基于自适应注入模型的遥感图像融合方法

遥感图像融合的目的是融合高光谱分辨率、低空间分辨率的多光谱（MS）图像和高空间分辨率、低光谱分辨率的全色（PAN）图像,得到高光谱分辨率与高空间分辨率的融合图像。遥感图像的注入模型中如何确定注入细节及注入系数是该技术研究的关键。针对注入细节优化,先通过模拟MS传感器的特性来定义一种多尺度高斯滤波器,再用该滤波器卷积PAN图像以提取细节,得到与MS图像高度相关的细节。针对注入系数优化,综合考虑光谱信息与细节信息提出一种自适应的注入量系数。为更好地保留边缘信息,提出一种新的边缘保持权重矩阵,实现光谱信息与空间的双保真。将优化后的注入系数与注入细节相乘注入到上采样后的MS图像中,得到融合结果。对所提方法进行性能分析,并在各卫星数据集上进行大量测试,与一些先进的遥感图像融合方法进行对比,实验结果表明,所提方法在主观与综合客观指标上都能达到最优。      

基于融合状态递推的非线性联邦滤波器故障检测算法

传统的联邦滤波器故障检测算法一般是针对线性系统模型提出的,现在非线性条件下对算法进行推广,推导了针对非线性模型的状态χ~2故障检测算法,并对其进行改进,提出一种基于融合状态递推的新型联邦滤波故障检测算法。该算法利用联邦滤波器的全局最优融合状态通过状态递推器获得融合状态递推,再由各子系统通过非线性滤波得到的状态估计与融合状态递推之间的残差构造检验量,进行故障检测。由于全局最优融合状态的精度要高于局部滤波值,故相比于传统联邦故障检测法,该算法的检测灵敏度更高;最后设计了一组仿真实验,验证了该检测算法的有效性。     

基于边缘采样的简化高阶CKF在非线性快速传递对准中的应用

针对舰载机惯导系统非线性传递对准问题中误差模型不完善的问题，同时考虑了挠曲运动和动态杆臂的影响，提出了一种新的适用于大方位失准角情形下的挠曲变形和杆臂效应加速度一体化误差模型。采用高阶容积卡尔曼滤波（HCKF）算法对状态进行滤波估计，考虑到HCKF具有较大的计算量，分析了传递对准模型的状态方程与量测方程结构，设计了一种基于边缘采样的简化高阶容积卡尔曼滤波（M-RHCKF）算法，其在时间更新中使用边缘采样算法，在量测更新过程中使用简化量测更新过程，并给出了该算法的证明过程。采用"速度+姿态"组合匹配方式，对提出的误差模型进行仿真实验。结果表明，该模型可以满足对准精度和对准时间的要求，相比于未考虑动态杆臂的传递对准模型具有更高的对准精度。     

基于简化联邦CKF的INS/GNSS组合导航算法

针对高精度INS/GNSS组合导航子系统模型为部分非线性的问题,提出了一种新的简化联邦CKF滤波算法。该算法将容积卡尔曼滤波(Cubature Kalman Filter,CKF)的计算过程融入到联邦滤波结构框架中,并针对子系统模型存在部分非线性问题,对算法的时间更新过程进行了简化,简化后直接用状态转移矩阵计算一步预测和预测协方差矩阵,避免了采用求容积点近似计算的复杂过程及协方差矩阵分解。最后,建立了INS/GNSS紧组合导航模型,对提出的算法进行了仿真验证,将仿真结果与联邦UKF算法、联邦CKF算法进行对比。仿真结果表明,相比于联邦UKF和CKF算法,所提算法在保证滤波精度的情况下,有效减小了计算量,改善了组合导航系统的性能。