信息融合非线性滤波及在无源定位的应用

论文摘要

在运动目标跟踪、现代信号处理、图像处理、自动控制等很多领域里面都存在量测方程或是状态方程非线性的问题,当前对非线性系统的状态估计无论在理论上还是在工程中都有着十分重要的意义。而现有的非线性滤波方法实际上都是一些近似算法,存在精度不高容易发散等缺点,只能在一定程度上解决非线性估计问题。在非线性系统的状态估计中引入多传感器信息融合理论,可以在不增加测量基站的前提下,应用多种不同的传感器测量同一目标,融合这些测量信息就可得到准确度和稳定性更高的估计值,是一种提高非线性滤波精度的实用方法。本文针对非线性估计问题应用信息融合理论,提出了一系列信息融合非线性滤波器,并把其中一些理论应用在无源定位跟踪上。这些算法不但提高了滤波估计的精度,而且增加了系统的稳定性。本文中首先针对非线性系统,应用线性最小方差信息融合准则,提出了多传感器信息融合扩展卡尔曼滤波器(Extended Kalman Filter, EKF),并且给出了用于计算最优加权的局部滤波误差方差和协方差的公式。然后对于非线性系统,应用线性最小方差信息融合准则,提出了多传感器信息融合无迹卡尔曼滤波器(Unscented Kalman Filter, UKF),并且给出了用于计算最优加权的局部滤波误差方差和协方差的公式。其次对于非线性系统,应用线性最小方差信息融合准则,提出了一系列的多传感器信息融合粒子滤波器——信息融合粒子滤波器(Particle Filter, PF)、信息融合扩展卡尔曼粒子滤波器(Extended Kalman Particle Filter, EKPF)、信息融合无迹粒子滤波器(Unscented Particle Filter, UPF)、信息融合高斯粒子滤波器(Gaussian Particle Filter,GPF)及信息融合高斯和粒子滤波器(Gaussian Sum Particle Filter, GSPF),并且给出了用于计算最优加权的局部滤波误差方差和协方差的公式。最后深入研究了无源定位系统,利用扩展卡尔曼滤波理论中的线性化量测方程的方法,推导出了基于扩展卡尔曼滤波器的无源定位滤波器、无源定位预报器、无源定位平滑器的公式。并应用信息融合理论,在线性最小方差准则下,提出了无源定位系统的多传感器信息融合滤波器、多传感器信息融合预报器、多传感器信息融合平滑器的形式,同时给出了用于计算最优加权的局部估计误差方差和协方差的公式。本文通过一些仿真例子说明了所提出信息融合非线性滤波方法和信息融合无源定位算法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题的研究背景与意义
• 1.2 信息融合非线性滤波的发展现状
• 1.2.1 非线性滤波理论的发展现状
• 1.2.2 信息融合理论的发展现状
• 1.2.3 信息融合非线性滤波方法的研究现状
• 1.3 信息融合非线性滤波方法在无源定位中的应用现状
• 1.3.1 无源定位技术的发展现状
• 1.3.2 信息融合非线性滤波方法在无源定位中的应用现状
• 1.4 论文创新点和章节安排
• 1.4.1 论文创新点
• 1.4.2 章节安排
• 第2章 信息融合扩展卡尔曼滤波器
• 2.1 引言
• 2.2 扩展卡尔曼滤波器
• 2.2.1 一阶扩展卡尔曼滤波器算法
• 2.2.2 二阶扩展卡尔曼滤波器算法
• 2.3 信息融合扩展卡尔曼滤波器
• 2.3.1 信息融合准则
• 2.3.2 信息融合扩展卡尔曼滤波器
• 2.4 算例仿真及性能分析
• 2.4.1 多传感器单变量非线性系统的算例仿真及性能分析
• 2.4.2 多传感器无源定位跟踪系统的算例仿真及性能分析
• 2.5 本章小结
• 第3章 信息融合无迹卡尔曼滤波器
• 3.1 引言
• 3.2 无迹卡尔曼滤波器
• 3.3 信息融合无迹卡尔曼滤波器
• 3.4 算例仿真及性能分析
• 3.4.1 多传感器单变量非线性系统的算例仿真及性能分析
• 3.4.2 多传感器无源定位跟踪系统的算例仿真及性能分析
• 3.5 本章小结
• 第4章 信息融合粒子滤波器
• 4.1 引言
• 4.2 粒子滤波器
• 4.3 扩展卡尔曼粒子滤波器
• 4.4 无迹粒子滤波器
• 4.5 高斯及高斯和粒子滤波器
• 4.5.1 高斯粒子滤波器
• 4.5.2 高斯和粒子滤波器
• 4.6 信息融合粒子滤波器
• 4.7 算例仿真及性能分析
• 4.7.1 多传感器单变量非线性系统的算例仿真及性能分析
• 4.7.2 多传感器无源定位跟踪系统的算例仿真及性能分析
• 4.8 本章小结
• 第5章 信息融合扩展卡尔曼滤波器在无源定位中的应用
• 5.1 引言
• 5.2 问题提出
• 5.3 基于卡尔曼滤波器的无源定位算法
• 5.3.1 基于扩展卡尔曼滤波器的无源定位滤波算法
• 5.3.2 基于扩展卡尔曼预报器的无源定位预报算法
• 5.3.3 基于扩展卡尔曼平滑器的无源定位平滑算法
• 5.4 基于信息融合扩展卡尔曼滤波器的无源定位算法
• 5.4.1 基于信息融合扩展卡尔曼滤波器和预报器的无源定位算法
• 5.4.2 基于信息融合N步超前扩展卡尔曼预报器的无源定位算法
• 5.4.3 基于信息融合扩展卡尔曼平滑器的无源定位算法
• 5.5 多传感器无源定位跟踪系统算例仿真及性能分析
• 5.5.1 多传感器信息融合无源定位滤波算法仿真
• 5.5.2 多传感器信息融合无源定位预报算法仿真
• 5.5.3 多传感器信息融合无源定位平滑算法仿真
• 5.6 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历