非线性系统中多传感器滤波跟踪型数据融合算法的研究

在非线性系统中,常用的跟踪滤波算法是基于扩展的卡尔曼滤波算法的融合算法,但是这种融合算法的跟踪精度并不是很高。本文根据对滤波跟踪型数据融合的研究,提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法。研究表明,在利用激光干涉仪进行目标跟踪时,这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法,但是,从仿真结果可以看出,两种融合算法的差别并不大,结果基本相同。因此,在非线性系统中,基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。

多传感器滤波跟踪型数据融合算法研究

针对非线性观测的目标跟踪问题,对滤波跟踪型数据融合进行了研究,提出了基于去偏转换测量值卡尔曼滤波算法的非线性系统中的数据融合算法.从仿真结果可以看出,集中式融合算法和分布式融合算法的差别并不大,结果基本相同.因此,在非线性系统中,基于去偏转换测量值卡尔曼滤波算法的分布式融合算法可以重构集中式融合算法.

卡尔曼滤波下多源传感器数据互补-加权迭代融合算法

因多源传感器在数据融合过程中,受自身数据差异性影响较大,导致最终的融合结果精准度较低。为此,在卡尔曼滤波算法的基础上,针对多源传感器数据提出一种互补-加权迭代融合算法。建立多源传感器观测模型,找出数据融合过程中的最优加权系数。在多源传感器组合系统中引入卡尔曼滤波算法,结合互补-加权迭代融合算法,建立预测方程、状态方程、滤波互补因子以及估计均方误差方程,实现多源传感器的数据融合。实验结果表明,所提算法可以精准找出最优加权系数,观测误差始终在0.6 m以下,可以实现数据的精准融合。

多传感器跟踪型数据滤波融合算法

在实际系统中 ,常用的数据融合方法是基于扩展的卡尔曼滤波算法的融合算法 ,但是这种融合算法的跟踪精度并不是很高 .通过对滤波跟踪型数据融合的研究 ,提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法 .研究表明 ,在利用激光干涉仪进行目标跟踪时 ,这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法 ,但是 ,从仿真结果可以看出 ,两种融合算法的差别并不大 ,结果基本相同 .因此 ,在非线性系统中 。

面向目标跟踪的多传感器数据融合研究综述

随着现代目标跟踪场景的日益复杂化,单一传感器探测系统已无法满足目标跟踪的实际需求,多传感器数据融合技术成为复杂场景下目标跟踪问题的重要解决方案。本文综述了多传感器数据融合中的数据关联和估计融合这两项关键过程的基本原理与研究现状,整理了神经网络、强化学习等人工智能技术在多传感器数据融合领域应用的相关研究,并对多传感器数据融合方法在目标跟踪领域的发展进行了展望。

船舶远距离目标跟踪的数据融合算法

海上船舶的远距离目标探测和跟踪技术不论在军事领域还是民用领域都具有广泛的应用,比如远距离目标侦察、海上舰船管理等,远距离目标探测与跟踪技术通常依托于船载雷达,近年来,为了提高船舶雷达的目标探测和跟踪精度,雷达阵列技术、多传感器技术被广泛使用。本文针对船舶多雷达探测器下的目标跟踪场景,重点介绍一种基于卡尔曼滤波算法的远距离目标跟踪数据融合算法,通过多传感器的数据融合技术,提高船舶远距离目标的跟踪精度,具有一定的应用价值。

基于改进卡尔曼算法的室内温度数据融合

针对传统建筑物内部空间结构复杂,布线成本高,数据采集精度不高等问题,采用LoRa无线通信技术构建传感器网络,主要用于监测室内温度参数的变化;对于传统的卡尔曼数据融合结果存在较小波动的现象,引入了孤立森林算法,提出了基于改进的卡尔曼滤波算法的室内温度数据融合算法;通过在采集到的数据集中随机添加扰动样本和畸变数据,对3种算法产生的误差进行比较,改进的卡尔曼数据融合算法在有扰动样本的情况下,误差范围控制在-0.12~0.1之间,在带有畸变数据时,误差范围在-0.03至0.14之间,均远小于传统的卡尔曼数据融合算法和平均值算法;实验仿真的结果表明,改进的算法提高了室内温度数据采集的鲁棒性和准确性。

一种改进滤波算法及其在目标跟踪中的应用研究

针对无迹卡尔曼滤波算法在滤波迭代过程中可能存在状态协方差矩阵非正定情况,导致跟踪误差较大甚至滤波易发散等问题,对无迹卡尔曼滤波算法进行了改进设计。在滤波迭代过程中对状态协方差矩阵进行QR分解和Cholesky分解,通过分解后的协方差平方根矩阵来进行滤波迭代,从而保证状态协方差矩阵的正定性,并利用加权最小二乘法进行量测数据同步融合。为验证改进算法的有效性,设计了雷达红外联合跟踪系统数据融合仿真测试实验,并与传统无迹卡尔曼滤波算法进行了比较。仿真实验结果表明:改进算法能够有效抑制跟踪误差、提升目标跟踪系统的鲁棒性,可应用于防空武器系统多传感器航迹信息融合系统设计。

两级融合的多传感器数据融合算法研究

针对智慧工厂监测环境中多源数据融合精度问题,提出了一种两级融合的多传感器数据融合方法,旨在提高多源数据融合的准确性和可靠性。该方法分为一级数据融合和二级决策融合,首先采用卡尔曼滤波结合自适应加权平均对同类型传感器进行数据降噪融合处理,其次利用人工兔优化算法(ARO)优化ELM神经网络进行决策融合。实验结果表明,基于ARO优化ELM神经网络的多传感器数据融合算法在融合精度方面优于其他先进算法。经验证,所提出的两级融合多传感器数据融合方法具有更好的融合性能,有效提升感知系统的可靠性和鲁棒性,实现更加准确和可靠的监测和预测。

相控阵雷达和光电设备数据融合目标跟踪算法

相控阵雷达拥有全天时、全方位观测目标的突出优势,但对于低空小目标跟踪时,由于低空场景复杂以及多径效应等,跟踪精度不高;光电设备采用光进行目标的参数探测,抗干扰能力强,对于低空小目标测角精度高,但探测范围有限,且无法测距。本文提出一种融合跟踪处理方法,首先通过雷达抓取目标后,引导光电设备进行小范围捕捉跟踪;然后同时把两个通道的数据进行时空匹配,再进行基于数据融合的卡尔曼滤波处理。该方法充分利用两种传感器的互补优势进行基于数据融合的目标跟踪,仿真结果表明可达到更高精度的跟踪效果。

基于改进支持度的飞行数据记忆融合滤波算法

针对飞行数据采集过程中传感器测量噪声变化导致的数据精度下降问题,提出一种基于改进支持度的记忆融合滤波算法,通过改进支持度计算各个数据源的权重系数,引入遗忘函数减少历史数据的影响,通过与典型算法仿真对比,验证结果表明该算法有效地提高了数据的精度和稳定性,为实现飞行数据的智能化处理提供可靠信源保障。

面向多目标跟踪的PHD滤波多传感器数据融合算法

针对密集杂波环境下单传感器应用高斯混合PHD算法进行多目标跟踪时性能下降的问题,提出一种面向多目标跟踪的PHD滤波多传感器数据融合算法。首先构建了基于高斯混合PHD滤波的多传感器数据融合系统框架,各传感器利用高斯混合PHD滤波算法进行局部状态估计,然后对各传感器的状态估计结果进行关联度计算,最后通过构建自适应混合参数,引入协方差交叉算法对关联状态进行融合。仿真实验表明,与单传感器高斯混合PHD多目标跟踪算法相比,所提算法有效提高了目标数量和状态的估计精度。

基于扩展Kalman滤波的空基多平台多传感器数据配准和目标跟踪算法

本文研究基于扩展 Kalm an滤波和多个空中移动平台的多传感器数据配准与目标跟踪问题 .文中首先给出了空中移动平台传感器数据配准几何坐标转换算法 ;接着将目标运动模型和传感器配准误差模型组合在同一个状态方程中 ,然后利用扩展 Kalman滤波方程进行估计 .Monte- Carlo仿真表明 。

一种实时目标跟踪航迹数据融合算法

在研究多传感器的目标跟踪数据融合时,针对算法都需要事先了解数据的一部分先验知识,虽然能够提高数据的跟踪精度,但只能应用到事后的数据分析中。为了使融合中心能在传感器录取目标数据的同时进行跟踪数据的融合处理,数据融合算法必须实现实时性。为了解决数据融合算法在提高精度的同时不需要以先验知识为背景的问题,提出一种利用数据间支持度函数矩阵进行多组数据加权融合的结果来替代滤波测量值进行卡尔曼滤波,并得到多组测量数据的实时动态融合跟踪。仿真结果表明,能够实时跟踪目标,同时数据融合的跟踪精度大大提高。

一类基于信息融合的粒子滤波跟踪算法

本文提出了一种基于图像多特征信息融合的粒子滤波跟踪算法。该算法利用颜色柱状图描述运动目标颜色分布信息,帧间差的梯度图像描述目标运动信息,并在柱状图框架下给出了运动目标颜色和运动似然模型,保证了颜色和运动似然模型在尺度上的统一。由于图像多特征提供了运动目标多方面的测量信息,从而提高了算法的可靠性。试验表明该算法在使用相同粒子数目的情况下较采用单一颜色特征的粒子滤波跟踪算法效果好。

基于数据融合提高红外/毫米波复合导引头跟踪精度的新算法

制导精度是衡量寻的制导武器性能的一项重要指标。导引头对目标的跟踪精度是制约制导精度的主要因素之一。影响导引头跟踪精度的主要因素是IR/MMW误差测量元件的精度。本文从误差测量环节入手 ,基于IR/MMW双模结构 ,采用信息融合处理技术提高其估计精度 ,最终达到降低制导误差 ,提高武器性能之目的。

基于SVM数据融合的实时粒子滤波算法

采用粒子滤波的目标跟踪算法在粒子数目较多时计算量大、实时性差,针对该问题提出了一种新的基于支持向量机数据融合的实时粒子滤波算法。该算法在估计窗实时粒子滤波的基础上,使用支持向量机融合窗内不同时刻粒子集,并根据融合的结果更新粒子权值,实现对目标状态的快速跟踪。相对于原算法采用最小化Kullback-Leibler距离来调整估计窗混合分布的权值,该方法的计算复杂度低、速度快,进一步提高了算法的实时性。对纯角度目标跟踪问题的仿真结果表明了该算法的可行性和有效性。

基于神经网络数据融合的目标跟踪简化算法

分析了基于神经网络数据融合的目标跟踪算法 ,指出了传统的融合算法计算量大 ,神经网络目标向量不易选取等缺点 ,并提出了一种简化的算法。应用理论分析和蒙特卡洛仿真方法 ,对标准卡尔曼滤波算法和简化的滤波算法进行了比较 ,并给出了均方根误差的统计值。该简化算法原理简单 ,数据处理量小 ,速度快 ,误差小 ,特别适用于多传感器的处理 ,将融合结果反馈给单传感器 。

一种基于粒子滤波的特征融合跟踪算法

针对单纯的基于颜色的跟踪方法在复杂背景下会导致跟踪失败的问题,本文提出一种基于粒子滤波的特征融合跟踪算法。颜色直方图是对目标的全局描述,而方向梯度直方图包含了一定的结构信息,二者可以互为补充,因此本文算法同时用颜色直方图和方向梯度直方图来描述目标,在粒子滤波框架下将目标颜色和梯度信息有机结合,并自适应更新。实验表明,本文算法不仅提高了跟踪精度,而且具有较强的鲁棒性。

基于EKF和数据融合的移动台跟踪定位算法

提出一种利用扩展卡尔曼滤波(EKF)算法实现移动台跟踪定位的改进算法。该算法在已获得移动台初始位置估计的基础上,利用EKF对移动台的运动轨迹进行多次估计,获取多条跟踪轨迹,剔除偏差较大的轨迹并进行加权平均的数据融合处理,获取一条较优轨迹。再结合距离门限值对较优轨迹的点迹进行匹配管理,实现对较优轨迹的平滑处理,获得最优跟踪轨迹。仿真结果表明,该算法计算复杂度低、鲁棒性强,定位精度明显高于传统EKF跟踪定位算法。