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。

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。

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.

基于Kalman滤波的换热器非线性状态参数校正

炼化工艺系统中换热网络数据的准确提取将直接影响到集成优化方案和优化控制的性能。针对换热器非线性状态参数的数据校正,构建了换热器分段线性集总参数传热过程模型,有效地解决了换热器流股物性非线性变化所引起的非线性状态空间方程求解的问题;提出了基于分段线性Kalman滤波状态空间方程的换热器状态参数校正方法,并通过蜡油加氢装置反应流出物高压换热器工业实例阐述了所提出方法的实现过程和效果。研究表明:换热器分段线性集总参数模型中分段数对Kalman滤波的计算收敛性具有重要影响,随着分段数的增大,换热器状态参数收敛于固定值,分段数需根据计算精度通过试差确定。本文方法可对换热器非线性状态参数实施有效的数据校正,对流股物性进行分段线性化处理具有较高的计算精度,可用于大温差或物性变化较剧烈情况下换热器非线性状态参数的数据校正。

自校正多传感器观测融合Kalman估值器及其收敛性分析

对于带未知噪声方差的多传感器系统,应用加权最小二乘(WLS)法得到了一个加权融合观测方程,且它与状态方程构成一个等价的观测融合系统.应用现代时间序列分析方法,基于观测融合系统的滑动平均(MA)新息模型参数的在线辨识,可在线估计未知噪声方差,进而提出了一种加权观测融合自校正Kalman估值器,可统一处理自校正融合滤波、预报和平滑问题,并用动态误差系统分析方法证明了它的收敛性,即若MA新息模型参数估计是一致的,则它按实现或按概率1收敛到全局最优加权观测融合Kalman估值器,因而具有渐近全局最优性.一个带3传感器跟踪系统的仿真例子说明了其有效性.

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.

广义离散随机线性系统自校正最优预报器

运用现代时间序列分析［１］的方法研究广义离散随机线性系统最优及自适应状态估计．将状态估计转化为输出预报和白噪声估计，从而提出了系统的最优预报器，并且证明最优预报器对于初始值的选取渐近稳定．在噪声统计未知时提出了自校正预报器．仿真例子说明了其有效性．

自校正信息融合Kalman平滑器

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,得到了噪声统计的在线估值器,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平滑器,提出了一种按实现收敛性新概念,证明了自校正Kalman融合器按实现收敛于最优Kalman融合器,因而它具有渐近最优性．同单传感器自校正Kalman平滑器相比,它可提高平滑精度,一个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Wiener预报器及其收敛性

对带相关观测噪声和未知噪声统计的多传感器系统,用相关方法得到噪声统计在线估值器.在按分量标量加权线性最小方差最优信息融合准则下,用现代时间序列分析方法,基于滑动平均(moving average)新息模型的辨识,提出了自校正解耦融合Wiener预报器.用动态误差系统分析(dynamic error system analysis)方法证明了自校正融合Wiener预报器收敛于最优融合Wiener预报器,因而它具有渐近最优性.它的精度比每个局部自校正Wiener预报器精度都高.它的算法简单,便于实时应用.一个目标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。

自校正加权观测融合Kalman估值器

对于带未知噪声统计的多传感器系统,应用现代时间序列分析方法,基于滑动平均(MA)新息模型参数的两段递推最小二乘法在线辨识,可在线估计未知噪声方差,进而提出了一种加权观测融合自校正Kalman估值器,可统一处理自校正滤波、预报和平滑问题,并证明了它的收敛性,即若MA新息模型参数估计是一致的,则它与相应的最优加权观测融合Kalman估值器的误差收敛到零,因而具有渐近全局最优性。一个带3传感器跟踪系统的仿真例子说明了其有效性。

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。

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。

基于AR模型的多步自校正预报器及其应用

提出了基于AR模型的多步自校正预报器;简述了AR模型与ARMA模型的关系,避免了白噪声序列项麻烦,使得建模和参数估计的计算量大为减少;应用实例表明该方法的有效性.

自校正观测融合解耦Wiener状态预报器

对于带未知噪声方差和带不同观测阵的多传感器系统,应用现代时间序列分析方法,基于子系统和加权观测融合系统的滑动平均(MA)新息模型的在线辨识,提出了一类自校正加权观测融合解耦Wiener状态预报器。用动态误差系统分析方法,证明了它按实现收敛于当噪声方差已知时的最优加权观测融合解耦Wiener状态预报器,因而它具有渐近全局最优性。一个目标跟踪系统的仿真例子说明了其有效性。

自校正分布式观测融合Kalman估值器

对于带未知噪声统计的多传感器系统,应用加权最小二乘(WLS)法得到了一个加权融合观测方程,且它与状态方程构成一个等价的观测融合系统.应用现代时间序列分析方法,基于观测融合系统的滑动平均(MA)新息模型参数的在线辨识,可在线估计未知噪声方差,进而提出了一种加权观测融合自校正Kalman估值器,可统一处理自校正融合滤波、预报和平滑问题,并证明了它的收敛性,即若MA新息模型参数估计是一致的,则它与相应的最优加权观测融合Kalman估值器的误差收敛到零,因而具有渐近全局最优性.一个带3传感器跟踪系统的仿真例子说明了其有效性.

基于预报器的综合LQG自校正控制器

本文推导了一类多项式LQG自校正控制算法,采用了增量和非增量两种模型形式。全面考虑了权P(z^(-1)),Q(z^(-1))和滤波多项式T(z^(-1))的作用,能控制存在有色噪声和前馈干扰的复杂过程。与广义预测控制仿真比较,结果表明这两种控制器均有良好的适应能力和强的鲁棒性。

自校正解耦融合Wiener状态预报器

对含未知模型参数和噪声统计的多传感器单输入单输出系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,可得到未知模型参数和噪声统计估值器,进而在按状态分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦信息融合Wiener状态预报器。它实现了自校正分量解耦局部Wiener状态预报器和自校正分量解耦融合预报器。证明了它的收敛性和渐近最优性。一个目标跟踪系统的仿真例子说明了其有效性。

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。