基于有限存储空间的分布式传感器融合估计器

研究具有信息传输模型不确定性、随机时间延迟和数据丢包的网络化多传感器分布式融合估计问题。模型的不确定性刻画为系统矩阵中的非高斯非白噪声干扰，在远程处理中心处设置有限长度的存储空间用来存储各个传感器延迟到达的测量值。在最小方差原则下设计了一种利用测量值到达变量的最优常增益局部估计器，利用协方差交叉加权方法得到最优分布式融合估计器并推导得到使得估计器有界的条件。最后，通过某电源系统计算实例仿真验证所提融合估计器的有效性。     

基于线性编码补偿方法的非固定丢包率下的分布式融合估计器

为解决无线信道非固定丢包率建模和丢包补偿问题，研究了具有非固定丢包率的网络化多传感器融合估计问题。假定无线信道丢包率是非固定的，利用对过去得到的有限个测量值进行线性编码的方法对丢包进行补偿，针对系统矩阵中存在的非高斯非白噪声随机干扰，首先设计了一种利用每一时刻数据包到达变量的局部最优估计器，其次推导出融合估计误差协方差与传感器传输概率之间的函数关系。最后通过算例仿真验证所提方法的有效性。      

多网络约束下NNS分布式融合估计器设计

针对节点量测增益衰减、节点能量受限与系统模型不确定3种网络约束下具有随机通信时滞和非固定丢包率的组网导航系统(NNS)分布式状态融合估计问题，将增益衰减程度描述为统计特性已知的随机变量，将模型不确定描述为系统矩阵中的乘性有色噪声，将减小能耗描述为降低节点数据传输率。分别在邻节点端和目标节点端引入2种不同的线性编码器以解决丢包与时滞问题。建立丢包率与同时传输信息的节点数目之间的函数关系，将邻节点在过去有限个时刻的量测值进行线性编码后再传输，以补偿丢包与降低传输率导致的信息损失。目标节点把在同一采样周期内获取的来自同一邻节点的多个量测值按时间戳进行线性编码，以解决通信时滞导致的信息多余。基于2次线性编码建立增广系统模型，设计最小方差意义下局部无偏估计器，利用最优矩阵加权融合法得到全局融合估计器，推导得到融合估计误差协方差收敛的充分条件及次优传输率。通过算例仿真验证所提算法的有效性。     

基于双层协方差矩阵重构的稳健波束形成算法

针对协方差矩阵含目标信号分量及目标导向矢量失配情况下，传统自适应波束形成器性能急剧下降的问题，提出了干扰加噪声协方差矩阵双层重构的稳健波束形成算法。首先，利用稀疏重构的方法预估干扰加噪声协方差矩阵，通过估计干扰导向矢量及干扰功率对干扰加噪声协方差矩阵进行优化校正；然后，基于子空间理论建立导向矢量约束误差优化模型，利用迭代方法对凸优化模型进行求解，得到最优权值向量。仿真结果表明:所提算法显著提高了波束形成器在目标导向矢量约束误差及阵列误差情况下的稳健性，低快拍条件下表现较好，输出性能优于仿真对比算法。      

基于陆标图像的天体定点着陆信息融合导航方法

要安全准确着陆于地外天体指定地点,探测器在下降过程需实时精确确定其相对位置和速度.针对惯性导航结合斜距和相对速度测量的导航方式不能修正相对水平位置估计的缺点,以及多敏感器测量信息融合问题,提出基于陆标图像和协方差交叉算法的天体定点着陆自主导航方法.将光学成像敏感器加入到组合导航系统中,用于测量探测器相对陆标的视线方向以获得关键的相对水平位置信息.在状态估计时采用基于协方差交叉的分布式扩展卡尔曼滤波对多源测量信息作最优融合,提高算法的精度和鲁棒性.通过数学仿真验证了该方法的有效性.     

车载GPS/DR组合导航系统的数据融合算法

建立了车载GPS/DR(全球定位系统/航位推算)组合导航系统自适应联合Kalman滤波的数学模型,研究了综合运用子系统状态评估、自适应信息分配、误差补偿、迭代扩展Kalman滤波、抗野值干扰、U-D协方差分解滤波等技术来提高精度和可靠性的融合滤波算法;针对滤波发散的问题,引入了一种在线估计观测噪声统计特性的自适应滤波方法.理论分析和半物理仿真结果表明,所设计的算法在精度、可靠性、适应性、实时性等方面效果都很好.      

多敏感器联邦SSUKF融合姿态确定算法

针对四元数姿态估计问题,提出了一种分布式非线性滤波融合结构。通过引入基于超球面分布采样点变换(SSUT)技术的无迹卡尔曼滤波算法(SSUKF),以较低的计算量实现了高数据更新率、高精度的非线性滤波,并通过融合重构,保障系统无间断可靠工作,不受敏感器故障、视场盲区等因素影响。应用该算法对陀螺、磁强计、太阳敏感器、星敏感器构成的系统进行了具体设计并开展仿真研究,验证了算法的有效性。     

捷联惯导与星敏感器组合导航算法研究

以Kalman滤波为基础,通过将捷联惯导系统和星敏感器所测得的飞行器相关姿态信息进行数据融合,估计出组合导航系统的误差状态量,进而修正捷联惯导系统的位置、速度和姿态角。详细推导了捷联惯导与星敏感器组合导航的算法,并通过对仿真结果的分析证实了该方案的可行性和算法的有效性。     

星座分布式自主定轨中信息融合方法比较研究

为了保证大型导航星座在有限的星载运算能力和通信能力下，具备自主运行能力并提供精准位置参考信息，对基于分层结构的星座分布式自主定轨的信息融合方法展开了研究。以地月卫星联合星座作为研究对象，将简单凸组合法、协方差交叉融合法以及在线性最小方差意义下的矩阵加权法和标量加权法等方法应用于子滤波器估计的融合中，对各种融合方法的性能进行了对比分析。仿真结果显示，在采用方差放大技术去相关设计星座分布式自主定轨算法基础上，采用简单凸组合法、矩阵加权法和标量加权法3种融合方法的定轨精度较高，与集中式滤波精度相当，其中标量加权法的计算代价最低；而协方差交叉融合法由于难以准确确定最优系数，其精度低于其他3种方法。      

基于星间测距的编队卫星一致性导航算法

针对多航天器编队飞行的自主导航问题,利用高精度的相对距离测量手段,结合较少的参考卫星位置信息,对未知卫星的相对和绝对位置进行估计.针对扩展卡尔曼滤波算法的局部不稳定性,采用了一种误差补偿算法,使在系统可观度较低时仍有较稳定的输出.并将编队系统视为一个无线网络,提出了一种分布式一致性卡尔曼滤波算法,该算法结合一致性理论和分布式卡尔曼滤波器,可明显提高解算精度并消除高频噪声干扰,仿真结果验证了该方法的有效性与可靠性.     

一类非线性网络化系统的鲁棒故障检测

研究了一类非线性网络化系统的鲁棒故障检测问题.系统的不确定参数具有范数有界约束,非线性项满足扇形域有界条件,系统状态时滞时变有界.用服从伯努利分布的随机序列描述系统观测数据的随机丢失.将原问题转化为鲁棒H∞问题后,以线性矩阵不等式的形式给出了鲁棒故障检测滤波器的存在条件,进而得到所求滤波器的增益阵.     

机动目标状态估计器算法研究

基于战斗机航迹准稳态运动状态假设,研究了机动目标状态估计器算法.该算法通过选取虚拟测量变量和状态变量,以及假设目标处于航迹准稳态运动状态,把含有9个变量的非线性滤波和预测问题转化为1个三阶和3个二阶的线性滤波和预测问题.在综合控制系统中的仿真结果表明,该算法计算量小,滤波精度好,能够满足综合控制需求.      

基于STF和加权改进的群目标跟踪算法

为了进一步提高群目标交互多模型跟踪算法的估计性能,提出一种改进的群跟踪算法.首先,通过采用模型转换概率的自适应算法,优化模型与目标运动模式的实时匹配.并通过引入强跟踪滤波（STF,Strong Tracking Filter）中的渐消因子,提高机动阶段时的群质心的状态估计精度.其次,分别利用概率加权法和标量加权法完成群质心状态和扩展状态的融合估计.最后在变分贝叶斯滤波的基础上,建立完整的跟踪算法流程.仿真实验结果表明,该方法不仅能够提高群质心状态和扩展状态的估计精度,还能有效降低机动阶段时的峰值误差.     

多传感器多目标系统误差融合估计算法

为解决多传感器组网系统的系统误差估计问题,基于多传感器多目标上报信息,研究并提出了一种多传感器多目标系统误差融合估计算法.算法构建了两级融合结构,即第一级对多传感器组合状态估计信息进行反馈融合以改善局部组合状态估计精度,从而间接改善系统误差的估计精度,而第二级对多目标系统误差估计信息进行融合以进一步提高系统误差的估计精度.蒙特卡洛仿真显示算法能有效融合利用多传感器多目标信息,实现多传感器系统误差的实时精确估计.     

存在网络丢包的导弹制导控制一体化设计

研究了网络环境下存在丢包的导弹制导控制一体化设计问题.多个地面雷达同时对目标进行观测,并通过网络将目标信息传输给导弹.考虑网络存在丢包的情况,将丢包描述为导弹与雷达之间的通信拓扑模型,建立了包含3个级联子系统的导弹纵向通道制导控制一体化模型.将滑模控制与反演控制相结合,给出了每个子系统的虚拟控制量,并设计滤波器对虚拟控制量进行滤波,使得系统对丢包具有一定的鲁棒性.在此基础上,设计导弹制导控制一体化滑模反演控制律,并给出了系统有界输入有界输出（BIBO,Bounded-Input Bounded-Output）稳定的充分条件.数值仿真验证了所提方法的有效性.      

一种模型误差鲁棒的卫星姿态确定方法

提出一种结合非线性预测滤波和二阶插值滤波实现基于星光/陀螺的高精度姿态确定的新算法.该算法用非线性预测滤波估计模型误差,再对补偿后的模型用高精度的二阶插值滤波来估计姿态参数.解决了在卫星实际运行中难以获得姿态确定系统的精确动力学模型,采用传统EKF(Extended Kalman Filter)将模型误差作为零均值白噪声处理,导致滤波精度降低甚至发散的问题.同时,二阶插值滤波将非线性模型按照二阶近似,无需计算函数偏导数,得到高精度的卫星姿态估计.仿真验证了该方法能有效地实时估计并补偿模型误差,提高了姿态估计的精度,且估计精度受滤波周期的影响不大,从而验证了算法的鲁棒性和有效性.      

OFDM系统的自适应低秩信道估计

为了降低正交频分复用OFDM(Orthogonal Frequency division Multiplexing)系统中最小均方误差MMSE(Minimum Mean Square Error)信道估计算法的复杂度,并且改善由于信道的统计特性与先验知识不匹配而导致的MMSE估计性能恶化,提出了一种自适应的低秩信道估计算法.该算法利用信道的时间平均相关取代统计相关,结合了基于特征值分解的低秩建模,从而近似地实现MMSE估计.借助于子空间跟踪,该算法可以自适应地估计信道相关矩阵的主特征空间及噪声方差,以迭代的方式逼近最优的MMSE估计,而且复杂度较低.进一步分析指出基于信道延时子空间跟踪的估计算法是该算法的一种特例,理论分析和仿真结果均表明这种新算法在低信噪比时可以显著改善信道估计的准确性.      

基于地心坐标系的多传感器动态偏差估计算法

配准是多传感器系统进行数据融合必不可少的处理过程.使用一种新的基于地心地固(ECEF, Earth-Centered Earth-Fixed)坐标系的多传感器配准算法,能对传感器的动态偏差进行估计,同时充分考虑了地球曲率对配准算法本身的影响.首先利用多传感器的局部航迹数据来构造关于传感器偏差的伪测量模型,其噪声满足零均值高斯白噪声特性,协方差信息也易于计算,然后使用序贯卡尔曼滤波算法(SKF, Sequential Kalman Filter)对偏差进行动态估计.当传感器偏差恒定时,算法经过简单修改后依然适用.最后通过仿真试验对新算法的性能进行了评估,结果说明新算法能有效地进行传感器配准.      

基于小波神经网络的多传感器自适应融合算法

针对多传感器融合系统的非线性和不确定性,将小波分析与神经网络相结合,提出一种基于小波神经网络的多传感器自适应融合算法.融合系统包括扩展卡尔曼滤波器、小波神经网络、融合知识库以及航迹融合算法.该算法以分布式融合结构为基础,利用环境信息理论和测量方差归一化方法构建小波神经网络,并且通过数值样本训练小波神经网络,使其在融合过程中实时估计各传感器的信任度,再由融合知识库根据各传感器信任度来选择适合的航迹融合算法,最终得到全局状态估计.实验结果表明,提出的融合算法可以根据环境变化在线自适应融合来自多传感器的测量值,对不确定信息具有很好的融合能力.