CN112990256A - 多传感器噪声计算方法及信息融合方法、存储介质及设备 - Google Patents

多传感器噪声计算方法及信息融合方法、存储介质及设备 Download PDF

Info

Publication number
CN112990256A
CN112990256A CN202011594824.8A CN202011594824A CN112990256A CN 112990256 A CN112990256 A CN 112990256A CN 202011594824 A CN202011594824 A CN 202011594824A CN 112990256 A CN112990256 A CN 112990256A
Authority
CN
China
Prior art keywords
measurement
representing
matrix
noise
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011594824.8A
Other languages
English (en)
Inventor
王靳然
董鹏
宋勋
卢闯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Electronic System Engineering
Original Assignee
Beijing Institute of Electronic System Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Electronic System Engineering filed Critical Beijing Institute of Electronic System Engineering
Priority to CN202011594824.8A priority Critical patent/CN112990256A/zh
Publication of CN112990256A publication Critical patent/CN112990256A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Abstract

本方案公开了一种多传感器噪声计算方法，包括计算基于student‑t分布的融合自由度参数值；计算多传感器的过程噪声和测量噪声。基于本方案的噪声计算方法可有效应用于过程噪声和量测噪声存在异常值时的多传感器融合，可以在该情况下实现稳定的状态估计。

Description

多传感器噪声计算方法及信息融合方法、存储介质及设备
技术领域
本发明涉及测量技术领域，特别涉及一种多传感器噪声计算方法及信息融合方法、存储介质及设备。
背景技术
多传感器融合是利用计算机技术，将来自多传感器或多源的信息和数据以一定的准则进行自动分析和综合，以完成所需的决策和估计而进行的信息处理过程。通过将各种传感器进行多层次、多空间的信息互补和优化组合处理，最终产生对观测环境的一致性解释，目前已在军事、工业监控、智能检测、机器人、图像分析、目标检测与跟踪、自动目标识别等领域获得普遍关注和广泛应用。
传统的基于高斯噪声分布假设的滤波器在多传感器信息融合中得到了广泛的应用。中心极限定理表明，许多小的任意分布的噪声效应加起来为一个高斯随机变量，并且在许多情况下证明对某些信号噪声分布的高斯假设是正确的。除此以外，在信号处理中，高斯分布还因其方便的结果和闭合的表达式而受欢迎。但在实际中，某些信号噪声会存在一些分布比较发散，远离平均值的异常值，这些异常值无法通过高斯分布建模产生。因而不适用采用高斯分布对这些噪声分布进行假设。
发明内容
本方案的一个目的在于提供一种多传感器噪声的计算方法，该方法可以解决存在噪声异常值时的多传感器信息的融合问题。
本方案的另一个目的在于提供一种多传感器信息融合方法。
本方案的第三个目的在于提供一种执行上述方法的装置和设备。
为达到上述目的，本方案如下：
一种多传感器噪声的计算方法，该方法包括：
计算基于student-t分布的融合自由度参数值；
计算多传感器的过程噪声和测量噪声。
优选的，计算基于student-t分布的融合自由度参数值包括：
时间更新；
量测扩维；
融合更新。
优选的，所述时间更新包括如式(1)和式(2)所示的计算状态的一步预测和对应的误差协方差矩阵，
Figure RE-GDA0003064069870000021
Figure RE-GDA0003064069870000022
式(1)和式(2)中，
Figure RE-GDA0003064069870000023
表示k-1时刻状态的估计值，
Figure RE-GDA0003064069870000024
表示k时刻状态的一步预测值，Fk表示k时刻的状态转移矩阵，Qk-1表示服从Student-t分布的均值为零、自由度为ηk-1过程噪声的尺度矩阵，Pk-1表示状态估计
Figure RE-GDA0003064069870000025
的误差协方差阵，Pk|k-1表示状态一步预测
Figure RE-GDA0003064069870000026
的误差协方差阵。
优选的，所述量测扩维包括如式(3)至式(6)所示的对量测误差方差、量测矩阵和量测向量进行扩维，
Figure RE-GDA0003064069870000027
Figure RE-GDA0003064069870000028
Figure RE-GDA0003064069870000029
Figure RE-GDA00030640698700000210
式(3)至式(6)中，
Figure RE-GDA00030640698700000211
表示k时刻传感器i的量测，
Figure RE-GDA00030640698700000212
表示k时刻传感器 i的量测噪声，
Figure RE-GDA00030640698700000213
表示k时刻传感器i的量测噪声方差阵，
Figure RE-GDA00030640698700000214
表示k时刻传感器 i的量测矩阵，
Figure RE-GDA00030640698700000215
和
Figure RE-GDA00030640698700000216
分别表示扩维后的系统量测、量测噪声、量测噪声方差阵和量测矩阵，这里假设扩维后的量测噪声服从均值为零，自由度为ηk-1，尺度矩阵为
Figure RE-GDA00030640698700000310
的student-t分布。
优选的，所述融合更新包括：
如式(7)和式(8)所示的计算新息和相应的协方差；
如式(9)所示的计算滤波器增益；
如式(10)至式(12)所示的更新状态及其对应的误差协方差矩阵；
如式(13)所示的更新自由度参数；
Figure RE-GDA0003064069870000031
Figure RE-GDA0003064069870000032
式(7)和式(8)中，
Figure RE-GDA0003064069870000033
为新息，Sk为其对应的协方差；
Figure RE-GDA0003064069870000034
Figure RE-GDA0003064069870000035
Figure RE-GDA0003064069870000036
Figure RE-GDA0003064069870000037
式(10)至式(12)中
Figure RE-GDA0003064069870000038
表示k时刻的后验状态估计，Pk表示其对应的协方差矩阵，nz表示量测向量
Figure RE-GDA0003064069870000039
的维数；
ηk＝ηk-1+nz (13)。
第二方面，提供一种多传感器信息融合方法，基于如上任一项所述的噪声计算方法融合多传感器信息。
第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法的步骤。
第四方面，提供一种电子设备，包括：存储器，一个或多个处理器；存储器与处理器通过通信总线相连；处理器被配置为执行存储器中的指令；所述存储介质中存储有用于执行如上所述方法中各个步骤的指令。
本方案的有益效果如下：
本发明的多传感器信息融合方法，对滤波和融合过程进行了详细的描述，该方法可有效应用于过程噪声和量测噪声存在异常值时多传感器融合，可以在该情况下实现稳定的状态估计。
附图说明
为了更清楚地说明本方案的实施，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本方案的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为多传感器噪声计算方法流程图；
图2为一种电子设备示意图；
图3为目标真实轨迹和估计值示意图；
图4为不同方法的位置均方根误差示意图。
具体实施方式
下面将结合附图对本方案的实施方式作进一步地详细描述。显然，所描述的实施例仅是本方案的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本方案中的实施例及实施例中的特征可以相互组合。
说明书和权利要求书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备，不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
由于在信号处理的应用中，存在发散的，不能用高斯分布建模产生或表示的噪声异常值，所以研究具有比高斯分布图的尾部要厚的分布图形是合理的， Student-t分布可能表现出很重的尾部，但仍然与高斯分布具有许多相似的特性，并且通过具有无限自由度的Student-t分布可以获得高斯分布。与高斯分布不同的是Student-t分布可以显示重尾效应，即当偏离平均值时，密度没有高斯分布下降得快，而此特征适合于处理异常值。
基于上述的发现，本发明提供一种多传感器噪声计算方法及信息融合方法，通过科学系统的对滤波和融合方法进行描述，对公式进行展示，对流程进行介绍，在噪声存在异常值时实现稳定的状态估计。
如图1所示，本方案首先提供一种多传感器噪声的计算方法，该方法包括：
S1，计算基于student-t分布的融合自由度参数值；
S2，计算多传感器的过程噪声和测量噪声。
其中，步骤S1计算基于student-t分布的融合自由度参数值包括：时间更新；量测扩维和融合更新。
本方案进一步提供一种计算机可读存储介质。该计算机可读存储介质用于实现上述数据采集方法的程序产品，其可以采用便携式紧凑盘只读存储器 (CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本方案操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如JAvA、C++ 等，还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN) 或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本方案进一步提供一种电子设备。不应对本方案实施例的功能和使用范围带来任何限制。
如图2所示，电子设备201以通用计算设备的形式表现。电子设备201的组件可以包括但不限于：至少一个存储单元202、至少一个处理单元203、显示单元204和用于连接不同系统组件的总线205。
其中，所述存储单元202存储有程序代码，所述程序代码可以被所述处理单元203执行，使得所述处理单元203执行上述数据采集方法中描述的各种示例性实施方式的步骤。例如，所述处理单元203可以执行如图1中所示的步骤。
存储单元202可以包括易失性存储单元，例如随机存取存储单元(RAM)和/ 或高速缓存存储单元，还可以进一步包括只读存储单元(ROM)。
存储单元202还可以包括具有程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线205可以包括数据总线、地址总线和控制总线。
电子设备201也可以与一个或多个外部设备207(例如键盘、指向设备、蓝牙设备等)通信，这种通信可以通过输入/输出(I/O)接口206进行。应当明白，尽管图中未示出，可以结合电子设备201使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
下面以一个二维平面的跟踪问题为例，具体说明在根据本方案计算出基于Student-t分布的融合自由度参数值后，对多传感器信息的融合过程。
本实施例中，跟踪系统中具有5个传感器，测量模型如式(18)所示,
首先,按如下步骤计算基于student-t分布的融合自由度参数值：
时间更新；
量测扩维；
融合更新；
其中，时间更新包括如式(1)和式(2)所示的计算状态的一步预测和对应的误差协方差矩阵，
Figure RE-GDA0003064069870000081
Figure RE-GDA0003064069870000082
式(1)和式(2)中，
Figure RE-GDA0003064069870000083
表示k-1时刻状态的估计值，
Figure RE-GDA0003064069870000084
表示k时刻状态的一步预测值，Fk表示k时刻的状态转移矩阵，Qk-1表示服从Student-t分布的均值为零、自由度为ηk-1过程噪声的尺度矩阵，Pk-1表示状态估计
Figure RE-GDA0003064069870000085
的误差协方差阵，Pk|k-1表示状态一步预测
Figure RE-GDA0003064069870000086
的误差协方差阵；
量测扩维包括如式(3)至式(6)所示的对量测误差方差、量测矩阵和量测向量进行扩维，
Figure RE-GDA0003064069870000087
Figure RE-GDA0003064069870000088
Figure RE-GDA0003064069870000089
Figure RE-GDA00030640698700000810
式(3)至式(6)中，
Figure RE-GDA00030640698700000811
表示k时刻传感器i的量测，
Figure RE-GDA00030640698700000812
表示k时刻传感器 i的量测噪声，
Figure RE-GDA00030640698700000813
表示k时刻传感器i的量测噪声方差阵，
Figure RE-GDA00030640698700000814
表示k时刻传感器 i的量测矩阵，
Figure RE-GDA00030640698700000815
和
Figure RE-GDA00030640698700000816
分别表示扩维后的系统量测、量测噪声、量测噪声方差阵和量测矩阵，这里假设扩维后的量测噪声服从均值为零，自由度为ηk-1，尺度矩阵为
Figure RE-GDA00030640698700000817
的student-t分布。
融合更新包括：
如式(7)和式(8)所示的计算新息和相应的协方差；
如式(9)所示的计算滤波器增益；
如式(10)至式(12)所示的更新状态及其对应的误差协方差矩阵；
如式(13)所示的更新自由度参数；
Figure RE-GDA00030640698700000818
Figure RE-GDA00030640698700000819
式(7)和式(8)中，
Figure RE-GDA0003064069870000091
为新息，Sk为其对应的协方差；
Figure RE-GDA0003064069870000092
Figure RE-GDA0003064069870000093
Figure RE-GDA0003064069870000094
Figure RE-GDA0003064069870000095
式(10)至式(12)中
Figure RE-GDA0003064069870000096
表示k时刻的后验状态估计，Pk表示其对应的协方差矩阵，nz表示量测向量
Figure RE-GDA0003064069870000097
的维数。
ηk＝ηk-1+nz (13)；
跟踪的二维平面目标动态包含状态
Figure RE-GDA0003064069870000098
可以根据下式(14)和 (15)建模，
Figure RE-GDA0003064069870000099
式(14)中，
Figure RE-GDA00030640698700000910
采样时间为1s，且
Figure RE-GDA00030640698700000911
目标轨迹由式(14)和式(15)所示的模型生成，具有如式(16)所示的真实初始状态
x0＝[2600m,20m/s,3800m,10m/s]T (16)
在仿真中，滤波器的初始状态是从每个仿真中的N(x0,P0)中随机选择的，其中
P0＝diag([502m2,52m2/s2,502m2,52m2/s2]) (17)
本实施例的5个传感器的测量模型为
Figure RE-GDA00030640698700000912
假设有一个名义测量噪声方差R＝diag([(20m)2,(20m)2])，那么重尾传感器节点的测量噪声由高斯混合产生，如式(19)所示，
Figure RE-GDA0003064069870000101
式(19)中，po是测量异常值的概率。
过程噪声的产生过程与测量噪声的产生过程类似，过程噪声如式(20)所示，
Figure RE-GDA0003064069870000102
式(20)中，名义过程噪声方差由式(1)定义。
本实施例使用Matlab语言对所提出的算法进行了测试并与传统的基于高斯分布的方法进行对比。图3给出了单次仿真的目标轨迹的真实值和估计值。图 4给出由100次蒙特卡洛仿真获得的不同方法估计结果的位置均方根误差。从图3和图4中可以看出，本发明提出的方法能够有效提升噪声存在异常值时对目标状态的估计精度。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种多传感器噪声计算方法，其特征在于，该方法包括：
计算基于student-t分布的融合自由度参数值；
计算多传感器的过程噪声和测量噪声。
2.根据权利要求1所述的计算方法，其特征在于，计算基于student-t分布的融合自由度参数值包括：
时间更新；
量测扩维；
融合更新。
3.根据权利要求2所述的计算方法，其特征在于，所述时间更新包括如式(1)和式(2)所示的计算状态的一步预测和对应的误差协方差矩阵，
Figure RE-FDA0003064069860000011
Figure RE-FDA0003064069860000012
式(1)和式(2)中，
Figure RE-FDA0003064069860000013
表示k-1时刻状态的估计值，
Figure RE-FDA0003064069860000014
表示k时刻状态的一步预测值，Fk表示k时刻的状态转移矩阵，Qk-1表示服从Student-t分布的均值为零、自由度为ηk-1过程噪声的尺度矩阵，Pk-1表示状态估计
Figure RE-FDA0003064069860000015
的误差协方差阵，Pk|k-1表示状态一步预测
Figure RE-FDA0003064069860000016
的误差协方差阵。
4.根据权利要求3所述的计算方法，其特征在于，所述量测扩维包括如式(3)至式(6)所示的对量测误差方差、量测矩阵和量测向量进行扩维，
Figure RE-FDA0003064069860000017
Figure RE-FDA0003064069860000018
Figure RE-FDA0003064069860000019
Figure RE-FDA00030640698600000110
式(3)至式(6)中，
Figure RE-FDA00030640698600000111
表示k时刻传感器i的量测，
Figure RE-FDA00030640698600000112
表示k时刻传感器i的量测噪声，
Figure RE-FDA00030640698600000113
表示k时刻传感器i的量测噪声方差阵，
Figure RE-FDA00030640698600000114
表示k时刻传感器i的量测矩阵，
Figure RE-FDA00030640698600000115
和
Figure RE-FDA00030640698600000116
分别表示扩维后的系统量测、量测噪声、量测噪声方差阵和量测矩阵，这里假设扩维后的量测噪声服从均值为零，自由度为ηk-1，尺度矩阵为
Figure RE-FDA0003064069860000021
的student-t分布。
5.根据权利要求4所述的计算方法，其特征在于，所述融合更新包括：
如式(7)和式(8)所示的计算新息和相应的协方差；
如式(9)所示的计算滤波器增益；
如式(10)至式(12)所示的更新状态及其对应的误差协方差矩阵；
如式(13)所示的更新自由度参数；
Figure RE-FDA0003064069860000022
Figure RE-FDA0003064069860000023
式(7)和式(8)中，
Figure RE-FDA0003064069860000024
为新息，Sk为其对应的协方差；
Figure RE-FDA0003064069860000025
Figure RE-FDA0003064069860000026
Figure RE-FDA0003064069860000027
Figure RE-FDA0003064069860000028
式(10)至式(12)中
Figure RE-FDA0003064069860000029
表示k时刻的后验状态估计，Pk表示其对应的协方差矩阵，nz表示量测向量
Figure RE-FDA00030640698600000210
的维数；
ηk＝ηk-1+nz (13)。
6.一种多传感器信息融合方法，其特征在于，基于如权利要求1至5任一项所述的噪声计算方法融合多传感器信息。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求6所述方法的步骤。
8.一种电子设备，其特征在于，包括：存储器，一个或多个处理器；存储器与处理器通过通信总线相连；处理器被配置为执行存储器中的指令；所述存储介质中存储有用于执行如权利要求6所述方法中各个步骤的指令。
CN202011594824.8A 2020-12-29 2020-12-29 多传感器噪声计算方法及信息融合方法、存储介质及设备 Pending CN112990256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011594824.8A CN112990256A (zh) 2020-12-29 2020-12-29 多传感器噪声计算方法及信息融合方法、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011594824.8A CN112990256A (zh) 2020-12-29 2020-12-29 多传感器噪声计算方法及信息融合方法、存储介质及设备

Publications (1)

Publication Number Publication Date
CN112990256A true CN112990256A (zh) 2021-06-18

Family

ID=76345110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011594824.8A Pending CN112990256A (zh) 2020-12-29 2020-12-29 多传感器噪声计算方法及信息融合方法、存储介质及设备

Country Status (1)

Country Link
CN (1) CN112990256A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115664561A (zh) * 2022-10-25 2023-01-31 中国科学院长春光学精密机械与物理研究所 极性度量的相位噪声通信检测方法、通信设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107167785A (zh) * 2017-07-11 2017-09-15 吉林大学 一种稳健的大阵列mimo雷达目标收发角联合估计方法
CN108759838A (zh) * 2018-05-23 2018-11-06 安徽科技学院 基于秩卡尔曼滤波器的移动机器人多传感器信息融合方法
CN109061579A (zh) * 2018-08-03 2018-12-21 中国航空工业集团公司雷华电子技术研究所 一种带厚尾噪声的鲁棒容积滤波方法
CN109696669A (zh) * 2018-12-24 2019-04-30 北京理工大学 一种相关噪声环境下事件触发的多传感器融合估计方法
CN109740757A (zh) * 2019-01-25 2019-05-10 电子科技大学 一种基于序贯蒙特卡罗方法的贝叶斯优化方法
CN110490273A (zh) * 2019-09-12 2019-11-22 河南牧业经济学院 噪声方差不精确建模的多传感器系统融合滤波算法
CN111178385A (zh) * 2019-12-02 2020-05-19 江苏大学 一种鲁棒在线多传感器融合的目标跟踪方法
CN111480126A (zh) * 2017-12-18 2020-07-31 三菱电机株式会社 用于控制系统的设备和方法
CN111881955A (zh) * 2020-07-15 2020-11-03 北京经纬恒润科技有限公司 多源传感器信息融合方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107167785A (zh) * 2017-07-11 2017-09-15 吉林大学 一种稳健的大阵列mimo雷达目标收发角联合估计方法
CN111480126A (zh) * 2017-12-18 2020-07-31 三菱电机株式会社 用于控制系统的设备和方法
CN108759838A (zh) * 2018-05-23 2018-11-06 安徽科技学院 基于秩卡尔曼滤波器的移动机器人多传感器信息融合方法
CN109061579A (zh) * 2018-08-03 2018-12-21 中国航空工业集团公司雷华电子技术研究所 一种带厚尾噪声的鲁棒容积滤波方法
CN109696669A (zh) * 2018-12-24 2019-04-30 北京理工大学 一种相关噪声环境下事件触发的多传感器融合估计方法
CN109740757A (zh) * 2019-01-25 2019-05-10 电子科技大学 一种基于序贯蒙特卡罗方法的贝叶斯优化方法
CN110490273A (zh) * 2019-09-12 2019-11-22 河南牧业经济学院 噪声方差不精确建模的多传感器系统融合滤波算法
CN111178385A (zh) * 2019-12-02 2020-05-19 江苏大学 一种鲁棒在线多传感器融合的目标跟踪方法
CN111881955A (zh) * 2020-07-15 2020-11-03 北京经纬恒润科技有限公司 多源传感器信息融合方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YAN, LIPING等: "Distributed fusion estimation for multisensor systems with non-Gaussian but heavy-tailed noises", 《ISA TRANSACTIONS》, vol. 101, 30 June 2020 (2020-06-30), pages 160 - 169, XP086170969, DOI: 10.1016/j.isatra.2020.02.004 *
朱浩: "一类动态贝叶斯网络模型及其应用研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 2, 15 February 2013 (2013-02-15), pages 55 - 64 *
朱浩: "一类动态贝叶斯网络模型及其应用研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 2, pages 55 - 64 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115664561A (zh) * 2022-10-25 2023-01-31 中国科学院长春光学精密机械与物理研究所 极性度量的相位噪声通信检测方法、通信设备及介质
CN115664561B (zh) * 2022-10-25 2024-04-02 中国科学院长春光学精密机械与物理研究所 极性度量的相位噪声通信检测方法、通信设备及介质

Similar Documents

Publication Publication Date Title
Gao et al. Long short-term memory-based deep recurrent neural networks for target tracking
Madankan et al. Polynomial-chaos-based Bayesian approach for state and parameter estimations
Chorin et al. Discrete approach to stochastic parametrization and dimension reduction in nonlinear dynamics
Adeli et al. Dynamic fuzzy wavelet neural network model for structural system identification
Abdeljaber et al. Nonparametric structural damage detection algorithm for ambient vibration response: utilizing artificial neural networks and self-organizing maps
Pozna et al. New results in modelling derived from Bayesian filtering
CN110686633B (zh) 一种滑坡位移预测方法、装置及电子设备
CN111145076A (zh) 数据并行化处理方法、系统、设备及存储介质
Safarinejadian et al. Fault detection in non-linear systems based on GP-EKF and GP-UKF algorithms
CN113792464A (zh) 耦合接口交互方法、系统、仿真系统、设备及存储介质
CN112256886A (zh) 图谱中的概率计算方法、装置、计算机设备及存储介质
Obadina et al. Dynamic characterization of a master–slave robotic manipulator using a hybrid grey wolf–whale optimization algorithm
CN112990256A (zh) 多传感器噪声计算方法及信息融合方法、存储介质及设备
Li et al. Nonlinear model identification from multiple data sets using an orthogonal forward search algorithm
Kofnov et al. Moment-based invariants for probabilistic loops with non-polynomial assignments
JP2009507309A (ja) モデリング言語における物理計量単位
Zhou et al. Hybrid regression model via multivariate adaptive regression spline and online sequential extreme learning machine and its application in vision servo system
US10817629B2 (en) Discretization of a model of a system or a portion of the model using system inputs and outputs
Moya et al. Bayesian, Multifidelity Operator Learning for Complex Engineering Systems–A Position Paper
CN112697146B (zh) 一种基于稳健回归的航迹预测方法
Claraco Contributions to localization, mapping and navigation in mobile robotics
Kalra et al. Automated scheme for linearisation points selection in TPWL method applied to non‐linear circuits
Farrokhsiar et al. A teaching tool for the state‐of‐the‐art probabilistic methods used in localization of mobile robots
Lauttia Adaptive Monte Carlo Localization in ROS
US11210155B1 (en) Performance data analysis to reduce false alerts in a hybrid cloud environment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination