基于中值滤波和小波变换的混合滤波方法在推进剂监测中的应用

目前,监测传感器传出信号中混有很多噪声,为提高信号可信度,需要一种有效的信号处理方法。文章基于Matlab仿真环境,完成了信号仿真和滤波算法的设计,重点对单传感器仿真信号的去噪和多传感器信息融合进行了研究,提出了基于中值滤波和小波阈值滤波的混合滤波方案和基于Kalman滤波的信号融合方案。研究工作有:基于高斯白噪声和脉冲噪声的数学特性,合理假设出5种基本信号形式;依据实际数据,完成单传感器和多传感器信号仿真,确定信噪比和均方根误差作为去噪评定指标;综合分析现有的滤波算法的滤波特性,利用不同长度滑动窗口的中值滤波处理实验信号,选取合适长度的滑动窗口。设置对比实验确定小波阈值滤波中的小波基函数选取、阈值计算和分解尺度等参数;融合中值滤波和小波阈值滤波优势,设计混合滤波方案,去除单传感器仿真信号中的噪声;研究信息融合理论在泄漏监测系统中的应用,设置不同融合方式下的对比实验,确立最佳融合方式下的Kalman滤波方案,实现多传感器信息融合。     

基于改进粒子滤波的多传感器融合空间目标跟踪

为了跟踪空间目标,构建了基于局部粒子滤波器的多传感器融合方法估计空间目标状态。粒子滤波重要采样过程中,设计了基于融合估计的重要密度函数减少粒子贫化问题,并设计基于 McDE(Memetic compact Differ. ential Evolution)重采样策略,通过对粒子的变异与选择等进化操作来解决粒子退化问题。理论推导与仿真结果皆证明方法的有效性。     

非线性非高斯秩滤波方法

基于秩滤波原理,提出一种非线性非高斯秩滤波方法,给出其递推过程.目前常用的非线性滤波方法有无迹Kalman滤波和粒子滤波,无迹Kalman滤波只适用于高斯分布的情况,粒子滤波方法却存在粒子退化及重采样引起的粒子贫化问题.而非线性非高斯秩滤波方法不仅适用于常见的多元t分布、多元极值分布等非高斯分布的非线性滤波,并且计算简单、工作量小,便于工程应用.从仿真算例可以看到,该方法的滤波精度与无迹Kalman滤波和粒子滤波方法相比提高了500%以上.      

基于无迹粒子滤波算法的航空发动机排气温度预测

针对粒子滤波算法不能考虑最新的观测值,仅使用某时间节点之前的实际数据来预测航空发动机排气温度,会造成预 测的温度数据误差累积,不能及时修正以及粒子退化等问题,将无迹粒子滤波引入到航空发动机排气温度预测中。分别介绍了粒 子滤波算法和无迹粒子滤波算法;在此基础上,建立了航空发动机的退化模型。利用退化模型和无迹粒子滤波算法对航空发动机 排气温度进行预测,并将预测值与实际值进行比较,将所得结果与采用传统粒子滤波算法得到的结果进行了对比,结果表明：无迹 粒子滤波算法对于排气温度的预测效果较好,所预测的发动机达到阈值的时间与实际时间更为接近,温度范围更为集中,准确性 更高,预测误差小于5%。     

基于辅助粒子滤波的机动目标跟踪研究

针对机动目标跟踪巾扩展卡尔曼算法（EKF）收敛速度慢、跟踪精度低的问题,基于粒子滤波（PF）和辅助粒子滤波（APF）的基本思想,结合目标先验信息将速度约束条件加入到跟踪过程巾,对辅助粒子滤波算法进行了仿真分析,与扩展卡尔曼进行仿真对比,分析了跟踪性能和误差。仿真结果表明,对机动目标跟踪问题,辅助粒子滤波不仅解决了扩展卡尔曼线性化困难难题,与EKF相比还具有收敛速度快,跟踪精度高的优点。     

基于IMM-UIF的多无人机纯角度机动目标跟踪

针对单无人机不能及时捕捉到目标的运动状态信息,很容易跟丢目标的问题,结合无迹信息滤波(UIF)算法和交互多模型(IMM)算法,提出了基于IMM-UIF的多无人机分布式融合估计算法。将各个无人机上的观测信息传输至中心节点,并统一优化各无人机的控制输入。仿真结果表明,基于IMM-UIF的多无人机分布式融合估计算法比基于IMM-UIF的单无人机跟踪精度提高了约30%,有效融合多无人机平台的量测信息,实现对目标稳定的高精度跟踪。     

基于最近邻的集中式多传感器多目标跟踪算法

经典的集中式多传感器多目标跟踪算法通常计算量较大,经常难以满足系统的实时性要求,工程上实现起来比较困难,为进一步扩大集中式多传感器的应用范围,使其在对算法实时性要求较高、跟踪精度要求较小的实际场合中广泛应用。文章基于最近邻域思想,研究了并行处理结构的集中式多传感器最近邻域算法,并从算法跟踪精度、实时性、有效跟踪率3个方面对其与经典的顺序多传感器联合概率数据互联算法进行了仿真比较。经仿真验证,并行处理结构的集中式多传感器最近邻域算法实时性提高了60%以上,且在跟踪背景杂波适中的情况下能够有效跟踪目标。     

非线性状态方程自校准滤波方法

针对工程实际中遇到的非线性系统状态方程中含未知输入（如环境因素的影响、模型和参数选取不当等）的情况，采用自校准技术，基于秩滤波与无迹Kalman滤波算法提出了一种非线性状态方程自校准滤波方法,并分别讨论了自校准秩滤波(SRF)与自校准无迹Kalman滤波(SUKF)两种情况。大量仿真结果和工程应用表明:与无迹Kalman滤波(UKF)相比，该方法通过对系统状态方程中的未知输入进行自动估计和补偿，改善了系统受未知输入影响下的滤波效果，从算例中可以看到，估计精度至少提高了80%，且计算简单，便于工程应用。      

航空发动机健康估计的神经网络修正卡尔曼滤波算法

针对商用航空发动机与气路相关的传感器分布不均、且个数小于气路健康参数的个数、使用卡尔曼滤波算法估计全部气路健康参数时容易出现误判的特点,提出一种神经网络修正的卡尔曼滤波算法。该算法在每个采样周期内利用BP神经网络来修正个体的偏移方向,按粒子滤波算法计算每个个体的权值用以估计总体的均值和协方差,然后利用卡尔曼滤波算法更新所有个体,并将总体的均值作为当前时刻的估计结果。通过对商用航空发动机部件级模型在多个飞行状态点数字仿真模拟9种气路突变故障,由7个可测输出估计全部10个健康参数,该混合算法的估计误差相比BP神经网络与无迹卡尔曼滤波算法分别平均降低了34.6%与47.9%。     

一个用于目标跟踪的改进粒子滤波算法

简化UT（unscented transformation）转化参数，修改UKF（unscented Kalmanfilter）提议分布，提出了改进的粒子滤波算法。调节因子的增加使得能在线自适应估计，滤波性能提高，并形成一个自适应的算法。仅有角测量的目标跟踪仿真试验证实了改进的粒子滤波算法要优于其它滤波方式。     

非线性系统中多传感器目标跟踪融合算法研究

 研究了在非线性系统中 ,基于转换坐标卡尔曼滤波器的多传感器目标跟踪融合算法。通过分析得出 :在非线性系统的多传感器目标跟踪中 ,基于转换坐标卡尔曼滤波器 ( CMKF)的分布融合估计基本可以重构中心融合估计。仿真实验也证明了此结论。由此可见分布的 CMKFA是非线性系统中较优的分布融合算法     

航空发动机气路故障诊断的SANNWA-PF算法

针对航空发动机非线性、非高斯的特点，提出一种用于航空发动机气路故障诊断的自适应神经网络权值调整粒子滤波（SANNWA PF）算法。该算法根据粒子分布情况确定分裂和调整的粒子数目，进而根据粒子权重采用正态分布的方式进行分裂，采用反向传插(BP)神经网络进行权值调整，缓解了粒子的退化和贫化，具有更强的自适应性能和跟踪能力。通过一维非线性跟踪模型和航空发动机气路故障诊断仿真研究表明:SANNWA PF算法具有良好的非高斯性能，相对粒子滤波一维非线性追踪模型估计精度提高约21%，航空发动机气路故障诊断在高斯噪声和非高斯噪声下分别提高约30%和26%，诊断速度分别提高约7倍和10倍。      

基于CDKF的快速协方差交叉融合跟踪算法研究

随着目标抗干扰能力的增强，单一寻的制导方式很难完成对目标的稳定跟踪和精确打击，需采用多种探测器作为传感器，提供多种观测数据以实现对目标的稳定跟踪和精确打击。建立了适当的目标运动模型和观测模型，利用中心差分卡尔曼滤波（CDKF）变换处理模型的非线性问题，避免了求解复杂的雅克比矩阵。对于分布式多传感器融合，传统的方法多采用协方差交叉（CI）融合方法，但是这类方法需要寻优求解。而快速协方差交叉（FCI）则不需要进行寻优过程，且计算量小。在此基础上，提出了用于多传感器目标跟踪的CDKF-FCI融合算法。最后，对算法进行了仿真分析，并进一步验证了提出算法的有效性。     

基于模板匹配的集中式多传感器群内目标精细跟踪算法

为解决多传感器探测下群内目标精细跟踪的难题,基于非机动情况下各探测周期内群内目标真实回波位置相对固定的特性,提出了一种基于模板匹配的集中式多传感器群内目标精细跟踪算法。该算法通过预关联成功的群状态集合与群量测集合分别建立模板形状矩阵和待匹配形状矩阵,利用匹配搜索模型和匹配矩阵确认规则选出代价最小的匹配矩阵,并基于模板和对应的匹配矩阵利用 kalman滤波完成群内各目标航迹的状态更新。仿真表明,与传统多传感器多目标跟踪算法中性能优越的基于数据压缩的集中式多传感器多假设算法相比,该算法在跟踪精度、实时性、有效跟踪率方面的性能明显优越,能很好的满足群内目标精细跟踪的实际工程需求。     

未知测量噪声分布下的多目标跟踪算法

 粒子概率假设密度滤波(SMC-PHDF)在进行粒子更新时需要知道测量噪声的概率分布以计算似然函数,这使得SMC-PHDF依赖于测量噪声的概率模型。针对这一点不足,提出一种未知测量噪声分布下的多目标跟踪算法——基于风险评估的概率假设密度滤波(RE-PHDF)。该算法在SMC-PHDF进行概率假设密度(PHD)粒子更新时采用风险函数计算每个PHD粒子的风险值,并通过一个风险评估函数评估每个PHD粒子,然后用评估后的结果更新粒子的权值。由于粒子更新时避免了在多维测量空间中计算似然函数,算法不仅不依赖于测量噪声的概率分布,还可以节省大量计算时间。仿真结果表明：和SMC-PHDF相比,RE-PHDF在未知的复杂测量噪声环境下具有更高的鲁棒性和稳定性;同时,在两种算法跟踪精度接近的情况下,所提算法节省了50%的运行时间。     

DR/GPS组合导航系统滤波技术研究

陆用航位推算系统（DR）的精度主要受到里程系数和航向误差的制约,其误差模型本质具有非线性,因此采用非线性滤波算法能显著提高里程系数和航向误差的估计精度。本文将粒子滤波应用到航位推算（DR）/GPS组合导航系统数据融合过程中,对航位推算 (DR) 与GPS组合导航系统中的里程系数误差和航向误差进行辨识估计,并对里程系数和航向进行修正。粒子滤波存在的主要问题是粒子的退化现象严重,本文将量子粒子群优化 (PSO) 算法与粒子滤波相结合,提出了量子PSO粒子滤波算法,该算法采用量子位对粒子进行编码,引入量子旋转门与变异操作保持了粒子集的多样性,通过量子PSO搜索寻优重新分配粒子,使粒子集有效地逼近真实的后验概率分布,从而有效地减轻了退化现象,提高了粒子滤波的精度。跑车实验结果表明,该算法有效地抑制了DR导航系统误差的增长,提高了组合导航系统的定位精度。     

Cardinality compensation method based on information-weighted consensus filter using data clustering for multi-target tracking

In this paper, a cardinality compensation method based on Information-weighted Consensus Filter(ICF) using data clustering is proposed in order to accurately estimate the cardinality of the Cardinalized Probability Hypothesis Density(CPHD) filter. Although the joint propagation of the intensity and the cardinality distribution in the CPHD filter process allows for more reliable estimation of the cardinality(target number) than the PHD filter, tracking loss may occur when noise and clutter are high in the measurements in a practical situation. For that reason, the cardinality compensation process is included in the CPHD filter, which is based on information fusion step using estimated cardinality obtained from the CPHD filter and measured cardinality obtained through data clustering. Here, the ICF is used for information fusion. To verify the performance of the proposed method, simulations were carried out and it was confirmed that the tracking performance of the multi-target was improved because the cardinality was estimated more accurately as compared to the existing techniques.     

单兵导航多传感器信息融合自适应滤波算法

基于足绑式INS的单兵导航系统,通过将惯性导航系统、人体运动学约束、磁强计等多传感器信息进行融合得到准确的单兵导航信息。对于匀速步行时的单兵导航,可采用普通Kalman滤波算法进行多传感器信息融合,但不能满足跑步等激烈运动模式下单兵导航需求。提出衰减记忆新息自适应Kalman滤波算法,可满足多步态模式下的单兵导航多源信息融合的需求,实验结果验证了算法的有效性。     

基于灰色理论的一种数据融合方法

在灰色关联分析的基础上,对斜关联度进行了修正,引出了点、斜修正关联度分析的概念.通过对影响目标属性识别的各种因素进行分析,结合战术思想利用灰色点、斜修正关联度分析及多目标优化方法建立了数据融合模型,提出了一种基于灰色理论的多传感器数据融合方法.计算多传感器测量数据的灰色关联矩阵,进行灰色优势分析,然后进行数据融合.此方法考虑了各传感器测量数据的精确度,而且删除掉了测量比较差或测量不到的数据.仿真结果表明,应用该方法可进一步提高多传感器的测量精度和可靠性,适用于多传感器的数据融合.