自校正标量加权信息融合Kalman滤波器

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,基于自回归滑动平均(ARMA)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,提出了自校正标量加权信息融合Kalman滤波器。它具有渐近最优性,且比每个局部自校正Kalman滤波器精度高,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。     

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。     

自校正解耦融合Kalman滤波器及其收敛性

对带未知噪声统计的多传感器系统,提出了基于相关方法的噪声统计在线估值器,进而提出了自校正Riccati方程和自校正Lyapunov方程.在按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融合Kalman滤波器,并用动态误差系统分析(DESA)方法证明了它收敛于最优分量解耦融合稳态Kalman滤波器,因而具有渐近最优性,它的精度比每个局部自校正Kalman滤波器精度高,且算法简单,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.     

带未知模型参数的自校正集中式融合信息滤波器

对于带未知模型参数和噪声统计的多传感器系统,通过系统辨识方法,能够获得模型参数和噪声统计的在线估值,然后把它们代入到基于信息矩阵的最优集中式融合滤波器,得到自校正集中式融合Kalman滤波器。应用动态误差系统分析（DESA）方法,证明了自校正集中式融合Kalman滤波器收敛于最优集中式融合Kalman滤波器,因此它有渐近全局最优性。应用于信号处理的仿真例子说明了其有效性。     

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。     

两传感器信息融合超前κ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。一个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.一个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...     

多传感器ARMA信号自校正分布式融合Kalman滤波器

对含未知模型参数和未知噪声方差的多传感器自回归滑动平均（ARMA）信号,应用递推辅助变量(RIV)算法得到局部模型参数估值器,用相关方法得到局部噪声方差估值器,然后用取局部估值器的平均得到信息融合估值器。将这些融合估值器代入ARMA信号的全局最优分布式融合Kalman滤波器,提出了一种自校正分布式融合Kalman滤波器。用动态误差分析方法证明了它收敛于全局最优分布式Kalman滤波器,因而它具有渐近全局最优性。一个目标位置跟踪系统仿真例子说明了其有效性。     

带相关噪声系统的自校正观测融合Kalman滤波器

对于带有相关噪声和未知噪声统计的多传感器线性离散定常随机系统,利用相关方法,提出了噪声统计信息的在线估计器.基于ARMA新息模型,提出了自校正加权观测融合Kalman滤波器,避免了求解Lyapunov和Riccati方程,减少了计算负担,适于实时应用.利用动态误差系统分析(DESA)方法,严格证明了提出的自校正融合滤波器以概率1或按实现收敛于相应的最优融合滤波器,即具有渐近全局最优性.一个3传感器系统的仿真例子说明其有效性.     

两传感器自校正信息融合Kalman滤波器

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,对含有未知模型参数和噪声方差的两传感器线性离散随机系统,提出了自校正信息融合Kalman滤波器。它具有渐近最优性。一个仿真例子说明了其有效性。     

自校正信息融合Wiener反卷积滤波器

对于含有未知模型参数和噪声统计的多传感器信号反卷积系统,应用现代时间序列分析方法,基于自回归滑动平均（ARMA）新息模型参数的在线辨识,可在线估计噪声方差,进而提出了自校正信息融合Wiener反卷积滤波器。证明了它的渐近最优性,即若ARMA新息模型参数估计是一致的,则它收敛于当噪声方差已知时的最优融合Wiener反卷积滤波器。同单传感器情形相比,它可提高滤波精度。一个带三传感器的反卷积系统的仿真例子说明了其有效性。     

ARMA信号自校正信息融合Wiener滤波器

对于带多传感器的含有未知模型参数和噪声统计的ARMA信号,应用现代时间序列分析方法,基于ARMA新息模型的在线辨识,提出了多传感器自校正信息融合Wiener滤波器。它具有渐近最优性,且可统一处理滤波、平滑和预报问题。一个跟踪系统的仿真例子说明了其有效性。     

两传感器自校正信息融合白噪声Wiener反卷积滤波器

应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,对于带未知模型参数和噪声方差的两传感器反卷积系统,提出了自校正信息融合白噪声Wiener反卷积滤波器。它具有渐近最优性。一个Bernoulli-Gaussian白噪声反卷积的仿真例子说明了其有效性。