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.

自校正解耦信息融合Wiener状态预报器

对含未知噪声方差阵的多传感器系统,用现代时间序列分析方法,基于滑动平均新息模型的在线辨识和求解相关函数矩阵方程组,可得到白噪声方差阵的在线估值器。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,提出了一种自校正解耦信息融合Wiener状态预报器,实现了状态分量的自校正解耦局部Wiener预报器和自校正解耦融合Wiener预报器。用动态误差系统稳定性分析方法证明了该预报器的收敛性,即若滑动平均新息模型参数估计是一致的,将收敛于噪声方差阵已知时的最优解耦信息融合Wiener状态预报器。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。

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。