多传感器标量加权最优信息融合稳态Ka lman 滤波器

提出一种新的标量加权多传感器线性最小方差意义下的最优信息融合准则．该准则考虑了局部估计误差之间的相关性，只需计算加权标量系数，避免了加权矩阵的计算，明显减小了计算量，便于实时应用．运用稳态Kalman滤波理论，基于该融合准则，给出了多传感器最优信息融合稳态Kalman滤波器．在所有局部滤波器达到稳态时，只需一次融合便可获得信息融合稳态滤波器，算法简单．仿真例子验证了其有效性．     

统一的快速次优固定区间白噪声Wiener平滑算法

对带相关噪声的线性离散随机控制系统,应用Kalman滤波方法,基于CARMA新息模 型导出了统一的最优固定区间白噪声递推Wiener平滑器,它带有系数阵指数衰减到零的高阶多 项式矩阵.进一步用截断方法提出了相应的快速次优固定区间自噪声Wiener平滑算法,它显著 地减小了计算负担.给出了平滑误差公式和选择截断指数的公式.一个Bernoulli-Gaussian白噪声 的仿真例子说明了所提出的结果的有效性.     

极点配置固定滞后稳态Kalman平滑器

基于稳态Kakman预报器和白噪声估计理论, 应用控制理论中的极点配置原理, 提出了极点配置固定滞后稳态Kalman平滑器. 它们不仅是全局渐近稳定的, 而且通过配置平滑器的极点可使初始平滑估值的影响按指数衰减迅速消失. 它们避免了计算最优初始平滑估值, 可减小计算负担. 一个雷达跟踪系统的仿真例子说明了其有效性     

具有不同观测丢失率多传感器随机不确定系统的加权观测融合估计

本文研究了具有丢失观测的多传感器线性离散随机不确定系统的最优线性估计问题,其中不同的传感器具有不同的丢失率.首先将乘性噪声转化为加性噪声,然后基于矩阵满秩分解和加权最小二乘理论,提出了具有较小计算负担的加权观测融合估计算法.分析了加权观测融合估计算法的稳态特性,给出了稳态存在的一个充分条件.所提出的加权观测融合估值器与集中式融合估值器具有相同的精度,即具有全局最优性.仿真研究验证了算法的有效性.     

基于Gauss-Hermite逼近的非线性加权观测融合无迹Kalman滤波器

对非线性多传感器系统,基于Gauss-Hermite逼近方法和加权最小二乘法,提出了一种具有普适性的非线性加权观测融合算法.该算法可将一个高维观测压缩为一个低维观测.在此基础上,结合无迹Kalman滤波器（Unscented Kalman filter,UKF）,提出了非线性加权观测融合无迹Kalman滤波器（WMF（Weighted measurement fusion）-UKF）.与集中式融合UKF（CMF（Centralized measurement fusion）-UKF）相比,该算法计算负担小且具有逼近的估计精度.特别是在传感器数量较大时,该算法在计算量上的优势更加明显.仿真例子验证了算法的有效性.     

Wiener去卷滤波器设计新方法

应用现代时间序列分析方法,提出了多通道Wiener去卷滤波器设计的一种新的时 域方法.它的特点是基于ARMA新息模型可简单地得到渐近稳定的Wiener去卷滤波器,避 免了求解Diophantine方程,减小了计算负担,且可统一处理去卷滤波、平滑和预报问题.仿真 例子说明了其有效性.     

不受约束的全局最优加权观测融合估计

利用矩阵满秩分解方法,基于加权最小二乘理论提出了一种不受各传感器观测阵是否相同、观测噪声是否相关约束限制的加权观测融合估计算法。证明了其估计结果每时刻恒同于集中式融合Kalman估计结果,因而具有全局最优性,且可明显减小计算负担,便于实时应用。通过对GPS目标跟踪系统的两种方案进行仿真说明了它的功能等价性、快速性以及最优性。     

随机奇异系统分布式最优融合降阶卡尔曼滤波器

Based on the optimal fusion algorithm weighted by matrices in the linear minimum variance (LMV) sense, a distributed full-order optimal fusion Kalman filter (DFFKF) is given for discrete-time stochastic singular systems with multiple sensors, which involves the inverse of a high-dimension matrix to compute matrix weights. To reduce the computational burden, a distributed reduced-order fusion Kalman filter (DRFKF) is presented, which involves in parallel the inverses of two relatively low-dimension matrices to compute matrix weights. A simulation example shows the effectiveness.     

传感器饱和的非线性网络化系统模糊\begin{document}$H_{\infty}$\end{document}滤波

研究了基于T-S模糊模型描述的非线性网络化系统$H_{\infty}$滤波器设计问题.由于网络诱导时滞的存在, 使得一个采样周期内, 到达接收端的数据可能是一个或多个, 也可能没有任何数据.提出传感器冗余策略解决由于饱和而引起的传感器件失效的问题.为降低结果的保守性, 选择模糊规则依赖的Lyapunov函数对滤波误差系统进行稳定性分析, 给出使滤波误差系统均方渐近稳定且具有指定$H_{\infty}$性能的充分条件, 滤波器参数通过求解一组线性矩阵不等式(Linear matrix inequalities, LMIs)得到.仿真研究结果表明算法的有效性.     

带未知观测输入和观测丢失多传感器随机不确定系统的集中式融合滤波

对带未知观测输入和观测丢失的多传感器随机不确定系统设计了集中式融合滤波器。通过乘性噪声描述的随机不确定性存在于系统的状态和观测矩阵中。在没有观测干扰任何先验信息的情况下,应用线性无偏最小方差准则,设计了不依赖于未知观测输入的具有Kalman形式的集中式融合滤波器。仿真验证了算法的有效性。