基于最佳线性数据融合的双基地声呐定位优化算法

本文提出了基于最佳线性数据融合的双基地声呐定位优化算法。给出了算法的原理,并通过数值仿真,对不同条件下,双基地系统定位误差的几何分布进行了研究。仿真研究结果表明,采用最佳线性数据融合的双基地声呐定位优化算法,可以更好地利用双基地声呐测量的冗余信息,有效改善双基地声呐中基线区域的定位精度。

基于动态测量不确定度理论的最佳线性数据融合算法

本文提出一种基于动态测量不确定度理论的最佳线性数据融合算法。本算法构建过程中充分考虑了多传感器系统的动态特性,可用于处理工作环境复杂、性能可能随时间发生变化的多传感器系统的测量数据问题。同时,本算法具有实时监控各传感器性能和实时检出并剔除失效传感器的能力;测量不确定度的引入,使实时评价融合结果的质量成为可能;通过采用分级融合算法,又使得由截断误差引起的测量不确定度明显减小。

独立观测资料的最佳线性数据融合

数据融合是声呐信号处理中非常引人注意的一个课题，本文讨论多传感器（或多基阵）系统决策级的数据融合问题，给出对同一参数Ｎ个独立观测资料的最佳线性数据融合算法。证明了，最佳线性数据融合的误差不大于任何一个独立观测的误差，同时给出计算误差的表达式。最后讨论测量时信噪比的影响。

基于最优线性数据融合的探潜定位优化算法研究

针对分离式强声源声纳定位模型在工作过程中会出现信息冗余现象,提出了基于最优线性数据融合的远距离探潜定位优化算法。并对不同条件下的定位误差几何分布曲线图进行了数值仿真,结果表明,基线长度、时间测量误差的变化对非探测盲区的定位性能影响较小。而角度测量误差对该算法的定位精度影响较大,并且,当两个接收器中任一接收器的角度测量误差增大时,整个系统的定位精度都会下降。与其他定位算法相比较,采用数据融合的优化手段,可以充分利用定位系统的冗余信息,有效的降低了系统的定位误差。仿真结果和性能分析为解决远距离探潜定位优化问题提供了理论依据。

基于线性数据融合的双椭圆定位模型优化算法

为了充分利用分离式台声源声纳定位系统的冗余测量信息,提高系统的定位精度,提出了基于线性数据融合的双椭圆定位模型优化算法。并通过数值仿真,对不同条件下的定位误差几何分布曲线图(GDOP)进行了研究。仿真结果表明,大部分探测范围内,两个声源之间距离的变化和时间测量误差对定位性能影响较小,而角度测量误差对该算法的定位精度影响较大。与仅利用距离信息进行定位的方法相比较,采用数据融合的优化手段,可以充分利用定位系统的冗余信息,有效地降低了系统的定位误差,探测盲区的定位性能也得到明显改善。仿真结果和性能分析为解决远距离探潜定位优化问题提供了理论依据。

基于非线性数据融合的冰层厚度自动测量应用研究

为解决黄河冰层厚度测量的误差大、精度低等问题,设计了一套针对黄河冰情特点的钻式冰层厚度自动测量系统,并研究了基于径向基神经网络的非线性数据融合处理技术.该测量系统首先通过电机(或破冰机)推动钻头在冰上钻孔,用压力传感器来判断钻孔动作的开始和停止;同时用钻头来带动编码器旋转,进行脉冲计数;当钻孔动作结束后,用钻头钻行速度和启停时间来计算冰层厚度,同时也通过编码器脉冲计数值来计算冰层厚度;最后以高斯基函数建立二元径向基的数学模型,将启停时间和脉冲计数值进行融合处理,得出冰厚测量结果.测量结果可在现场显示,也可通过GPRS无线传输到观测站.该测量系统不仅减少了人工操作带来的误差,而且克服了黄河水中杂质多、含沙量大等因素的影响,提高了系统的测量精度和稳定性,较适合在黄河及黄河流域库区冰厚测量进行推广使用.

基于非线性数据融合的设备多阶段寿命预测

为解决设备监测数据具有维数高、非线性且退化过程中存在多阶段的问题,提出了一种基于非线性数据融合和多阶段退化的设备寿命预测模型.首先,利用神经网络理论中的自编码器对表征设备退化的多维参数进行了融合,构建出设备的退化指示量;然后,利用CUSUM算法提取出设备退化过程中的分段点;最后,构建了多阶段维纳退化模型,从而实现对设备寿命的预测.利用航空发动机状态监测数据对所提模型进行了验证,剩余寿命预测的平均误差为0.2545,低于传统的基于线性数据融合方法和基于单阶段维纳过程退化模型的寿命预测方法.结果证明,基于非线性数据融合的多阶段退化模型具有很好的鲁棒性,对设备的寿命预测更加精准.

数据融合室内定位的研究

通信领域中的定位是一个热点研究问题,我们可以通过一定方法对目标进行位置定位。定位领域分为室内定位和室外定位,在室内定位领域中,定位算法的优劣直接关系到定位性能。除了定位算法影响到定位性能外,数据融合也会影响到定位性能,尤其影响定位精度。针对此问题,本文对数据融合定位进行深入研究,本文主要是针对TOA和TDOA的数据融合,融合方法为最佳线性数据融合。

目标跟踪的非线性回归方法

讨论目标跟踪数据融合的常用非线性回归模型 ,研究参数估计的初值获取方法 ,求估计值的迭代算法 ,估计值的校准方法 ,估计值方差矩阵的估算方法 .使用本文方法处理目标跟踪数据速度快、精度高 。