪声的相关性理论和数学形态学基本原理,通过数值仿真详细研究了自相关噪声和随机白噪声干扰下,数学形态学滤波中关于结构元素如何选取的问题。分析指出,针对自相关噪声,结构元素的选择与噪声的周期性,最大峰值及采样率等因素密切相关。类似高频正弦噪声,通过选择合适尺度的正余弦形或三角形结构元素进行形态滤波均能取得良好的滤波效果。而对于随机白噪声而言,由于不具有自相关特性,因此并不存在类似相关噪声下的结构元素选取规律,多数情况需要通过预先的仿真或根据经验来合理选择结构元素。

数字图像与数码相机噪声相关性的偏态分布

为了提高利用噪声相关性鉴别数字图像真伪的正确性,探索了描述噪声相关性偏态分布的最佳模型。首先,通过理论分析和大量实验验证了在(0,1]区间beta分布、gamma分布和对数正态分布可用于描述噪声相关性的偏态分布。然后,利用这3种分布的概率密度函数模拟实际的噪声相关性偏态分布的概率密度函数曲线,概率密度函数曲线的特征和最小错误率的大小说明了采用对数正态分布描述噪声相关性偏态分布的效果最佳,从而提出用对数正态分布描述噪声相关性偏态分布的模型。实验结果表明,与采用广义chi平方分布的模型相比,采用该模型可使最小错误率降低60%以上,证明了采用正确的模型描述噪声相关性偏态分布是降低鉴别错误率的有效途径。

强混响及噪声相关背景下说话人跟踪方法

针对强混响及噪声相关背景下说话人跟踪问题,提出了一种解相关粒子滤波跟踪方法。利用状态方程恒等变换和矩阵相似变换理论解除过程噪声和量测噪声以及测量噪声之间的相关性,在粒子滤波的框架内采用布朗模型对说话人运动进行建模,并将随机有限集(Random Finite Set,RFS)理论引入到说话人状态的归一化处理中,采用RFS将说话人的位置和说话人的数目综合成单个的变量集合,并在PF的框架内进行说话人跟踪实验。计算机仿真和实际的语料库跟踪实验验证了所提算法的有效性。

噪声相关下的无序量测状态更新估计算法

在多传感器跟踪系统中,由于存在通信延迟等因素使得跟踪滤波器的传感器到达处理中心的时序被打乱,出现无序量测的情况.本文主要采用目前国际上用的较多直接更新法,即直接用延迟到达的量测更新目标状态,同时考虑输入噪声和过程噪声的相关性,给出了噪声相关情况下的无序量测的直接状态更新估计.最后又通过计算机仿真比较了丢弃延迟量测和直接更新法,验证了该算法具有更高的优越性,更具实际意义.

噪声相关情况下的卡尔曼滤波

标准卡尔曼滤波公式是基于白噪声推导出来的,在同一时刻状态噪声与观测噪声互相关,相应的卡尔曼滤波公式复杂,计算繁琐。通过改化观测方程的方法,导出一种新型基于噪声相关的卡尔曼滤波公式,并证明标准卡尔曼滤波是噪声相关卡尔曼滤波的一个特例。本文导出的基于噪声相关的卡尔曼滤波公式计算只比标准卡尔曼滤波增加了观测方程改化过程,便于编程计算。

噪声相关情况下的强跟踪滤波器在飞行器姿态确定中的应用

针对飞行器姿态估计系统问题,标准EKF存在不能克服测量噪声和过程噪声相关和抗干扰能力差的缺陷。为此,提出了一种噪声相关的强跟踪滤波器算法,该算法通过引入噪声相关矩阵和自适应因子来调整状态协方差矩阵和增益矩阵,可以较好地克服干扰和噪声相关的情况。通过实验仿真结果表明算法的有效性。

放大器噪声相关系数C的一种测算方法

E_■,I_a和C是放大器E_■—I■噪声模型的完备噪声参数.噪声是一个随机过程,因而C不能直接测得,本文讨论一种测算C的概率方法.

噪声相关条件下Unscented卡尔曼滤波器设计

针对传统Unscented卡尔曼滤波器(UKF)在噪声相关条件下非线性滤波失效的问题,研究了一类带相关噪声的非线性离散系统UKF设计方法.文中基于最小均方误差估计准则,给出了系统噪声和量测噪声相关时UKF滤波递推公式,并采用Unscented变换(UT)来计算系统状态的后验均值和协方差.所设计的噪声相关条件下UKF有效克服了传统UKF必须假设系统噪声和量测噪声为互不相关高斯白噪声的局限性,拓展了UKF的应用范围.仿真实例验证了其可行性和有效性.

一类噪声相关多传感器系统的新型序贯式融合滤波

对于过程噪声与观测噪声一步互相关、各观测噪声一步自相关的多传感器融合滤波问题,提出了一种新的低维序贯式融合滤波算法.基于低阶迭代正交变换的思想提出了解相关的方法,将观测方程经过等价改写去除系统噪声的相关性,然后依据序贯滤波的思想,依次处理到达融合中心的观测信息,进而得到一类实时序贯式融合滤波算法.整个推导过程在线性最小均方误差意义下严格进行,能够实现系统状态的最优融合估计.最后的仿真验证了新算法在处理上述噪声相关问题上的最优性.

粒子滤波的噪声相关下单步延迟无序量测更新算法

在目标跟踪系统中,因通信延迟等原因会出现传感器量测无序地到达融合中心的现象,将这些量测称为无序量测(OOSM)。针对过程噪声、量测噪声相关的非线性系统中出现的无序量测问题,在现有算法基础上,提出了一种可处理单步延迟无序量测的新算法。在前向预测滤波框架下,对系统方程去相关化,并利用粒子滤波(PF)进行状态估计。仿真结果验证了算法的有效性。

基于噪声相关性的惩罚加权最小二乘算法在低剂量数字乳腺层析成像中的应用

目的对投影数据方差的精确建模并结合DBT平板探测系统的噪声相关性构建精准噪声模型下的基于噪声相关性的惩罚加权最小二乘算法在低剂量乳腺层析成像图像中的应用。方法首先对投影数据进行量子噪声和电子噪声建模,使以往常用的近似噪声模型精准化,然后构建基于噪声相关性的惩罚加权最小二乘算法用于投影数据恢复;最后对处理后的投影数据采用滤波反投影算法进行重建。结果对不同剂量下ACR标准体模数据进行处理得到的重建结果噪声明显降低,细节对比度提高。恢复投影数据的重建图像与原始数据重建图像相比,CNRs和LSNRs提升了约3.6倍。结论对投影数据噪声抑制效果明显,重建DBT图像质量有很大的提升。

噪声相关带偏差线性系统的滤波融合算法

传统线性两阶段Kalman滤波算法无法应对噪声相关情形,导致较低的实际应用性能。针对该问题,以线性系统中状态与测量噪声相关的多传感器偏差估计系统为对象,以基于模型等效变换技术的噪声相关两阶段Kalman滤波器为基本滤波器,分别在序贯分布式和并行式框架下建立两种两阶段Kalman滤波融合算法。其中,序贯分布式融合算法将多个局部两阶段Kalman滤波器的估计结果以序贯加权的形式进行融合;并行式融合算法分别对偏差滤波估计和无偏差滤波估计进行融合,再利用线性方程将融合后的结果进行组合,得到状态估计值。仿真结果表明:相比于两阶段Kalman滤波器和序贯分布式两阶段Kalman滤波融合估计器,并行式两阶段Kalman滤波融合估计器在滤波估计精度上具有更高的性能。

噪声相关的一步滞后无序量测递推融合算法

因传感器网络特殊的通信方式,以及传感器节点预处理量测的时间也各有不同,常会出现源于同一目标有序的测量数据却经网络传输后无序地到达融合中心的现象,即无序量测问题。加之,现有的相关融合算法大都是在各量测数据间噪声独立情况下建立的。为此,针对一个由多个子系统组成的传感器网络无序量测系统;其中假定每个子系统均是由两个分别与融合中心同步与异步且采样率相同的传感器组成;并在考虑各传感器测量噪声相关条件下,利用顺序加权融合技术,在融合中心建立一个能实现对目标状态实时估计且在线性最小均方误差意义下最优的递推加权融合算法。理论分析与计算机仿真表明,与现有方法相比,新算法在适用范围、实时处理能力、存储量和融合估计精度等方面均有显著的优势。