异类传感器集中观测融合UKF滤波算法

由于雷达具有较好的测距性能,红外传感器具有高精度的测角性能.雷达和红外传感器是异类传感器系统的一个典型组合,但是异类传感器信息融合因没有现成的数学工具和方法而面临诸多困难.本文首次将UKF(un-scented Kalman filter)引入到异类传感器的信息融合,并且利用集中式观测融合UKF,解决同步配置、同步采样的异类传感器的信息融合问题.仿真结果表明,本算法的SMSE要小得多.

多传感器集中式观测融合Kalman滤波器快速算法

对多传感器线性离散时变随机系统,虽然基于Riccati方程的集中式观测融合Kalman滤波器算法可给出全局最优状态估计,但其缺点是要求计算高维逆矩阵,计算负担大。为了克服这个缺点,应用信息滤波原理,基于改进的Riccati方程,或逆预报误差方差阵方程,或逆滤波误差方差阵方程,提出了相应的全局最优集中式观测融合Kalman滤波器的三种快速算法,可避免高维逆矩阵,可明显减小计算负担,便于实时应用,一个数值仿真例子说明了它们的有效性。

异类传感器集中式扩维融合无迹卡尔曼滤波融合算法

雷达和红外传感器是异类传感器系统的一个典型组合,但是异类传感器系统的状态方程和测量方程存在较大的非线性特征,使得此类系统无法应用现有算法进行信息融合。将UKF引入到异类传感器,并利用集中式观测融合UKF,解决同步配置、同步采样的异类传感器的信息融合问题。仿真结果表明,该算法的SMSE比其他方法的要小得多。

两种最优观测融合方法的功能等价性

对于基于K alm an滤波的多传感器数据融合,有两种最优观测融合方法:第一种是集中式观测融合方法,它是通过增加观测向量的维数合并多传感器数据,而第二种是分布式观测融合方法,它是在线性最小方差准则下,通过加权合并多传感器数据,但观测向量维数不变.在数据融合所用的传感器带有相同观测阵的情形下,本文用K alm an证明了两种观测融合方法是完全功能等价的,即用两种方法得到的K alm an估值器(滤波器,预报器,平滑器),信号估值器和白噪声估值器分别在数值上是相等的.在这种情形下,第二种方法不仅可给出像第一种方法一样的全局最优融合估计,而且可明显减小计算负担,便于实时应用.一个数值例子说明了其正确性.

非线性离散系统的相关观测融合时变Kalman滤波

针对带相关观测噪声和带不同观测函数的多传感器离散非线性系统,利用推广的离散Kalman滤波方法对状态系统和观测系统进行线性化处理,提出了基于岭估计的加权最小二乘(REWLS)分布式融合Kalman滤波算法.以风险函数为评价指标,利用信息滤波器比较了各种观测融合Kalman滤波算法,其中REWLS分布式融合算法精度最高.同时,分布式融合算法减少了计算负担,便于实时应用.仿真例子表明了理论分析的正确性.