一种基于记忆渐消因子指数加权的动态分布式传感器融合算法

由于新疆生物氧化提金预处理过程的工业现场易受到外界因素如昼夜温差、强风等干扰,传统测量方法往往存在较大的误差。为解决这个问题,①根据预处理过程,建立了传热机理模型。②针对该过程设计一个小范围传感器网络,提出了一种基于多连通融合结构的传感器分层融合结构。③数据处理过程中,引入一种基于渐消记忆指数加权的多重衰落因子调整预测误差协方差,提高基于扩展卡尔曼滤波(EKF)在一步预测中的有效性。④以各传感器的状态估计精度用作加权融合准则,通过添加动态加权因子来预测每个传感器的预测置信度。仿真实验的性能指标表明,该方法比传统的单传感器方法具有更高的全局精度,并能有效降低干扰噪声的影响。

基于自适应多重渐消因子卡尔曼滤波的SINS初始对准方法

针对传统卡尔曼滤波器在模型失配和噪声时变情况下滤波精度下降甚至发散的问题,设计了一种新的多重渐消因子卡尔曼滤波算法。该算法通过一个基于渐消记忆指数加权的新息协方差估计器来计算新息协方差估计值,并依此引入多重渐消因子对预测误差协方差阵进行调整,使得各滤波通道具有不同的调节能力,克服了单渐消因子对多变量跟踪能力差的局限性,从而提高滤波算法的精度和鲁棒性。仿真和试验结果表明,新算法能有效抑制滤波器发散,其滤波精度和鲁棒性优于常规卡尔曼滤波与单渐消因子卡尔曼滤波,能够更好地满足工程应用的要求。

基于改进卡尔曼滤波的CPS虚假数据注入攻击检测

为提高信息物理系统(Cyber-Physical Systems,CPS)安全,提出一种改进卡尔曼滤波(Kalman Filtering,KF)的CPS虚假数据注入攻击(False data injection attack,FDIA)检测方法。首先,在标准KF中引入渐消记忆指数加权方法,以使KF算法自适应统计噪声特性,从而提高滤波性能;然后利用改进KF算法构建攻击检测模型,对FDIA进行检测;最后,在IEEE-30节点和IEEE-14节点系统上进行仿真,验证改进KF算法的有效性。结果表明,改进KF算法可有效检测FDIA,且相较于标准KF算法、加权最小二乘滤波(weighted least squares,WLS)算法,改进KF算法对FDIA检测结果与实际值更为接近,平均绝对误差分别为2.1336和1.2543。由此表明,本改进算法可用于CPS的FDIA检测。