多传感器分布式融合Kalman预报器

应用现代时间序列分析方法,基于ARMA新息模型,在线性最小方差最优信息融合准则下,对于输入噪声与观测噪声相关且观测噪声相关的多传感器系统,分别提出了按矩阵加权、按标量加权和按对角阵加权的3种分布式融合稳态Kalman预报器。其中提出了基于Lyapunov方程的局部预报估值误差方差阵和协方差阵计算公式。它们被用于计算最优加权,与单传感器情形相比,可提高估值器的精度。一个跟踪系统的仿真例子说明了其有效性,且说明了3种加权融合预报器的精度无显著差别。但标量加权融合预报器可显著减小计算负担,提供一种快速实时信息融合估计算法。

多传感器分布式协方差信息融合Kalman滤波理论

对于带多传感器和带相关噪声的线性离散时变随机控制系统,基于按矩阵加权、按对角阵加权和按标量加权的三种最优信息融合规则,提出了相应的三种分布式最优信息融合Kalman估值器,可统一处理融合滤波、预报和平滑问题。为了计算最优加权,提出了计算局部估计误差协方差公式。作为特殊情形,还提出了定常系统的稳态最优信息融合Kalman估值器,其中用解Lyapunov方程计算局部估计误差协方差。同集中融合Kalman估值器相比,可减小计算负担。同单传感器Kalman估值器相比,可提高精度。它们构成了统一和通用的分布式协方差信息融合Kalman滤波理论。

具有一步随机滞后和丢包多传感器系统分布式递推融合预报器

研究了具有一步随机滞后和丢包多传感器系统的分布式递推融合估计问题。利用满足伯努利分布的随机变量描述传感器到估计器的随机滞后和丢包现象。通过定义新变量,将原系统等价地转化为随机参数化系统。基于局部最优线性估值,局部估值之间的互协方差阵,以及先验融合估值和局部估值之间的互协方差阵,提出了分布式递推融合预报算法。给出稳态预报器存在的一个充分条件。通过仿真验证其有效性。

多传感器分布式融合白噪声反卷积滤波器

基于Kalman滤波方法和白噪声估计理论,在按矩阵加权线性最小方差最优融合准则下,提出了带ARMA有色观测噪声系统的多传感器分布式融合白噪声反卷积滤波器,其中推导出用Lyapunov方程计算最优加权的局部估计误差互协方差公式。与单传感器情形相比,可提高融合估值器精度。它可应用于石油地震勘探信号处理。一个三传感器分布式融合Bernoulli-Gauss白噪声反卷积平滑器的仿真例子说明了其有效性。

不确定系统改进的鲁棒协方差交叉融合稳态Kalman预报器

针对带随机参数和噪声方差两者不确定性的线性离散多传感器系统,利用虚拟噪声补偿随机参数不确定性,原系统可转化为仅带不确定噪声方差的系统.根据极大极小鲁棒估值原理,用Lyapunov方程方法提出局部鲁棒稳态Kalman预报器及其误差方差最小上界,并利用保守的局部预报误差互协方差,提出改进的鲁棒协方差交叉(Covariance intersection,CI)融合稳态Kalman预报器及其误差方差最小上界.克服了原始CI融合方法要求假设已知局部估值及它们的保守误差方差的缺点和融合误差方差上界具有较大保守性的缺点.证明了鲁棒局部和融合预报器的鲁棒性,并证明了改进的CI融合器鲁棒精度高于原始CI融合器鲁棒精度,且高于每个局部预报器的鲁棒精度.一个仿真例子验证了所提出结果的正确性和有效性.

信息融合超前k步稳态最优Kalman预报器和Wiener预报器

应用Kalman滤波方法,基于Riccati方程,在线性最小方差信息融合准则下,提出了两传感器信息融合超前k步稳态最优Kalman预报器和Wiener预报器,给出了最优加权阵和最小融合误差方差阵.同单传感器情形相比,可提高预报精度.一个雷达跟踪系统的仿真例子说明了其有效性.

两传感器信息融合超前k步稳态最优Kalman预报器

应用Kalman滤波方法 ,基于Riccati方程 ,对于带相关噪声的系统 ,在线性最小方差融合准则下 ,提出了两传感器按矩阵加权信息融合超前k步稳态最优Kalman预报器 ,给出了最优加权阵和最小融合预报误差方差阵的具体计算公式。同单传感器情形相比 ,可提高预报器的精度。

随机奇异系统多传感器信息融合Kalman多步预报器

应用Kalman滤波方法和奇异系统典范型分解,对单传感器随机奇异系统,给出了Kalman多步预报器新算法。对带多传感器随机奇异系统,基于线性最小方差标量加权融合算法,给出了具有两层融合结构的多传感器分布式最优信息融合Kalman 多步预报器。同时给出了任两个传感器之间的预报误差协方差阵的计算公式。当各传感器子系统存在稳态Kalman滤波时,又给出了稳态信息融合Kalman多步预报器。稳态权重可在各子系统达到稳态时通过一次融合计算获得,避免了每时刻计算协方差阵和融合权重,便于实时应用。仿真例子验证了其有效性。

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。

协方差交叉融合Kalman预报器

对于带未知局部预报误差互协方差的两传感器跟踪系统,通过协方差交叉融合方法,得到了协方差交叉融合稳态Kalman预报器,并用协方差椭圆的方法给出了其精度关系的几何解释。用相关方法证明了协方差交叉融合稳态Kalman预报器的精度高于每个局部稳态最优Kalman预报器,低于按矩阵加权融合稳态最优Kalman预报器。用一个Monte-Carlo仿真例子说明了协方差交叉融合稳态Kalman预报器的精度接近于稳态最优融合Kalman预报器。

多传感器最优信息融合Kalman多步预报器及其应用

提出了一种新的标量加权线性最小方差意义下的多传感器最优信息融合算法。该算法考虑了局部估计误差之间的相关性,只需计算加权标量,避免了加权矩阵的计算,明显减小了计算负担,便于实时应用。基于该融合算法,对被多个传感器观测的离散线性随机系统,给出了具有容错性的多传感器标量加权最优信息融合分布式Kalman多步预报器。它具有两层融合结构,其中第一融合层具有网状并行结构,用来获得每时刻每两个无故障传感器子系统之间的滤波误差互协方差阵;第二融合层用来确定最优标量加权系数,进而获得标量加权最优融合Kalman多步预报器。将其应用于雷达跟踪系统验证了其有效性。

自校正信息融合Kalman预报器

对含未知噪声统计的多传感器系统,用现代时间序列分析方法,基于滑动平均(MA)新息模型的在线辨识和求解相关函数矩阵方程组,可在线估计噪声统计,进而在按矩阵加权线性最小方差最优信息融合准则下,提出了自校正信息融合Kalman预报器。证明了它的收敛性,即它具有渐近最优性,且自校正融合Kal-man预报器比每个局部自校正Kalman预报器精度高。一个目标跟踪系统的仿真例子说明了其有效性。

带不确定噪声方差保性能鲁棒集中式融合Kalman预报器

对于带不确定噪声方差的多传感器系统,基于极大极小鲁棒估计原理,提出保证估计性能的集中式融合鲁棒稳态Kalman预报器.对于预置的估计精度偏差指标,利用Lagrange乘数法求得相应噪声方差的最大扰动域,使该域中所有可容许的噪声扰动,其实际精度对鲁棒精度的偏差被保证在预置范围内,并给出精度偏差的最大下界和最小上界.应用Lyapunov方程方法证明了保证估计性能能够被满足.仿真分析表明了所得结果的正确性和有效性.

多传感器广义系统的加权观测融合Kalman预报器

对于带相关观测噪声的多传感器线性离散随机广义系统,应用最小二乘法将各个传感器的观测信息融合为一个新的观测.再采用奇异值分解方法将原广义系统转化为两个互耦的子系统,且融合的观测也转化为其中一个状态分量的观测,从而将问题转化为单传感器常规系统的状态估计问题.对于新的降阶常规子系统,提出了全局最优的加权观测融合Kalman预报器及其预报误差方差阵.通过该方法所得广义系统的加权观测融合Kalman预报器的精度比基于状态融合的Kalman预报器的精度高,也高于局部Kalman预报器的精度,且克服了在状态融合方法中要求计算各个局部预报器的估计误差互协方差的局限性.一个多传感器广义系统的数值仿真例子说明其有效性.

带未知通信干扰和丢包补偿的多传感器系统的融合估计

研究了带未知通信干扰和丢包的多传感器系统的融合估计问题.用一组满足Bernoulli分布的随机变量来描述从不同传感器到融合中心或各局部数据处理子站的数据传输过程中的丢包现象.在丢包发生时,采用当前丢失观测的预报进行补偿.应用线性无偏最小方差估计准则,分别设计了不依赖于未知干扰的集中式融合状态预报器和按矩阵加权分布式融合状态预报器.最后,基于所提出的状态预报器设计了未知通信干扰估值器.仿真例子验证了算法的有效性.