基于强跟踪滤波器的多传感器非线性动态系统状态容错融合估计

将强跟踪滤波理论与多传感器数据融合估计方法相结合，提出基于强跟踪滤波器的多传感器数据融合估计新算法。对拥用相同采样的分布式多传感器单模型非线性动态系统，应用强跟踪滤波器，得到目标状态基于全局信息融合估计结果，并利用计算机仿结果对算法的有效性进行了验证。这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题，从而丰富和发展了多源信息融合理论。     

面向智能船舶的容错卡尔曼融合估计方法

针对智能船舶多传感器系统因未知海洋环境干扰和设备间干扰等因素导致的一个或数个传感器产生随机间歇性故障从而导致融合估计结果出现偏差甚至失真的问题,设计1种基于四分位滤波的容错方法,并针对该方法导致的观测时滞问题设计1种预报方法,提前预报观测值,进而抵消容错方法导致的时滞问题。此外,针对多传感器之间的互协方差难以准确估计的问题,采用CI融合估计方法进行融合估计。为验证算法的有效性和融合估计的精度,对带有间歇性故障的两传感器系统进行仿真试验,并与按矩阵、按对角阵和按标量3种分布式融合估计方法得到的结果进行对比。4种方法的均方误差系数大小对比结果显示,对于带间歇性故障的多传感器系统,设计的融合滤波不仅具有鲁棒性,而且具有较高的融合精度。     

基于数据融合的船舶电网参数测量研究

采用单传感器的传统船舶电气参数测量方法存在很多缺陷，会受到传感器的测量噪声和电网中的电磁干扰等影响，从而影响参数测量的精度和测量结果的稳定性。为此，应用状态估计技术和多传感器数据融合理论，提出了一种新的船舶电气参数测量方法。首先建立电压和电流的状态模型，将其连续的动态方程离散化，用于数字信号处理器（DSP）中。然后采用卡尔曼滤波和无反馈分布式融合来对离散化后的采样数据进行融合，从而得到全局数据融合的最优估计。最后，经过一个周期的采集数据估计值进行有效值计算，在液晶屏中显示出来。与单个传感器的检测方法相比，该检测方法具有更高的精度和更好的稳定性。仿真结果和实验测试结果都证明了本检测方法的有效性和优越性。     

船舶交通流组合预测方法研究

船舶交通流预测的研究能为港口设计及船舶通航安全管理提供基础性数据.基于港口特征、船舶行为和船舶交通流的历史数据,建立了一种改进的船舶交通流变权组合预测模型,较好地解决了现有船舶交通流预测算法中存在的预测精度不高、依赖于经验的不足.以天津港主航道连续9年的历史观测数据为例进行验证,结果表明,改进的组合预测模型能够减小单一模型预测中存在的不确定性,从而提高了整个预测系统的精度及其稳定性.     

一种时间-传感器系统误差估计算法

由于时间的不一致和传感器系统误差直接影响目标探测信息的精度,假设卫星导航的精度足够高,不考虑导航误差的影响,在时间-传感器系统误差传递模型的基础上,利用对空中平台的实时观测和平台的导航信息,获取观测数据的新息相关函数序列,对未知的系统模型参数和噪声统计参数进行在线辨识,构建自适应滤波,实现对多平台时间-传感器系统误差的实时估计和配准。通过对比仿真实验表明,该算法收敛速度快,估计精度较高。     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法。该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态。Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定。     

基于多尺度随机动态模型的惯性器件数据融合估计

结合离散小波变换、动态系统理论及随机过程理论,建立了以尺度为变量的多尺度随机动态模型,并给出状态基于多尺度随机动态模型的多尺度递归数据融合算法,实现了在状态基于全局观测信息的优化估计值。该算法可以在无状态模型情况下进行数据融合,适用于难以获得或获得的状态模型不精确的情况。将此方法用于陀螺信号处理中,通过不同尺度下陀螺观测值的融合,陀螺信号的精度有明显的提高。仿真和实验均证明该算法是一种有效的数据融合算法。     

基于UT变换改进多模型滤波的水下航行器导航方法

为了提高水下航行器组合导航系统的精度,针对滤波算法存在较大的截断误差和累积误差等问题,提出了一种基于无迹变换改进多模型滤波算法,并利用辅助信息对估计结果进行修正。首先通过无迹变换产生Sigma点对非线性测量方程进行近似,构造伪观测量进行偏差估计,然后利用基于加权因子的辅助信息融合算法,消除累积误差,进一步提高系统估计精度,最后给出算法的实现过程。仿真结果表明:与常规的多模型滤波算法相比,本文方法提高了估计精度。     

基于模糊加权的分布式IMMJPDA算法

提出了一种基于模糊加权的分布式交互多模型联合概率数据互联算法.该算法在融合中心采用模糊加权方法对不同传感器关于同一目标的模型概率、状态估计及其协方差进行融合,而模糊权值为各传感器关于各目标的状态估计协方差的迹的隶属度.最后通过计算机仿真验证了该算法的正确性和有效性.     

基于智能融合的船舶交通流预测系统

船舶交通流量预测的研究为水道的规划、设计和船舶通航管理提供基础性依据。将智能融合算法应用于船舶交通流量预测系统,较好地解决了现有船舶预测算法中存在的预测精度不高,依赖于经验等不足。以长江江阴大桥2007年船舶流量观测数据为例进行分析,实验结果表明,融合预测能够对多个数据源进行预测,并可以减缓单种预测方法单独预测的不确定性,从而增加了预测的准确性和整个预测系统的鲁棒性。