基于随机加权估计的多维位置数据最优融合算法

文中将随机加权估计计算方法应用于多传感器信息融合,提出了一种基于随机加权估计的多维位置数据最优融合方法。首先,用随机加权估计对每个传感器测得的位置参数进行估计。然后,用最优信息融合算法把这些估计进行融合。得到多传感器系统多维位置参数的最优估计。研究结果表明:基于随机加权估计的多传感器信息融合方法优于传统的信息融合估计方法。

基于随机加权估计的Sage自适应滤波及其在导航中的应用

为了克服Kalman滤波和Sage自适应滤波的缺点,在分析基于新息向量、残差向量和状态改正数向量的自适应协方差估计存在问题的基础上,提出根据新息向量、残差向量和状态改正数对滤波精度影响的不同程度,采用随机加权法对新息向量、残差向量和状态改正数进行估计,以得到观测噪声协方差矩阵和系统动态噪声协方差矩阵。进一步,利用随机加权法对观测噪声协方差阵和系统噪声协方差阵进行估计,以提高动态导航定位的滤波解算精度。研究结果表明,基于随机加权估计的Sage自适应滤波效果明显优于基于算术平均值估计的滤波方法。

样本均值随机加权估计的强大数定律

在E|X1|1＋δ＜∞（0＜δ＜1）的条件下，证明了样本均值随机加权估计的强大数定律。

样本均值随机加权估计数据融合方法研究

将一种新兴的随机加权估计方法应用于多传感器数据融合,提出了一种将多源信息综合处理的随机加权数据融合方法。该方法依据极大似然原理,将来自不同总体(均值相同,方差不同)的随机样本进行有效融合,得到了新的总体均值估计量,从而消除了低精度检测结果的干扰,提高了综合检测结果的精度。提出了一种基于随机加权估计的多维位置数据最优融合算法。结果表明,该算法优于传统的信息融合估计算法。

随机加权估计的相合性及其在数据融合中的应用

首先在X1,X2,…,Xn独立同分布(iidF)的情况下,给出了分位点过程n1/2{Fn-1(g)-F-1(g)}分布的随机加权估计;其次证明了n1/2{Fn-1(g)-F-1(g)}的随机加权逼近的相合性;最后将随机加权估计应用于多传感器数据融合中。仿真结果表明:文中提出的随机加权估计优于文献[4]所给出的Bootstrap逼近,提高了估计的精度。

动力学模型系统误差的随机加权估计

提出用新兴的随机加权估计算法对动力学模型系统误差进行估计,以控制动态模型噪声异常对状态参数估值的影响。该算法根据实际需要对动力学模型误差和状态预报值向量的协方差阵进行随机加权,以控制残差向量协方差阵和新息向量协方差阵的大小,削弱模型误差对状态参数向量的影响,提高动态导航解算的滤波精度。仿真结果表明,提出的随机加权估计算法的估计精度,明显优于经典Kalman滤波和抗差自适应Kalman滤波,能提高飞行器动态导航定位的精度。

光滑的经验分位点过程随机加权估计的弱收敛性

本文对光滑的经验分位点过程随机加权估计误差作了讨论,并证明了其弱收敛性。

分位点过程随机加权估计误差的弱收敛性

本文在对分布函数要求相当弱的条件下，给出了分位点过程随机加权估计误差弱收敛到标准Ｂｒｏｗｎｉａｎ运动。

m相依样本均值随机加权估计的渐近性质

本文利用基于刀切虚拟值的随机加权法，解决了ｍ相依样本均值随机加权逼近的相合性问题。

总体均值随机加权估计的相合性问题

设有线性模型Y_(ij)=β_0+σ_0e_(ij),i=1,2,…,n,…,j=1,2,…,N_i。此处{e_(ij)}为独立同分布,且其均值为零,方差为1。本文提出对β_0的随机加权估计,形如(8)所示的β_n,在e_(11)～N(0,1)和N_i≥6的条件下,我们于文中给出了β_n是β_0相合估计的充要条件,并进一步给出了β_0的大样本置信区间。此外,在非正态情形,我们提出了β_n是β_0相合估计的另一个定理。

半参数回归模型中参数随机加权估计的大样本性质

主要考虑了同方差型的半参数线性回归模型中参数的随机加权最小二乘估计(RWLSE).讨论了用随机加权Bootstrap方法来逼近LSE的分布,证明这种逼近是以概率1渐近有效的.

半参数测量误差模型中参数的随机加权估计

给出了半参数测量误差模型中参数的随机加权最小二乘估计.讨论了用随机加权方法逼近最小二乘估计的分布,证明这种逼近是以概率1渐近有效的,并用模拟例子验证了提出方法的有效性.

马尔可夫过程密度核估计的随机加权法

设{Xn,n≥1}是一严平稳马尔可夫过程,并且具有未知的密度函数f(x).我们用随机加权统计量对f(x)进行估计,并且讨论了随机加权估计的均方相合性,可积均方相合性等.

多元线性回归系数的随机加权M－估计

本文讨论了由随机加权最小问题的解定义的多元线性回归系数的随机加权Ｍ－估计的相合性、渐近正态性，参数检验及时非随机加权Ｍ－估计分布的Ｂｏｏｔｓｔｒａｐ逼近。

随机加权粒子滤波

研究粒子滤波方法优化问题,粒子退化是传统粒子滤波存在的致命缺陷。由于粒子退化,导致滤波精度的明显下降。针对粒子退化问题,在研究随机加权估计和粒子滤波算法的基础上,提出了一种新的随机加权粒子滤波算法。算法通过对样本进行随机加权,克服了传统粒子滤波算法中的粒子退化问题,保证了粒子的多样性。仿真结果表明,在小子样条件下,随机加权粒子滤波比经典粒子滤波的精度高。在大样本下二者的性能相同。但随机加权粒子滤波不需要重采样,因而算法简单,计算量小,更适合非线性非高斯系统模型的滤波计算,可为实际应用提供参考。

Sage-Husa随机加权无迹卡尔曼滤波及其在导航中的应用

在吸收Sage-Husa滤波和无迹卡尔曼滤波优点的基础上,利用随机加权估计算法将传统的定义在线性系统上的Sage-Husa噪声估计器推广到非线性系统中,提出一种非线性Sage-Husa随机加权无迹卡尔曼滤波算法。该算法首先利用Sage滤波的开窗平滑方法求得观测残差向量和新息(预测残差)向量的协方差阵;然后用随机加权自适应因子对观测残差和预测残差进行调节;最后对状态预报向量的协方差矩阵进行自适应随机加权估计,以控制观测残差和预测残差对导航精度的影响。计算结果表明,提出的非线性Sage-Husa随机加权无迹卡尔曼滤波算法,滤波精度明显优于无迹卡尔曼滤波和自适应无迹卡尔曼滤波算法,能够提高组合导航的解算精度。

导航系统误差及其协方差阵的随机加权拟合

在现有基于移动窗口函数模型和随机模型的系统误差自适应拟合方法的基础上,提出了一种基于移动窗口观测模型的系统误差随机加权拟合法。该方法在相同的窗口内给出了相应的观测向量协方差阵的随机加权估计。利用修正后的观测向量及相应的协方差阵进行导航滤波计算,能有效地抑制观测系统偏差的影响,提高导航解算的精度。仿真结果证明,文中所提出的随机加权估计算法的精度,明显优于卡尔曼滤波和自适应卡尔曼滤波。

动力学模型系统误差及其协方差阵的随机加权拟合法

在现有的基于移动窗口函数模型和随机模型系统误差自适应拟合方法的基础上,提出一种基于移动窗口动态导航模型系统误差的随机加权拟合法,在相同的窗口内给出了相应的状态预报向量协方差阵的随机加权拟合。由于动力学模型系统误差难以直接修正,采用修正状态估计误差向量及动力学模型误差向量的方法,实现对动力学模型系统误差的修正,然后利用修正后的动力学模型及相应的协方差阵进行导航滤波计算,有效地抑制动力学模型系统系统误差的影响,提高导航解算的精度。仿真结果证明,采用随机加权拟合后的算法精度优于未进行拟合的卡尔曼滤波和自适应卡尔曼滤波算法。

随机加权自适应滤波及其在组合导航中的应用

为了克服自适应Kalman滤波的缺点,文中提出了一种噪声有限记忆在线随机加权自适应滤波算法。在该算法中,利用随机加权和移动开窗方法分别对系统量测噪声和状态噪声的统计特性进行在线随机加权估计,并应用随机加权自适应因子进行调节,控制量测噪声和状态噪声对滤波解算精度的影响。仿真结果表明,在系统噪声统计未知情况下,所提出的噪声有限记忆在线随机加权自适应滤波算法精度明显优于传统Sage自适应Kalman滤波算法。

随机加权渐消UKF在导向钻井姿态测量中的应用

针对近钻头钻具易受井下强振动等随机噪声的影响,使得导向钻具姿态动态测量误差较大的问题,提出一种随机加权渐消UKF算法并应用于导向钻井姿态测量系统。通过Sigma点获取状态估值和协方差矩阵,采用随机加权因子动态调整不同时刻残差向量的权值;再用渐消因子实时调节滤波增益,限制滤波器的记忆长度,有效利用最新量测信息对状态更新的影响调整预测误差协方差阵。将提出的算法应用到导向钻具姿态测量系统进行验证,结果表明,所提算法解算后得到的井斜角误差控制在±0.25°以内,工具面角误差控制在±1°以内,与标准EKF和UKF相比,井斜角解算误差和工具面角解算误差均降低了50%以上,能有效提高导向钻具动态测量精度。