基于LMI和BP网络的非线性矩阵加权次优融合算法

为了解决互协方差未知的多传感器非线性系统融合估计问题,提出了一种改进的矩阵加权次优融合算法。利用舒尔补定理推导出线性最小方差意义下基于矩阵融合的最简约束条件。此约束条件可保证融合估计误差方差的正定性,以及所提出次优融合估计的一致性;基于线性矩阵不等式(LMI)提出了一种矩阵加权次优融合估计。考虑到LMI算法优化过程中存在的耗时问题,采用BP网络获取最优值;结合容积卡尔曼滤波算法(CKF),提出了基于LMI算法和BP网络的非线性矩阵加权次优融合算法。仿真分析结果证明了算法应用于非线性系统的有效性。

网络化随机不确定系统鲁棒矩阵加权融合稳态估值器

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,文章研究其鲁棒融合稳态滤波问题.应用增广方法、去随机化方法和虚拟噪声技术,系统被转化为仅带不确定噪声方差的多模型多传感器系统.根据极大极小鲁棒估计原理,并应用按矩阵加权最优融合算法,提出了鲁棒局部和矩阵加权融合稳态卡尔曼估值器(预报器,滤波器和平滑器).应用增广噪声方法、非负定矩阵分解方法和李雅普诺夫方程方法,证明了估值器的鲁棒性.给出了鲁棒局部和矩阵加权融合稳态估值器之间的精度关系.应用于弹簧-质量-阻尼系统的一个仿真例子验证了所提出方法的有效性和正确性.

复杂有色噪声广义系统信息融合Kalman滤波器

针对带复杂有色噪声的线性广义系统,提出了矩阵加权融合稳态Kalman滤波器。应用奇异值分解将原广义系统滤波问题转化为两个正常子系统滤波问题。通过状态增广与量测变换法将有色过程噪声、有色量测噪声化为白噪声,因此问题转化为带相关白噪声正常系统Kalman预报问题。基于线性最小方差意义与矩阵加权融合准则得到了复杂有色噪声作用下的广义系统融合Kalman预报器,进而得到带复杂有色噪声的原广义系统滤波器。该滤波加权融合算法精度高于各单传感器局部滤波器,低于集中式融合滤波器。Monte-Carlo仿真实验证明了该滤波融合算法的有效性与可行性。

两传感器信息融合稳态Kalman滤波器和平滑器

应用Kalman滤波方法,基于Riccati方程,对输入噪声和观测噪声相关,且传感器观测噪声相关的两传感器系统,在线性最小方差最优信息融合准则下,提出了按矩阵加权最优信息融合Kalman滤波器和平滑器。为了计算最优加权阵,提出了局部估计误差互协方差阵的计算公式。同单传感器情况相比,可提高融合估计精度。一个目标跟踪系统的仿真例子说明了其有效性。

一种随机传感器增益退化下的多传感融合估计方法

研究了传感器存在随机增益退化故障的不确定随机系统的融合状态估计问题。首先,将系统不确定性建模为系统矩阵中存在的随机参数扰动,利用期望与方差已知的随机变量描述传感器随机增益退化故障。然后,设计了一种局部估计器,并以估计器的增益为决策量,建立以矩阵加权融合估计误差为代价的优化问题。对于获得最优的决策增益的闭合形式是非常困难的,所以,选取融合估计误差的一个上界并对其进行最小化处理,得到次优的决策增益。最后,给出算例仿真来验证有效性。

带未知丢失观测率和传感器偏差的多传感器AR模型融合辨识

研究了带未知丢失观测率和传感器偏差的多传感器(Autoregressive,AR)模型融合辨识问题。采用一组伯努利随机变量描述观测丢失现象。选取递推增广最小二乘(Recursive extend least squares,RELS)算法,对未知的AR模型参数和未知的传感器偏差进行在线辨识。应用矩阵加权线性无偏最小方差最优融合估计准则得到AR模型参数的融合估计。通过AR模型与状态空间模型之间的转换和相关函数获得各传感器观测收到率和观测噪声方差估计值。仿真例子验证了此算法的有效性。

基于Kalman滤波的自回归滑动平均信号信息融合Wiener滤波器

应用Kalman滤波方法,在按矩阵加权线性最小方差最优信息融合规则下,提出了带白色观测噪声的多通道ARMA信号的多传感器信息融合Wiener滤波器.它可统一处理信息融合滤波、平滑和预报问题.为了计算最优加权阵,提出了计算局部滤波误差互协方差阵的公式.同单传感器情形相比,可提高估计精度.一个带三传感器的目标跟踪系统的仿真例子说明了其有效性.

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。