带相关观测噪声系统的自校正观测融合Kalman滤波器

对于带有相关观测噪声、未知噪声统计、不同观测阵带有相同右因子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辨识器.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传感器跟踪系统的仿真例子说明其有效性.     

带不同观测阵系统的自校正观测融合Wiener滤波器

对于带有不同观测阵、相关观测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,得到了噪声统计信息的在线辨识器.基于ARMA新息模型,提出了自校正加权观测融合Wiener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Wiener滤波器以概率1或按实现收敛于相应的最优观测融合Wiener滤波器,即具有渐近全局最优性.一个3传感器跟踪系统的仿真例子说明其有效性.     

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.     

自校正信息融合Wiener滤波器及其收敛性

对带未知噪声统计的多传感器系统,用求解相关函数矩阵方程组的方法得到噪声统计在线估值器,并提出了自校正Lyapunov方程.用现代时间序列分析方法,基于滑动平均(MA)新息模型的辨识,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Wiener滤波器,并用动态误差系统分析(DESA)的方法证明了自校正Lyapunov方程的收敛性,进而证明了自校正融合Wiener滤波器收敛于最优融合Wiener滤波器,因而具有渐近最优性.它的精度比每个局部自校正Wiener滤波器精度都高,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.     

自校正集中式融合信息滤波器

对于带未知噪声系统和不相关噪声的多传感器随机系统,将基于相关方法得到的噪声方差带入到集中式融合最有信息滤波器,提出自校正集中式融合信息滤波器。同基于Riccatia方程的集中式融合Kalman滤波器相比,它避免了计算高维矩阵的逆,从而减少了计算负担。应用动态误差分析方法,证明了自校正集中式融合信息滤波器以概率1收敛于最优集中式融合信息滤波器,因而具有全局渐进最优性。一个带3传感器跟踪系统的实例说明其有效性。     

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。     

隐式自校正加权观测融合Kalman滤波器

对于带未知噪声方差的线性离散定常随机系统,利用多个结构相同但精度不同的传感器进行观测,各观测结果之差可以产生多组新的白噪声序列,利用各组白噪声的相关函数阵解矩阵方程组,可解得各传感器观测噪声方差Ri.通过状态方程和观测方程以及观测噪声估值,可求得ΓQwΓT的估计,进而得到隐式自校正加权观测融合Kalman滤波器.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。     

广义系统最优与自校正信息融合滤波器

对带多个传感器广义离散随机线性系统，利用典范型分解，基于线性最小方差各分量按标量加权融合算法，给出了多传感器分布式最优分量融合降阶滤波器，它要求并行计算一系列标量权重。推得了任两个传感器子系统之间的滤波误差互协方差阵的计算公式。同时当系统含有未知噪声统计信息时，基于相关函数又给出了分布式自校正分量融合降阶滤波器。与各局部估计以及状态向量按标量加权融合估计相比，分量融合滤波具有更高的精度。仿真研究验证了其有效性。     

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Kalman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。     

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。     

自校正Riccati方程的收敛性

对带未知噪声方差的线性离散定常随机系统,基于噪声方差的在线一致估计,提出了自校正Riccati方程新概念.用动态误差系统分析(DESA)方法和Kalman滤波器稳定性理论证明了自校正Riccati方程的解收敛于稳态Riccati方程的解.这个结果将引出一种新的自校正Kalman滤波算法,并为解决自校正Kalman滤波器收敛性问题提供了重要的理论基础.一个数值仿真例子说明了所提出的结果的正确性.     

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。