时滞系统的多源数据融合卡尔曼滤波器研究

对于带观测时滞的线性离散时变随机控制优化问题,提出了观测变换方法,把带观测时滞状态空间模型等效地转换为无观测时滞的状态空间模型,接着应用卡尔曼(Kalman)滤波方法,在线性最小方差最优融合准则下,给出按矩阵、按对角阵和按标量加权三种最优信息融合卡尔曼(Kalman)滤波器,可分为局部最优全局次优的.融合器的精度高于每一个局部Kalman估值器的精度.可以减少用增广状态方法计算负担大的缺点.为了计算最优加权,给出了计算局部估计误差互协方差公式.对于带观测时滞的三传感器目标跟踪系统的Monte Carlo仿真例子证明了算法的有效性.     

多通道信号自校正分布式融合Kalman滤波器

对带未知参数的多传感器多通道自回归滑动平均(ARMA)信号,采用多维递推辅助变量(MRIV)方法得到自回归模型参数估值,通过Gevers-Wouters算法辨识滑动平均模型参数估值,再用相关方法得到噪声方差的估值。把所有的估值都代入到最优分布式融合信息滤波器中得到自校正分布式融合Kalman信息滤波器。该滤波器具有渐近全局最优性,一个多通道信号仿真例子验证了其有效性。     

多变量自回归信号信息融合辨识方法

近年来,为了提高系统模型和状态估计的精度,多传感器数据融合引起了广泛关注。对于带白色公共干扰噪声和有色观测噪声的多传感器多变量自回归（AR）模型,当AR模型参数和噪声方差未知时,提出了一种信息融合多段辨识方法,其中采用多维递推辅助变量（MRIV）方法得到AR模型参数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,通过一个信号仿真例子验证了其有效性。     

广义系统Kalman融合器的研究

研究带自回归滑动平均(ARMA)有色观测噪声的多传感器广义离散随机线性系统,根据Kalman滤波方法和白噪声估计理论,在线性最小方差信息融合准则下,应用奇异值分解和增广状态空间模型,为了提高融合器的精度,提出了按矩阵加权降阶稳态广义Kalman融合器,可统一处理稳态滤波、平滑和预报问题,可减少计算负担和改善局部估计精度。并提出最优加权系数的局部估计误差方差和协方差阵的计算公式。用一个Monte Carlo数值仿真实例说明了所提方法的有效性。     

网络化不确定系统集中式融合鲁棒稳态估值器

对于一类在状态转移阵和系统观测阵中带相同的状态依赖乘性噪声、带噪声依赖乘性噪声、一步随机观测滞后、丢包和不确定噪声方差的多传感器网络化系统,文章研究其鲁棒集中式融合稳态滤波问题.应用增广方法将系统转换为带随机参数矩阵、相同过程和观测噪声的集中式融合系统.应用去随机化方法和虚拟噪声技术,系统进一步转化为仅带不确定噪声方差的集中式融合系统.根据极大极小鲁棒估计原理,本文提出了鲁棒集中式融合稳态Kalman估值器(预报器、滤波器和平滑器),证明了所提出的集中式融合估值器的鲁棒性,给出了鲁棒局部与集中式融合估值器之间的精度关系.本文提出了应用于多传感器多通道滑动平均(MA)信号估计的一个实例,给出了相应的鲁棒局部和集中式融合信号估值器.仿真实验验证了所提出方法的有效性和正确性.     

带有色观测噪声的广义系统Kalman滤波器

对于带自回归滑动平均(ARMA)有色观测噪声的多传感器为广义离散随机线性系统,应用奇异值分解,将其变换为等价的两个降阶多传感器子系统,提出了广义系统多传感器信息融合状态滤波问题。为了提高精度,采用Kalman滤波方法,在线性最小方差按块对角阵最优加权融合准则下,给出了按矩阵加权解耦的分布式Kalman滤波器,可减少计算负担和改善局部滤波精度。为了计算最优加权,提出了局部滤波误差协方差阵的计算公式。一个Monte Carlo仿真例子说明了方法的有效性。     

含未知参数的自校正融合Kalman滤波器及其收敛性

对于带未知模型参数和噪声方差的多传感器系统,基于分量按标量加权最优融合准则,提出了自校正解耦融合Kalman滤波器,并应用动态误差系统分析(Dynamic error system analysis,DESA)方法证明了它的收敛性.作为在信号处理中的应用,对带有色和白色观测噪声的多传感器多维自回归(Autoregressive,AR)信号,分别提出了AR信号模型参数估计的多维和多重偏差补偿递推最小二乘(Bias compensated recursive least-squares,BCRLS)算法,证明了两种算法的等价性,并且用DESA方法证明了它们的收敛性.在此基础上提出了AR信号的自校正融合Kalman滤波器,它具有渐近最优性.仿真例子说明了其有效性.     

自校正解耦融合Kalman预报器及其收敛性

对于带有未知模型参数和噪声方差的多传感器系统,通过系统辨识方法,得到模型参数和噪声方差的信息融合估计,将其代入到最优分量按标量加权融合Kalman预报器中,得到自校正信息融合Kalman预报器,实现了状态分量的解耦。通过动态误差系统分析（DESA）方法严格证明了提出的自校正Kalman预报器按一个实现收敛于最优融合Kalman预报器,因此它有渐近最优性。应用信号处理的仿真例子验证了其有效性。