《多传感器最优估计理论及其应用》是关于多传感器数据融合最优估计理论及其应用的一部专著,主要汇集了作者近十几年来在多传感器数据融合、多速率系统滤波、最优估计理论、组合导航等方面的代表性研究成果。《多传感器最优估计理论及其应用》涉及的理论和方法有:Kalman 滤波及其各种改进算法,异步多速率线性系统、非线性系统的滤波与融合方法,观测数据存在不可靠、随机丢包等故障条件下的数据融合状态估计方法,噪声相关环境下的数据融合方法,以及对上述各种情况鲁棒的组合导航算法等。
更多科学出版社服务,请扫码获取。
目 录
前言
第1章 绪论 1
1.1背景与意义 1
1.2多传感器数据融合的体系结构 2
1.2.1多传感器数据融合的定义 2
1.2.2多传感器数据融合的原理与体系结构 3
1.2.3多传感器数据融合的优缺点 7
1.3多传感器数据融合估计算法分类综述 8
1.3.1采样率系统 9
1.3.2单采样率多传感器数据融合状态估计算法 11
1.3.3多采样率多传感器数据融合状态估计算法 14
1.3.4异步多传感器数据融合估计算法 19
1.3.5噪声相关环境下的数据融合估计算法 20
1.3.6网络环境下的滤波和融合问题 22
1.3.7非线性系统数据融合估计算法 27
1.4组合导航系统与方法概述 30
1.5当前研究热点、难点与未来的研究方向 33
1.6本书的主要内容及章 节安排 34
1.7本章小结 35
第2章 随机离散动态系统的Kalman滤波 36
2.1问题的提出 36
2.2最优均方估计 37
2.2.1最优均方估计的定义 37
2.2.2绒性最优均方估计 38
2.3 Kalman最优滤波基本方程 40
2.3.1系统描述 40
2.3.2离散时间Kalman滤波基本方程 42
2.3.3离散时间Kalman滤波基本方程的直观推导 44
2.3.4离散时间Kalman滤波基本方程的投影法证明 48
2.4Kalman最优预测基本方程 52
2.4.1状态的预测估计 52
2.4.2状态预测估计的修正 53
2.4.3最优增益阵 54
2.4.4误差的无偏性及误差方差阵 55
2.4.5离散系统Kalman最优预测基本方程 56
2.5Kalman最优平滑基本方程 57
2.5.1固定区间最优平滑 58
2.5.2固定点最优平滑 58
2.5.3固定滞后最优平滑 60
2.6扩展Kalman滤波 61
2.6.1围绕标称轨道线性化滤波方法 62
2.6.2围绕滤波值线性化滤波方法 65
2.7本章小结 67
第3章 变速率非均匀采样系统的Kalman滤波 68
3.1引言 68
3.2问题描述 68
3.3非均匀采样系统的Kalman滤波算法 70
3.4算法性能分析 78
3.5仿真实例 80
3.6本章小结 83
第4章 多尺度Kalman滤波及基于多尺度测量预处理的数据融合 84
4.1引言 84
4.2小波分析概述 85
4.2.1小波变换的定义与基本性质 85
4.2.2多尺度分析 88
4.2.3Mallat算法 92
4.3多尺度Kalman滤波 96
4.4基于多尺度测量预处理的数据融合 100
4.4.1系统描述 100
4.4.2信号的多尺度表示 101
4.4.3基于小波变换的多尺度测量预处理 102
4.4.4基于多传感器多尺度测量预处理的信号去噪方法 103
4.5仿真实例 104
4.6本章小结 107
第5章 基于线性系统的多速率传感器数据融合估计 108
5.1引言 108
5.2问题描述 108
5.3线性动态系统的多速率多传感器数据融合估计 110
5.3.1基于状态分块的融合估计算法 110
5.3.2两种分布式数据融合状态估计算法 114
5.4仿真实例 121
5.5本章小结 124
第6章 随机丢包情况下多速率传感器鲁棒融合估计 125
6.1引言 125
6.2问题描述 125
6.3基于不完全观测数据的多速率传感器融合估计算法 126
6.3.1模型约简 126
6.3.2融合算法 130
6.4仿真实例 131
6.5本章小结 136
第7章 时不变线性系统的异步多速率传感器数据融合估计 137
7.1引言 137
7.2问题描述 138
7.3尺度递归融合估计算法 139
7.3.1多尺度状态空间模型 139
7.3.2尺度递归状态融合估计算法141
7.4基于混合式结构的融合估计算法 150
7.5两种分布式融合估计算法 155
7.5.1递归朕邦分布式融合估计 156
7.5.2有反馈分布式融合估计 160
7.6仿真实例 164
7.6.1尺度递归融合估计算法仿真164
7.6.2混合式融合估计算法仿真 168
7.6.3分布式融合估计算法仿真 170
7.7本章小结 175
第8章 时不变系统异步多速率间歇数据的鲁棒融合估计 176
8.1引言 176
8.2问题描述 176
8.3随机丢包下的异步多速率传感器数据融合算法 177
8.4仿真实例 188
8.4.1圆周运动的机动目标跟踪 188
8.4.2目标跟踪系统的状态估计 192
8.5本章小结 196
第9章 时变线性系统的异步多速率传感器数据融合估计 197
9.1引言 197
9.2问题描述 197
9.3基于速率归一化和联邦Kalman滤波的分布式融合估计 198
9.3.1异步多速率系统的速率归一化数学建模 199
9.3.2基于联邦Kalman滤波的数据融合估计 203
9.4异步多速率数据的顺序式融合估计- 205
9.5仿真实例 211
9.5.1基于联邦Kalman滤波的融合估计算法仿真 211
9.5.2顺序式融合估计算法仿真 217
9.6本章小结 219
第10章 异步多速率传感器线性系统的建模与容错融合估计 220
10.1引言 220
10.2问题描述 222
10.3最优状态估计算法 223
10.3.1异步多速率多传感器系统建模 223
10.3.2无故障情况下的数据融合估计 226
10.3.3存在不可靠观测情况T的状态容错融合估计算法 229
10.4状态容错融合估计算法的性能分析 230
10.5仿真实例 233
10.6本章小结 241
第11章 相关噪声环境下的多传感器数据融合 243
11.1引言 243
11.2问题描述 243
11.3最优融合算法 244
11.3.1最优集中式融合 244
11.3.2最优顺序式融合 244
11.3.3最优分布式融合 247
11.4仿真实例 251
11.5本章小结 255
第12章 相关噪声环境下多速率传感器融合估计 257
12.1引言 257
12.2问题描述 258
12.3序贯式融合估计算法 259
12.4分布式融合估计算法 267
12.5仿真实例 274
12.5.1序贯式融合估计算法仿真 274
12.5.2分布式融合估计算法仿真 278
12.6本章小结 282
第13章 噪声统计特性未知情况下的多源信息融合估计 283
13.1引言 283
13.2相关多源信息融合估计算法简述 283
13.2.1广义凸组合融合算法 283
13.2.2基于集合论的松弛切比雪夫中心协方差交叉算法 286
13.2.3基于信息论的快速协方差交叉算法 288
13.2.4容错广义凸组合融合算法 292
13.3两种改进的多源信息融合估计算法 296
13.3.1改进的松弛切比雪夫协方差交叉融合算法 296
13.3.2改进的快速协方差交叉算法 298
13.4仿真实例 299
13.4.1Kalman滤波算法得到局部估计值 299
13.4.2RCC-CI、IT-FCI,DCI仿真分析 300
13.4.3FGCC、CI/CU仿真分析 305
13.4.4改进算法的仿真分析 308
13.5本章小结 310
第14章 非线性系统异步多速率传感器数据融合估计 312
14.1引言 312
14.2问题描述 313
14.3状态融合估计算法 314
14.3.1基于SPKF方法估计非线性时变系统的状态 315
14.3.2基于STF方法估计非线性时变系统的状态 320
14.3.3非线性系统状态估计新算法:SPSTF 324
14.4仿真实例 331
14.5本章小结 339
第15章 非线性系统异步多速率传感器数据容错融合估计 340
15.1引言 340
15.2问题描述 341
15.3异步多速率传感器数据容错融合估计算法 342
15.4仿真实例 348
15.5本章小结 356
第16章 多传感器最优估计理论在导航系统中的应用 357
16.1引言 357
16.2组合导航系统模型 357
16.3多速率系统的鲁棒Kalman滤波及在导航系统中的应用 361
16.4仿真实例 365
16.5本章小结 367
参考文献 368
第1章绪论
1.1背景与意义
随着科学技术的发展,人类已经进入信息时代,信息时代的明显特征之一是信息爆炸。同时,随着社会信息化程度的不断提高,传感器性能获得了很大提高,面向各种应用背景的多传感器系统大量涌现。现代战争威胁的多样化和复杂化对传统数据或信息处理系统也提出了更高的要求。此外,信息表现形式的多样性、信息数量的巨大性、信息关系的复杂性以及要求信息处理的及时性等,都要求提出对多源信息进行有效融合处理的新型理论和技术[1]。为了应对这种局面,信息融合应运而生。多源信息融合是一个新兴的研究领域,是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。多传感器数据融合技术是近些年来发展起来的一门实践性较强的应用技术,是多学科交叉的新技术,涉及信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等领域[2]。
将航行载体从起始点引导到目的地的技术或方法称为导航[3]。导航所需的基本导航参数有载体的即时位置、速度、航向和姿态等。测量导航参数的设备称为导航系统。飞机常用的导航系统有:惯性导航系统(inertialnavigationsystem,INS)、GPS(globalpositioningsystem)导航系统、多普勒(Doppler)导航系统(DVS)、双曲线无线电导航系统等[3-5]。随着现代战争中信息化、网络化程度的提高,海陆空天一体化的主体战争已经形成。导航已从确定武器平台自身位置,并将其引领到目的地的单一功能扩展成为信息战的一部分,导航定位信息已在C4ISR系统中发挥着重要作用。各级指挥机关和控制部门,各种海、陆、空、天武器装备,都有赖于导航定位信息的支持。随着科技的进步,特别是现代战争的需求,对导航系统的精度、可靠性、实时性、自主性及性价比要求越来越高,单一的导航系统难以满足要求。20世纪80年代以来,随着科学技术的迅速发展,可供运载体装备的导航系统越来越多。但是,任何一种导航方法都存在实用性问题,每个系统的固有误差以及物理上的限制,都将影响到该导航设备的广泛应用。如果将这些具有互补性和非相似性的导航系统组合起来,就可以相互取长补短,充分利用各子系统的信息,提高导航精度,扩大使用范围。对于各子系统测量的相同信息源,也可使测量值冗余,从而提高整个导航系统的可靠性[1,2,6]。
近年来,随着传感器技术、信号检测与处理以及计算机应用技术的发展,信息融合技术的应用更加广泛。除了在各种武器平台上应用外,在许多民用领域,如工业过程监视、工业机器人、遥感、毒品检查、病人照顾系统、金融系统、船舶避碰与空中交通管制系统等方面也得到了广泛的应用。世界各主要发达国家都将其列为重点、优先发展的技术之一。事实上,在被测量(或被识别)的目标具有多种属性或多种不确定因素的干扰时,使用多传感器协调完成共同的检测任务便是必然的选择[2]。因此对多传感器信息融合的研究具有广泛的理论意义和应用价值。
多传感器最优估计指的是将传统的估计理论与数据融合理论进行有机结合,综合利用多个传感器的观测信息得到对目标状态的最优估计。研究在估计未知量的过程中,如何最佳利用多个数据集合中所包含的有用信息是其核心[7]。针对多传感器最优估计问题,在不同传感器以相同采样速率同步获取数据情况下,针对线性单模型动态系统,国内外已经有不少的研究成果。然而,实际应用问题中,不同传感器往往以不同采样率获取数据,并且由于网络、各种干扰等的影响,获取的数据往往是非同步的,甚至是不均匀的。针对这一问题,相对来说成果较少。作者近些年来在这方面开展了一系列研究工作。本书在介绍经典最优Kalman滤波基础上,将重点介绍作者近些年来研究给出的各种实用的最优估计方法,同时对其在导航方面的应用进行简要介绍。
1.2多传感器数据融合的体系结构
1.2.1多传感器数据融合的定义
数据融合也称为信息融合(informationfusion)。关于什么是信息融合,迄今为止,国内外有多种不同的定义。
美国国防部JDL(JointDirectorsofLaboratories)从军事应用的角度将信息融合定义为这样一个过程:把来自许多传感器和信息源的数据和信息加以联合(asso-ciation)、相关(correlation)和组合(combination),以获得精确的位置估计(positionestimation)和身份估计(identityestimation),对战场情况和威胁及其重要程度进行适时的完整评价[2]。这一定义基本上是对信息融合技术所期望达到的功能描述,包括低层次上的位置和身份估计,以及高层次上的态势评估(situationassessment)和威胁估计(threatassessment)。该定义从军事应用的目标出发,但是也适用于其他领域。Edward等对上述定义进行了补充和修改,用状态估计代替位置估计,并加上了检测(detection)功能,从而给出了如下定义:数据融合是一种多层次、多方面的处理过程,这个过程对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计,以及完整、及时的态势评估和威胁估计[8]。
何友等在其专著《多传感器信息融合及应用》中指出:信息融合就是将来自多个传感器或多源的信息进行综合处理,从而得到更为准确、可靠的结论[1]。韩崇昭等在其著作《多源信息融合》中写到:信息融合就是一种多层次、多方面的处理过程,包括对多源数据进行检测、相关、组合和估计,从而提高状态和身份估计的精度,以及对战场态势和威胁的重要程度进行适时完整的评价[7]。
总之,信息融合就是将来自多个传感器或多源的信息进行综合处理,从而得到更为准确、可靠的结论,以达到更好地了解对象的目的[2]。
1.2.2多传感器数据融合的原理与体系结构
多传感器信息融合是人类和其他生物系统中普遍存在的一种基本现象,实际上是对人脑综合处理复杂问题的一种功能模拟。按照信息抽象的功能层次,信息融合可分为五级:检测级融合、位置级融合(状态估计)、属性级融合(目标识别)、态势评估与威胁估计,信息融合各功能模块的系统流程示意图如图1.1所示[9-11]。
图1.1信息融合系统功能框图
1.检测级融合
检测级融合是直接在多传感器分布检测系统中检测判决和信号层上进行的融合。它最初仅应用在军事指挥、控制和通信中,现在它的应用已拓广到气象预报、医疗诊断和组织管理决策等诸多领域。检测级融合的结构模型主要有四种,即并行结构、分散式结构、串行结构和树状结构,如图1.2所示[1,10]。
2.位置级融合
位置级融合是直接在传感器的观测数据或传感器的状态估计上进行的融合,包括时间和空间上的融合,是跟踪级的融合,属于中间层次,也是最重要的融合之一[1]。近年来,国内外对这一级的融合研究得最多,以美国MIT的Willsky教授及其研究小组为代表的多尺度系统估计理论研究为其中一个很重要的分支[12-16]。本书关于状态融合估计算法的研究也是以此为基础进行的,下文将会给出更详细的阐述。
图1.2检测级融合结构示意图
对单传感器跟踪系统而言,主要是按时间先后对目标在不同时间的观测值即检测报告进行融合,如边扫描边跟踪雷达系统,红外和声纳等传感器的多目标跟踪与估计技术都属于这类性质的融合。在多传感器跟踪系统中,主要有集中式、分布式、混合式和多级式等几种融合结构[1,9]。
在集中式多传感器跟踪系统中,首先按照对目标观测的时间先后对测量点迹进行时间融合,然后对各个传感器在同一时刻对同一目标的观测进行空间融合,它包括多传感器融合跟踪与状态估计的全过程。这类系统常见的有多雷达综合跟踪和多传感器海上监视与跟踪系统。集中式融合结构示意图如图1.3所示[9]。
图1.3集中式融合结构
在分布式多传感器跟踪系统中,各传感器利用自身的测量数据单独跟踪目标,将估计结果送至融合中心(总站),融合中心再将各个子站的估计合成为目标的联合估计。一般来说,分布式估计精度没有集中式高,但是由于它对通信带宽需求低,计算速度快,可靠性和延续性好,因此,成为近年来的研究热点,分布式融合结构示意图如图1.4所示[1,9]。
图1.4分布式融合结构
分布式系统一般还可以分为无反馈分布式系统、有反馈分布式系统和完全分
布式系统等三种融合结构[2]:
(1)无反馈层次结构:各传感器节点把各自的局部估计结果全部传送到中心节点以形成全局估计,这是最常见的分布式估计系统结构。
(2)有反馈层次结构:它与(1)的主要区别在于通信结构不同,即中心节点的全局估计可以反馈到各局部节点,这种结构具有容错的优点。当检测出某个局部节点的估计结果很差时,不必把它排斥于系统之外,而是利用较好的全局结果来修改局部节点的状态,这样既改善了局部节点的信息,又可继续利用该节点的信息。
(3)完全分布式结构:在这种一般化系统结构中,各节点间由网状或链状等形式的通信方式相连接。一个节点可以享有与之相连的节点信息。这也意味着各局部节点可以不同程度地享有全局的一部分信息,从而可能在许多节点上获得较好的估计。在极端的情况下,每个节点都可以作为中心节点获得全局最优估计。
混合式位置级融合是集中式和分布式多传感器系统相结合的混合结构[1]。传感器的检测报告和目标状态估计的航迹信息都被送入融合中心,在那里既进行时间融合也进行空间融合。由于这种结构要同时给出检测报告和航迹估计,并进行优化组合,因此需要复杂的处理逻辑。混合式结构也可以根据问题的需要,在集中式和分布式结构中进行选择变换。这种结构的通信和计算量都比其他结构要大,因为需要控制传感器同时发送探测报告和航迹估计信息,通信链路必须是双向的。另外,在融合中心除加工来自局部节点的航迹信息外,还要给出传感器送来的探测报告,使计算量成倍增加。然而,它能满足许多应用的需要。巡航导弹的控制和主、被动雷达复合制导系统都是典型的混合式结构[1,9]。混合式融合结构示意图如图1.5所示[9]。
3.属性级融合(目标识别级融合)
目标识别亦称属性分类或身份估计(身份识别)[9]。按信息抽象程度,目标识别(身份识别)又可分为决策层、特征层和数据层融合三个层次。身份识别三个层次的融合结构图及其流程图分别如图1.6和图1.7所示[9]。
……