一类动态多尺度系统融合估计算法的分析

为了进一步认识基于状态空间投影的一类动态多尺度系统的融合估计算法本质,本文对该算法进行了分析．首先,将该融合估计算法和在最细尺度上直接进行卡尔曼滤波的算法性能进行了比较,并用仿真进行了验证．结果表明,在最细尺度上,融合估计效果比直接进行卡尔曼滤波的效果好．其次,从计算过程和计算量方面,与一般的时间配准方法进行了对比分析．结果表明,该融合估计算法用比较严谨的数学模型代替了时间配准,可以在每个尺度上获得基于全部观测信息的最优估计,但计算量比时间配准方法大．本文的研究为基于状态空间投影的一类动态多尺度系统的融合估计算法的实际应用奠定了基础．

基于M带小波的动态多尺度系统融合估计

研究一类动态多尺度系统的融合估计方法,这类系统具有已知的动态系统模型约束,由具有不同采样率的多个传感器独立观测,传感器的采样率以M(M>2)倍递减.用M带小波变换来拟合状态在各尺度空间的投影关系,建立了满足标准卡尔曼滤波条件的系统模型.进行卡尔曼滤波后,可以获得系统状态最优估计值.仿真结果验证了该动态多尺度系统融合估计算法的有效性.

非线性状态方程约束下的一类动态多尺度系统建模和估计算法

该文提出了非线性状态方程约束下的一类动态多尺度系统的模型及估计方法,该系统的状态方程是非线性的,多个传感器在状态空间的一个闭子空间序列中对系统状态进行观测。该文用状态空间投影方程将多个尺度联系起来,建立了一种新的集中式系统模型,该模型满足UnscentedKalmanFilter(UKF)条件。给出了基于Haar小波的模型的具体形式和估计算法,MonteCarlo仿真结果验证了该文算法的有效性。

一类动态多尺度系统的模型和估计算法

多传感器信息融合是信息学科的重要研究方向,本文的目的就是对分布在多个尺度上的传感器信息进行融合。本文针对一类动态多尺度系统,在国内外相关研究的基础上,提出一种新的动态多尺度系统建模方法。该模型满足标准卡尔曼滤波条件,给出了基于Haar小波的实现方法,基于此可以获得各个尺度上目标状态线性最小方差意义下的最优估计值。仿真结果令人满意,最细尺度上用本文方法进行估计优于直接进行卡尔曼滤波的效果。

一种新的动态多尺度系统最优估计算法

给出了一类动态多尺度系统基于Haar小波的序贯式最优估计算法,该算法具有较低的计算复杂度和较高的实时性,为多传感器信息融合提供了一种新的方法。仿真结果验证了这种方法的有效性。

基于Haar小波的一类动态多尺度系统最优估计算法

提出一种基于状态空间投影方程的动态多尺度系统建模方法 ,给出了基于 Haar小波的模型的具体形式。该模型满足标准卡尔曼滤波条件 ,执行卡尔曼滤波 ,可获得各个尺度上目标状态线性最小方差意义下的最优融合估计值 ,仿真结果令人满意 ,并为动态多尺度系统建立了一种新的估计理论框架。

一类动态多尺度系统的最优滤波

研究一类动态多尺度系统的最优滤波,这类系统由具有不同分辨率的多个传感器独立观测,而系统具有已知的动态系统模型约束.假设传感器的信号采集带宽成倍递减,相应的采样频率也成倍递减.用Haar小波变换来拟合状态在各尺度空间的投影关系,给出该类多尺度系统的离散模型,并证明了其可以直接应用Kalman滤波的条件.基于线性时不变系统,研究了系统的可控可测性以及滤波的稳定性,并给出了一个判定定理,证明系统只要在最细尺度上可控可测,则Kalman滤波是稳定的.最后以匀速直线运动过程为例,验证了所提建模与估计方法的有效性.

复杂系统数据挖掘的多尺度混合算法

任何复杂系统都要受到某些基本规律的约束,包括宏观、中观与微观的多层次规律的约束.怎样从一个系统的这些偶然现象(观测数据)中找出它的必然规律,是知识发现(KDD)与数据挖掘(DM)的首要任务,也是研究目标.建立了一个基于演化计算与自然分形相结合的多尺度的动态预测系统.它以微分方程描述系统的宏观行为,以自然分形刻画系统的微观行为.同时,以股票市场数据(君安证券股票数据)和科学观测数据(武汉汛期雨量数据)为例,进行了分析与预测模拟.数值实验表明,该系统的描述(拟合)性能优越,即使是对起伏波动很大的时间序列,也能拟合得很好,预测效果也较好.

单传感器多尺度状态融合估计算法

该文在离散小波变换理论和动态多尺度系统理论的基础上,建立了一种基于单传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,对Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建多尺度Kalman滤波模型,充分利用状态估计和观测数据在不同尺度上的特征进行融合估计,获得了优于单尺度Kalman滤波及已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证该算法的有效性。

多分辨率传感器多尺度融合估计算法

该文在基于信号统计特性的离散小波变换理论(DWT)和基于状态转移模型的动态多尺度系统理论(DMS)的基础上,提出了一种多分辨率传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,首先对不同分辨率传感器Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建统一的多尺度Kalman滤波模型,然后将不同分辨率传感器在同一尺度上获得的观测向量融合滤波,获得了优于已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证了该算法的有效性。

一种减小TOA测量距离中NLOS影响的DMS模型和估计算法

有效的滤波方法和多尺度估计是无线定位技术的重要研究方向。为了减小在蜂窝网无线定位中非视距传播(NLOS)对波达时间(TOA)测量距离的误差影响,先结合NLOS误差特性对标准Kalman滤波进行修正,然后提出将不同采样率的修正Kalman滤波方程与多个尺度联系起来,建立了一种动态多尺度系统(DMS)模型,并给出基于Haar小波的实现方法。仿真结果表明,基于上述方法优于直接进行Kalman滤波的效果,能较大幅度地提高TOA测量距离的精度。