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。     

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。     

MA模型参数估计的两段最小二乘法及其在自校正跟踪滤波器中的应用

提出了滑动平均（MA）模型参数估计的两段最小二乘法。首先用递推最小二乘法对MA模型拟合一个高阶自回归（AR）模型,然后再用最小二乘法一个不相容的超定性方程组得到MA模型参数估值。一个应用于自校正跟踪滤波器的仿真例子说明了其有效性。     

两传感器信息融合稳态最优Kalman滤波器

应用现代时间序列分析方法,基于ARMA新息模型提出了两传感器最优信息融合稳态Kalman滤波器。为实现最优融合,分别提出了计算局部滤波稳态误差方差和协方差阵的Lyapunov方程和拟Lyapunov方程及其迭代算法,并证明了算法的收敛性。一个仿真例子说明了其有效性。     

两传感器信息融合最优白噪声反卷积Wiener滤波器

应用现代时间序列分析方法和白噪声估计理论,提出了两传感器最优信息融合白噪声反卷积Wiener滤波器,其中给出了局部滤波误差之间的协方差公式,它可被用于计算最优融合加权系数。一个仿真例子说明了其有效性。     

ARMA模型参数估计的两段最小二乘法

提出了自回归滑动平均(ARMA)模型参数估计的两段最小二乘法。首先用递推最小二乘法对真实ARMA模型拟合高阶自回归(AR)模型,然后基于所拟合的AR模型参数,用最小二乘法解一个不相容代数方程组得到ARMA模型参数。一个仿真的例子说明了其有效性。