空间邻近目标跟踪与航迹关联的联合优化算法

针对单传感器跟踪空间邻近目标过程中存在航迹交错的问题,提出一种基于分布式多传感器融合结构的跟踪与航迹关联联合优化算法.该算法在单帧航迹全局最优航迹关联的基础上,通过航迹关联质量检测传感器航迹是否存在交错,然后构造交错航迹对的拟测量,并根据拟测量误差协方差计算融合“测量”,最后由融合中心对融合“测量”进行全局最优点迹-航迹互联和交互多模型(IMM)滤波更新融合航迹.考虑分布式融合系统约束情况,给出采用次优拟测量的替代方法.仿真结果表明,与传统航迹关联算法相比,联合优化算法能够明显提高目标跟踪精度和身份正确率.     

带反馈分布式不同维传感器状态估计技术

论述了带反馈分布式信息融合系统中传感器观测维数不同时的状态估计方法。在多传感器系统中，目标的测量是在极坐标中获得，而数据处理通常是在直角坐标中完成。由于二维传感器不能获得观测目标的俯仰信息，其估计将会产生一定的动态误差。在分布式的信息融合系统中，各传感器需要将各自的局部估计送到融合中心进行统一处理。如果不适当地减小这种动态误差，必然将导致整个信息融合系统的估计精度下降。针对上述问题，文章讨论了如何利用系统反馈信息，减小二维传感器的局部估计误差，从而提高整个系统的估计精度。最后，给出了算法的仿真分析。仿真结果表明该方法能够有效地减小系统动态误差。     

基于多尺度分布式融合估计的GPS/INS组合导航系统的研究

针对如何融合多传感器的数据、提高数据处理的可靠性和精度的问题,将基于模型的动态系统分析方法与基于统计特性的多测度信号变换方法相结合,提出基于Kalman滤波的多尺度分解与估计联合的多尺度分布式融合估计算法.该算法首先建立系统的动态方程和观测方程,再利用小波变换将数据在不同尺度上进行融合处理,归纳出该算法的实现步骤.最后通过组合导航系统的仿真验证算法的有效性,结果进一步证明了该算法能够有效地提高多传感器数据的处理精度.     

反馈式多目标多传感器系统误差融合估计技术

本文对多目标情况下的多传感器系统误差估计问题进行了研究,提出了反馈式多目标多传感器系统误差融合估计算法。算法首先对EX算法进行了修正,无需计算各目标状态估计及其增益伪逆,直接利用各传感器量测数据来构建伪量测,通过滤波获得局部传感器组合系统误差估计;其次,算法通过构建状态空间转移矩阵实现了全局估计到局部组合估计关系描述,并从多目标多传感器两个层面对系统误差估计进行更新,即对多目标信息进行递归融合以有效利用空间分布的多目标信息,对多传感器组合估计信息进行反馈融合获得全局估计。蒙特卡洛仿真结果说明该算法能够进行多传感器系统误差的快速精确融合估计,相比EX算法在实时性与估计精度方面均具有较大的优越性。
     

基于样条模型的多传感器目标跟踪算法研究

研究武器试验中多传感器目标跟踪的数据融合问题。通过用样条函数表示目标轨迹参数,建立了问题的节省参数模型,并构造了快速的样条递推算法和参数估计算法。采用样条函数这种稀疏表示方法后,新方法能有效地减少待估参数的个数,提高参数估计精度,在减少计算量的同时降低处理系统的存储负担。仿真结果说明新算法能在很短的时间内完成数据融合,且得到的融合结果精度很高。     

多传感器最优信息融合Kalman多步预报器及其应用

提出了一种新的标量加权线性最小方差意义下的多传感器最优信息融合算法。该算法考虑了局部估计误差之间的相关性，只需计算加权标量，避免了加权矩阵的计算，明显减小了计算负担，便于实时应用。基于该融合算法，对被多个传感器观测的离散线性随机系统，给出了具有容错性的多传感器标量加权最优信息融合分布式Kalman多步预报器。它具有两层融合结构，其中第一融合层具有网状并行结构，用来获得每时刻每两个无故障传感器子系统之间的滤波误差互协方差阵；第二融合层用来确定最优标量加权系数，进而获得标量加权最优融合Kalman多步预报器。将其应用于雷达跟踪系统验证了其有效性。     

基于因子图的无人机多源组合导航算法研究

为解决无人机飞行器在多源组合导航系统中,不同信息源由于其传输频率不同,信息利用率不高导致定位、测姿精度降低以及传感器数量增多导致计算量增加和信息融合困难的问题,提出了一种基于因子图算法的信息融合方法。以无人机MINS/BDS/磁罗盘/气压高度表组合导航系统为例,构建了因子图信息融合模型。最后,通过车载跑车试验采集导航传感器原始数据进行离线仿真,将因子图融合算法与分散式联邦滤波算法进行误差对比,验证了因子图算法作为无人机信息融合方法的可行性,并且该方法在高度定位以及航向角测姿上展现了更高的精度。因子图算法灵活的扩展能力,为实现无人机定位、测姿的完整性提供了保障,系统的鲁棒性逐步增强,同时为进一步研究无人机全源导航打下了基础。     

分布式系统异步航迹融合算法研究

针对工程应用实际环境，提出了一种新的分布式系统异步加权航迹融合算法，仿真表明新的异步加权法较传统的异步处理方法外推法精度有明显改善，尤其适宜于机动目标的跟踪，理论证明该算法是基于融合误差协方差阵的迹最小意义上的最优融合算法，从而证明了算法的有效性。     

用不同传感器作航迹融合

分析了用不同传感器作航迹跟踪时的运动矢量融合算法，为了简单起见，假设两个不同的传感器装有不完全相同的两维最佳线性卡尔曼滤波器。文章指出，如何这两条航迹融合的互相关矩阵是正定的，就能改进航迹融合算法的性能。通过与机动目标相关的噪声引入的这种互相关对两种传感器的跟踪滤波器来说是共同的且容易忽视的，本文还以闭合形式导出了稳定状态下的互相关矩阵的表达式，同时获得了互相关矩阵的正定性条件，另外还讨论了正定性     

基于可信度计算的航迹相关算法研究

一、前言 在空管自动化系统中，同时进行着单雷达处理和多雷达融合处理。单雷达处理提供本地航迹（Local Track），多雷达处理提供系统航迹（System Track）。通常，一个系统航迹由一个或多个本地航迹融合产生并不断地被本地航迹所更新，从而在雷达管制员席上得到稳定、可靠的动态雷达图像显示。在多雷达融合处理之前首先要对本地航迹与系统航迹能否相关进行判断。本文引入可信度概念，并基于可信度计算对本地航迹与系统航迹相关算法进行研究。     

一种适于工程应用的近似MSJPDA算法

为提高复杂数据融合系统中的航迹关联正确率，在ZHOU B的DC和AC算法基础上提出一种新的近似多传感器多目标联合概率数据关联算法，它以一个目标为中心的近似聚为构造关联事件的起点，并在计算中将DC和AC结合得到的一种全部的点迹－航迹关联算法，在杂波下目标密集，航迹复杂的数据融合系统中进行实验，对关联正确率，并联时耗等与最近邻法进行了比较，效果较好，它能为有效提高目标点迹－航迹的关联正确率，在计算时耗上较完全联合概率法少得多，能满足工程中实时性的要求。     

多传感器信息融合技术综述

信息融合是信息领域一个前景广阔的研究方向。通过多传感器组网可以获得比单一传感器质量更高的信息。从信息融合的定义诠释了信息融合的内涵,指出信息融合的实质是推理与决策。给出集中式、分布式和混合式三种模型结构,比较它们的优缺点。融合层次对多传感器信息融合性能有重要影响,给出三种融合层次的性能对比结果。分析四种流行的融合处理算法,比较它们的性能。最后从技术发展和应用需求出发,对信息融合的发展作进一步展望。     

多传感器信息融合系统改进型BA模型

随着网络中心战和网络动力学的发展,多传感器信息融合系统的网络动力学特征研究将成为热门课题。本文从网络动力学角度,研究信息融合系统的两个问题。一是研究信息融合系统的无尺度网络特征,首次使用无尺度网络模型作为信息融合系统的构造形式。二是结合信息融合系统的特殊要求对BA模型做了相应的改进,给出一种信息融合系统改进型BA网络模型。该改进型BA模型更符合信息融合的网络动力学特征,其平均距离比BA模型改善10%。     

用于目标识别跟踪的雷达/红外成像双模传感器数据融合技术

目标识别和跟踪是模式识别领域的一重要研究内容。基于单传感器（ 雷达或红外成像） 的系统存在着局限性， 分析了多传感器信号融合的必要性， 介绍了目标识别和跟踪系统进行多传感器信号融合的方法（ 特征层融合、决策层融合）及其在提高目标识别和跟踪的可靠性和抗干扰性方面的优势。介绍了基于智能模型和基于多层前向网络的目标识别算法。     

基于加权融合的复合制导方法研究

精确制导武器在近几次局部战争中显示了超常的作战能力.为了实现高精度制导,多种传感器的综合制导方式已在精确制导武器上广泛运用.如何充分发挥各种传感器的优势进行实时融合制导,是多传感器制导的技术难点.本文着重分析了目前各种制导方式、多传感器制导中存在的不足,讨论了基于先验和专家系统综合评估决策的多种制导方法的加权融合制导方法.给出了一种加权融合算法,该算法是基于某种导弹的仿真实时融合算法.该方法适用所有的制导方式,更适于多传感器融合复合精确制导武器,已在多种类型的地面跟踪测量设备上进行了验证,证实了该方法切实可行.在多种传感器和信息处理方法高度集成的未来,相信会得到更广泛的运用.     

基于UKF的异类传感器集中式融合算法

综合考虑航天器跟踪测量中速度和精度的要求,对异类传感器集中式融合问题进行了研究,提出了基于无迹卡尔曼滤波(UKF,Unscented Kalman Filter)和简化的分类数据压缩技术的非线性系统实时集中式融合算法.仿真表明新的算法融合性能优于基于扩展卡尔曼滤波(EKF,Extended Kalman Filter)和扩维技术的并行集中式融合算法.     

数据融合黑板型专家系统

给出了一种多传感器数据融合和黑板模型推理的专家系统的实现方法。系统以飞机平台为目标，利用多站多个传感器所获得的雷达、通信、敌我识别信息，通过多传感器数据融合和人工智能黑板模型推理，实现对飞机平台的识别和定位。