基于LSM-Tree的分布式数据库异步融合机制研究与实现

信息技术的不断发展,使得分布式数据库成为研究热点。由于NoSQL架构的分布式数据库对SQL支持有限且在事务处理及一致性方面存在缺陷,基于LSM-Tree的NewSQL数据库逐渐成为应用的主流,例如TiDB、OceanBase等。分布式LSM-Tree的存储架构将数据分为基线数据与增量数据,通过合并操作将不同分区的增量数据与基线数据不断融合,并存储在磁盘,从而减少内存压力。但合并会占用大量系统资源,严重影响系统可用性。因此提出了一种基于LSM-Tree架构的异步融合机制,通过细分合并流程,将数据融合异步化,有效地缩短了单次数据合并的时间。实验表明,提出的异步融合机制可显著缩短数据合并时间,提高系统在高频写入场景下的鲁棒性和可用性。

用于机动目标跟踪的分布式多传感器异步融合算法

目前,随着目标机动性能的不断提高,单个传感器越来越难于对目标进行有效地跟踪。分布式多传感器网络是当前国内外研究的热点,也是解决机动目标跟踪的有效途径之一。提出了一种适用于机动目标跟踪的异步融合算法:融合中心采用交互式多模型(IMM)算法,在给定融合周期的基础上,对多传感器数据进行异步融合,得到有效跟踪航路。蒙特卡罗仿真表明,该算法可以有效地改善对机动目标的跟踪性能,可为工程应用提供有益参考。

组合导航后验方差异步融合算法

当组合导航系统在工作中对各个导航系统提供的信息进行融合计算时会出现导航数据异步到达的现象,传统的组合导航异步融合算法在处理这种情况时会产生较为明显的误差.针对这一问题,设计基于组合导航后验方差异步融合算法解决组合导航系统中出现的信息异步融合计算问题.首先改进系统噪声和量测噪声,使其在数学表达上满足互不相关性要求;然后通过求解后验均值计算出后验方差,建立状态一步预测值计算方法;最后基于上述结果设计组合导航系统的后验方差异步融合算法方程组.仿真结果表明,相比传统的组合导航融合算法,提出的组合导航后验方差异步融合算法可以有效减少因导航系统信息异步到达而引起的融合计算误差,有效提高组合导航系统的导航精度.

一种多传感器组合导航系统的改进异步融合算法

针对多传感器组合导航系统中各子导航传感器数据采样率不同且呈有理数倍的这一特殊问题,提出了一种组合导航系统的信息融合算法。首先将多传感器组合导航系统的原始状态方程变换成状态数据块向量与当前状态向量之间的关系,进而构成新的状态方程,而原始量测方程表达为与状态数据块向量之间的关系,进而构成新的量测方程。然后基于具有尺度与小波特性的矩阵算子,给出了改进异步融合算法的具体实现步骤。最后将该算法应用于CNS/GNSS/SINS/高度表多传感器组合导航系统。仿真结果表明,相对于传统算法,位置、速度和姿态精度可分别提高约20%、15%和10%,验证了本算法的高精度特性和可行性。

基于DP-TBD的不同分辨率传感器集中式异步融合算法

主要运用检测前跟踪动态规划（DP-TBD）算法解决不同分辨率的多传感器多目标融合问题，提出了一种基于DP-TBD的不同分辨率的传感器集中式异步融合算法。该算法分为两步：第一步将不同分辨率的传感器取得的回波数据统一对齐到相同单元格尺寸的量测空间；第二步将具有不同采样间隔的传感器得到的量测数据按照时间顺序传送至融合中心进行集中式融合。接着，用动态规划检测前跟踪算法来处理所得到的数据，并且进行航迹恢复。同时，为了提高异步融合的有效性，文中还提出了一种基于变转移状态数的算法。仿真结果说明基于DP-TBD的集中式异步融合算法的有效性，并且和单个传感器的性能比较，该算法大大改善了目标跟踪的性能。

多传感器异步融合算法AUV对接导航系统

针对研发的自主水下机器人(autonomous underwater vehicle,AUV)在回收对接过程中,由于采样频率不同而导致多传感器组合导航系统精度较低的问题,提出一种基于联邦滤波结构的多尺度无迹卡尔曼(unscented Kalman,UK)异步融合滤波算法。该算法依据采样率划分多尺度信息,建立基于联邦滤波的多尺度系统误差模型,并针对不同尺度信息采用UKF算法进行非等间隔异步融合,从而得到全局的最优状态估计。仿真实验表明,同基于卡尔曼滤波(Kalman filtering,KF)的单一尺度融合算法和基于UKF的多尺度融合算法相比,该算法对AUV回收对接导航系统中异步采样信息具有更高的融合精度,提升了导航系统的可靠度,为AUV的回收对接提供了安全保障。最后通过开阔水域实验验证了AUV对接导航系统的有效性。

多传感器异步融合方法研究

在多传感器目标跟踪系统中,使用多个具有不同速率异步传感器观测效果,优于采用具有同样传感器个数的同步传感器的跟踪系统。本文讨论了为解决此类跟踪问题而提出的一系列多传感器异步跟踪算法,并对所提及的算法进行分析比较。为在异步目标跟踪系统中融合方法的取舍提供了依据。

基于误差估计的多传感器异步融合处理

为了提高多传感器数据融合中的精度,本文提出了基于误差估计的异步融合处理方法 ,该方法将传感器观测值与融合航迹的预测值直接融合,同时保证多传感器融合结果的数据率和融合之后的精度。本文进行了对比仿真实验,结果表明该方法在直线和转弯条件下的估计精度都比同步方法更高。

一种基于雷达数据的异步融合方法

对于多传感器信息融合系统，因不同传感器的采样周期的差异，融合中心所收到的一般为异步信息。而直接采用同步融合算法对异步信息进行融合往往无法达到理想的融合效果。本文为解决此类融合问题提出了一种具备噪声辨识能力的自校正插值融合方法，该方法可以对任意周期的传感器数据进行异步融合操作，并对未知系统噪声方差进行辨识，或对由插值所引入的噪声方差变化加以修正。

同步异步融合的职业教育在线教学模式构建与实施

为提高职业教育在线教学质量,探索更先进的在线教学模式,调查并梳理了职业教育全面开展在线教学的主要形式及存在的主要问题,构建了一种循序渐进的同步异步融合的三层次在线教学模式,并以三层次为主线详细阐述了该模式的操作程序、操作策略和评价方式。以该教学模式为基础,进行电路基础课程的在线教学实验,并对问卷调查、学习行为、学习成绩等数据进行统计分析。研究表明,学生对同步异步融合的在线教学认知度、参与度和满意度都有较高的评价,同步异步融合对提升学生的思维能力,促进学生自主学习、独立思考、协作探究等方面起到了积极作用。

事件触发异步融合算法及在光电传感网的应用

关于异步多传感器信息融合问题,已有状态估计方法可精确获知目标状态信息,但存在各异步传感器与融合中心间通信量过大的问题。作者提出了一种基于事件触发机制的多传感器异步估计框架,减少各传感器与融合中心间不必要的信息交互,推导了所提出框架下的目标状态估计算法,给出了保证所提算法估计误差有界的条件。最后通过某异步光电探测网络中的应用,仿真验证了所提机制及算法的有效性及工程应用的可行性。

多种异类传感器联合跟踪的异步航迹融合算法

针对多种异类传感器联合跟踪的数据不同步问题,提出了一种适应于工程应用的异类传感器的异步航迹融合算法。首先利用最小二乘估计对红外测角信息进行数据压缩预处理,将预处理之后的红外测角信息与激光测距信息作为光电测量值代入扩展卡尔曼滤波,再利用分布式异步融合算法将光电与雷达进行航迹融合。仿真结果表明,该算法具有很好的跟踪精度、收敛速度和实时性。

高度机动目标异步航迹融合算法

在现代空战中,由于作战的需要,飞机运动会出现高度机动的情况。讨论了高度机动模型(Jerkmodel)目标跟踪问题,根据机载传感器中不同类型传感器的特点,提出了在高度机动模型下基于坐标转换Kalman滤波的异步目标跟踪融合算法。仿真结果表明,该算法可以有效地改善跟踪高度机动目标的性能。

一种机动目标跟踪的异步航迹融合算法

为实现机动目标跟踪,提出一种异步序贯航迹融合算法。融合中心包含匀速和匀加速2种融合模型,均通过信息去相关方法实现序贯航迹融合,并利用调整过程噪声的方法抑制融合发散。对匀加速融合模型的加速度估计进行显著性检验,实现机动检测。当检测到机动时输出匀加速融合模型的结果,反之输出匀速融合模型的结果。仿真结果表明,该算法能实现对机动目标的稳定跟踪,具有较高的跟踪精度。

交替更新式异步航迹融合算法设计与仿真

异步融合是全局航迹融合时的普遍模式。现有的算法在进行异步融合时存在数据利用不充分、轨迹不精细的问题。文中提出的交替更新式异步融合算法,在保证融合精度的情况下,提供了全局航迹的精细轨迹。同时讨论了交替融合算法的应用问题。通过仿真,验证了交替异步融合的有效性。

基于多传感器异步数据融合的目标跟踪方法

在具有伪测量次优滤波器的基础上,提出多传感器异步融合的目标跟踪算法。通过蒙特卡罗模拟结果证明了该算法的有效性。

一种分布式异步航迹融合算法

在多被动传感器目标跟踪中,融合中心处理的信息一般是同步的,然而实际情况并非如此。另外,一些被动传感器只能得到目标的方位信息,无法单独形成有效航迹,这就需要将各传感器数据同步到相同时刻,然后应用同步融合算法。针对被动传感器探测系统,采用传感器到传感器融合和系统到传感器融合的分布式融合结构,并对各局部传感器引入全局反馈,对相关信息采用协方差交叉算法进行处理,完成被动传感器异步数据的融合,仿真结果表明,该算法具有较好的融合效果。

基于异步IMM融合滤波的网络化系统故障诊断

针对一类带随机丢包的异步多传感器网络化系统,提出了基于网络化异步交互式多模型(Interacting multiple model,IMM)融合滤波的故障诊断方法.考虑不同传感器通道具有不同丢包概率的情况,将未知的故障幅值看作扩维的系统状态,利用提出的网络化异步IMM融合滤波算法对由系统正常模型和各种可能的故障模型构成的模型集进行滤波,根据模型概率进行故障检测和定位,同时得到故障幅值和系统状态的联合估计.提出的方法避免了传统IMM故障诊断方法模型集设计中故障大小难以确定的问题,适用于具有任意采样速率和任意初始采样时刻的异步多传感器网络化系统,并且通过融合多个传感器的信息提高了故障诊断的准确性.仿真实例验证了所提出方法的可行性和有效性.

基于DP-TBD的分布式异步粒子滤波融合算法

主要利用检测前跟踪动态规划（DP-TBD）算法解决目标跟踪问题。动态规划（DP）是一种先通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。但是该算法提供的是一种未经滤波的点迹序列。此外,基于单雷达的DP-TBD算法在信噪比（SNR）较低时跟踪效果不佳,航迹丢失情况较严重,因此利用基于DP-TBD的多雷达协同探测势在必行。然而,由于DP-TBD算法没有状态误差协方差矩阵,导致无法将不同雷达的点迹序列进行基于各种融合准则的融合。另外,由于多个雷达不同的采样周期和通信时延,导致了各个雷达的数据是异步的。为了解决以上问题,文中提出了一种基于DP-TBD的分布式异步粒子滤波融合算法（DP-PFF）。该算法分为两步,第一步提出了一种适用于DP算法的粒子滤波方法;第二步是将不同雷达获得的异步状态估计转化为同步的并进行基于DCI准则的分布式融合。仿真结果说明,和单雷达相比,该算法显著提升了目标跟踪的性能。同时,该算法也减少了航迹丢失率并且可以显著提升系统的鲁棒性。

基于DP-TBD的分布式异步迭代滤波融合算法研究

该文主要运用检测前跟踪动态规划(Dynamic Programming-Track Before Detect)算法解决目标跟踪问题。动态规划(Dynamic Programming,DP)是一种通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。然而,该算法提供的是一种未经滤波和平滑的点迹序列。随着实际战争环境日益复杂,基于单雷达的DP-TBD算法在信噪比(SNR)较低时跟踪效果不佳。此外,由于DP-TBD算法没有状态误差协方差矩阵,因此无法将不同雷达的点迹序列进行融合。而且由于通信时延和不同的采样周期,不同雷达的数据往往是异步的。为了解决以上问题,该文提出了一种基于DP-TBD的分布式异步迭代滤波融合算法(Dynamic Programming Fuison,DPF)。该算法分为两步,第1步提出了一种迭代滤波方法对DP点迹进行处理;第2步将不同雷达获得的异步状态估计转化为同步的,接着利用几种分布式的融合方法来获取融合之后的状态估计。仿真结果说明,和单雷达相比,该融合算法可以有效提升目标跟踪的性能,同时,该算法也可以降低航迹丢失率和计算量。