多传感器AR信号自校正加权融合Wiener滤波器

对带多传感器和带未知模型参数及未知噪声方差的自回归(AR)信号,应用递推辅助变量(RIV)算法得到局部模型参数估值器,用相关方法得到局部噪声方差估值器。用取局部估值器的平均得到信息融合估值器。将它们代入最优加权融合AR信号Wiener滤波器,提出一种自校正加权融合Wiener滤波器。它们以概率1收敛于最优融合Wiener滤波器,因而具有渐近最优性。它的精度比每个局部自校正Wiener滤波器精度都高。仿真例子说明了其有效性。     

带未知模型参数的自校正集中式融合信息滤波器

对于带未知模型参数和噪声统计的多传感器系统,通过系统辨识方法,能够获得模型参数和噪声统计的在线估值,然后把它们代入到基于信息矩阵的最优集中式融合滤波器,得到自校正集中式融合Kalman滤波器。应用动态误差系统分析（DESA）方法,证明了自校正集中式融合Kalman滤波器收敛于最优集中式融合Kalman滤波器,因此它有渐近全局最优性。应用于信号处理的仿真例子说明了其有效性。     

自校正解耦融合Wiener状态预报器

对含未知模型参数和噪声统计的多传感器单输入单输出系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,可得到未知模型参数和噪声统计估值器,进而在按状态分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦信息融合Wiener状态预报器。它实现了自校正分量解耦局部Wiener状态预报器和自校正分量解耦融合预报器。证明了它的收敛性和渐近最优性。一个目标跟踪系统的仿真例子说明了其有效性。     

自校正加权观测融合Kalman估值器

对于带未知噪声统计的多传感器系统,应用现代时间序列分析方法,基于滑动平均（MA）新息模型参数的两段递推最小二乘法在线辨识,可在线估计未知噪声方差,进而提出了一种加权观测融合自校正Kalman估值器,可统一处理自校正滤波、预报和平滑问题,并证明了它的收敛性,即若MA新息模型参数估计是一致的,则它与相应的最优加权观测融合Kalman估值器的误差收敛到零,因而具有渐近全局最优性。一个带3传感器跟踪系统的仿真例子说明了其有效性。     

两传感器自校正信息融合Kalman滤波器

用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,对含有未知模型参数和噪声方差的两传感器线性离散随机系统,提出了自校正信息融合Kalman滤波器。它具有渐近最优性。一个仿真例子说明了其有效性。     

带MA有色观测噪声的单通道多传感器信息融合Wiener滤波器

应用现代时间序列分析方法,基于ARMA新息模型、白噪声估值器和观测预报器,对带滑动平均(MA)有色观测噪声的单通道ARMA信号,在线性最小方差最优信息融合准则下,提出了多传感器信息融合Wiener滤波器,可统一处理滤波、平滑和预报问题。提出了用于得到最优加权系数的局部滤波误差方差和协方差计算公式。同单传感器情形相比,可提高滤波精度。一个目标跟踪系统的仿真例子说明了其有效性。     

单通道ARMA信号信息融合Wiener反卷积滤波器

应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型、白噪声估值器和观测预报器,在线性最小方差最优加权信息融合准则下,对单通道ARMA信号提出了多传感器分布式融合Wiener反卷积滤波器,可统一处理融合滤波、平滑和预报问题。为了计算最优加权,提出了局部估计误差互协方差的计算公式。同单传感器情形相比,可提高滤波精度。一个仿真例子说明了其有效性和正确性。     

带有色观测噪声的多传感器ARMA模型信息融合辨识

对带已知有色观测噪声的未知自回归滑动平均模型(ARMA)模型,提出了一种两段信息融合辨识方法:第一段用递推辅助变量(RIV)算法得到自回归(AR)参数的局部和融合一致估值,第二段用Gevers-Wouters算法和用伪逆求解线性方程组方法得到滑动平均(MA)参数和噪声方差的局部和融合一致估值。该方法可用于语言增强信号处理问题。一个仿真例子说明其有效性。     

多传感器多变量AR模型信息融合辨识方法

对于带白色公共干扰噪声、白色观测噪声和传感器偏差的多传感器多变量自回归（AR）模型,当AR模型参数、传感器偏差和噪声方差未知时,提出了一种信息融合多段辨识方法,其中用多重递推增广最小二乘法（MRELS）得到AR模型参数和传感器偏差的局部和融合估值器,再用相关方法得到局部和融合噪声方差估值器。这些估值器具有一致性。一个仿真例子验证了其有效性。     

自校正信息融合Wiener反卷积滤波器

对于含有未知模型参数和噪声统计的多传感器信号反卷积系统,应用现代时间序列分析方法,基于自回归滑动平均（ARMA）新息模型参数的在线辨识,可在线估计噪声方差,进而提出了自校正信息融合Wiener反卷积滤波器。证明了它的渐近最优性,即若ARMA新息模型参数估计是一致的,则它收敛于当噪声方差已知时的最优融合Wiener反卷积滤波器。同单传感器情形相比,它可提高滤波精度。一个带三传感器的反卷积系统的仿真例子说明了其有效性。     

多传感器系统模型参数和噪声统计的一种信息融合辨识方法

对于带有未知模型参数和未知相关噪声统计的多传感器随机系统,基于ARMA新息模型,利用相关方法,用平均局部的模型参数和噪声统计估值器的方法,提出了模型参数和噪声统计信息的在线信息融合估计器,它们可以被解释为最小二乘融合估计,并证明了相应的辨识器具有强一致性,即以概率1收敛于相应的真实值.一个2传感器系统的仿真例子说明其有效性.     

带相关噪声系统的自校正观测融合Kalman滤波器

对于带有相关噪声和未知噪声统计的多传感器线性离散定常随机系统,利用相关方法,提出了噪声统计信息的在线估计器.基于ARMA新息模型,提出了自校正加权观测融合Kalman滤波器,避免了求解Lyapunov和Riccati方程,减少了计算负担,适于实时应用.利用动态误差系统分析(DESA)方法,严格证明了提出的自校正融合滤波器以概率1或按实现收敛于相应的最优融合滤波器,即具有渐近全局最优性.一个3传感器系统的仿真例子说明其有效性.     

ARMA信号自校正信息融合Wiener滤波器

对于带多传感器的含有未知模型参数和噪声统计的ARMA信号,应用现代时间序列分析方法,基于ARMA新息模型的在线辨识,提出了多传感器自校正信息融合Wiener滤波器。它具有渐近最优性,且可统一处理滤波、平滑和预报问题。一个跟踪系统的仿真例子说明了其有效性。     

多模型信息融合Wiener状态估值器

对多模型多传感器线性离散定常随机系统,应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型和白噪声估计理论,根据按矩阵加权、按对角阵加权和按标量加权三种最优融合规则,提出了系统公共状态的三种最优加权融合Wiener估值器。它们的精度高于每个局部估值器的精度,且可统一处理融合滤波、预报和平滑问题。为计算最优加权,提出计算局部估计误差互协方差公式。它们可用于带ARMA有色观测噪声系统状态融合滤波问题。一个跟踪系统MonteCarlo仿真例子说明其有效性。     

两传感器自校正信息融合白噪声Wiener反卷积滤波器

应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型,对于带未知模型参数和噪声方差的两传感器反卷积系统,提出了自校正信息融合白噪声Wiener反卷积滤波器。它具有渐近最优性。一个Bernoulli-Gaussian白噪声反卷积的仿真例子说明了其有效性。