排序方式: 共有42条查询结果,搜索用时 187 毫秒
1.
2.
研究了具有数据包丢失和随机不确定性离散随机线性系统的状态估计问题.其中数据包丢失是随机的,且满足Bernoulli分布,系统矩阵中的随机不确定性由一个白色乘性噪声来描述.首先,通过配方方法,提出了最小均方意义下的无偏最优线性递推满阶滤波器.所提出的滤波器用到了当前时刻和最近时刻接收到的观测来保证线性最优性.与多项式滤波和增广滤波器相比,本文的滤波器具有较小的计算负担.然后,基于所获得的线性滤波器推导了线性最优预报器和平滑器.进一步研究了线性最优估值器的渐近稳定性,给出了稳态特性存在的一个充分条件.最后,通过两个仿真例子验证了所提估计算法的优越性. 相似文献
3.
为了克服带相关噪声控制系统的最优固定区间Kalman平滑算法要求较大计算负担的缺点,应用Kalman滤波方法,基于CARMA新息模型,由稳态最优Kalman平滑器导出了带相关噪声控制系统的最优固定区间Wiener递推状态平滑器,它带有系数阵指数衰减到零的高阶多项式矩阵.用截断系数矩阵近似为零的项的方法提出了相应的快速次优固定区间Wiener平滑算法.它显著地减少了计算负担,便于实时应用,还给出了截断误差公式和选择截断指标的公式.仿真例子说明了快速平滑算法的有效性. 相似文献
4.
5.
对带相关噪声的异步均匀采样线性离散系统, 研究了分布式最优线性递推融合预报和滤波问题. 通过引入
满足伯努利分布的随机变量将系统同步化, 给出了局部Kalman预报器和滤波器. 分别推导了局部估值间的互协方
差阵、分布式最优线性融合估值与局部估值间的互协方差阵. 提出了分布式最优线性递推融合预报器和滤波器. 与
局部估值按矩阵加权的分布式融合估计算法相比, 所提出的算法具有更高的估计精度, 但与集中式融合相比有精度
损失. 为了进一步提高估计精度, 又提出了带反馈的分布式最优线性递推融合预报器和滤波器, 证明了带反馈的融
合估计与集中式融合估计具有相同的精度. 仿真例子验证了所提算法的有效性. 相似文献
6.
7.
8.
9.
在网络控制系统和传感器网络中,可能的传感器观测数据丢失使得系统的观测具有不确定性。应用新息分析方法,对传感器具有数据丢失的不确定观测线性离散随机系统,提出了统一和通用的白噪声估计算法,包括输入白噪声估值器和观测白噪声估值器。可统一处理传感器具有数据丢失的白噪声的最优滤波、预报和平滑问题。同时,给出了稳态白噪声估值器和相应的Wiener白噪声估值器。当没有数据丢失时,所得的结果恰是以往基于完整观测数据的白噪声估值器。仿真研究验证了算法的有效性。 相似文献
10.
多模型多传感器信息融合Kalman平滑器 总被引:8,自引:1,他引:8
基于标量加权的线性最小方差最优信息融合算法,对多模型多传感器离散线性随机系统,给出了一种分布式标量加权信息融合固定滞后Kalman平滑器.它只需计算加权标量系数,可减小在融合中心的计算负担.当各子系统存在稳态滤波时,又给出了标量加权信息融合稳态平滑器,它计算量小,便于实时应用.并给出了两个子系统之间的平滑误差互协方差阵的计算公式.仿真例子验证了其有效性. 相似文献