多传感器集中式观测融合Kalman滤波器快速算法

对多传感器线性离散时变随机系统,虽然基于Riccati方程的集中式观测融合Kalman滤波器算法可给出全局最优状态估计,但其缺点是要求计算高维逆矩阵,计算负担大。为了克服这个缺点,应用信息滤波原理,基于改进的Riccati方程,或逆预报误差方差阵方程,或逆滤波误差方差阵方程,提出了相应的全局最优集中式观测融合Kalman滤波器的三种快速算法,可避免高维逆矩阵,可明显减小计算负担,便于实时应用,一个数值仿真例子说明了它们的有效性。

两种加权观测融合算法的全局最优性和完全功能等价性

对于基于Kalman滤波的多传感器观测数据融合,有两种加权观测融合算法。应用Kalman滤波器,证明了同集中式观测融合算法相比,它们具有全局最优性和完全功能等价性。它们不仅可给出全局最优Kalman估值器(滤波器、预报器和平滑器)、白噪声估值器和信号估值器,而且可明显减少计算负担,便于实时应用。

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.