两传感器信息融合最优白噪声反卷积Wiener滤波器

应用现代时间序列分析方法和白噪声估计理论，提出了两传感器最优信息融合白噪声反卷积Wiener滤波器，其中给出了局部滤波误差之间的协方差公式，它可被用于计算最优融合加权系数。一个仿真例子说明了其有效性。     

多传感器全局最优观测融合白噪声反卷积滤波器

白噪声反卷积问题在石油地震勘探中具有重要的应用背景。利用Kalman滤波方法提出了多传感器最优观测加权融合白噪声反卷积Wiener滤波器。同集中式和分布式融合方法相比,不仅可得到全局最优白噪声融合估值器,而且可显著地减小计算负担,便于实时应用。一个四传感器Bernoulli-Gaussian白噪声加权观测融合估值器的仿真例子说明了其有效性。     

统一和通用的白噪声信息融合反卷积估值器

对于带不同局部动态模型的多传感器线性离散时变随机控制系统，应用Kalman滤波方法，在按标量加权最优融合准则下，提出了统一和通用的最优信息融合白噪声反卷积估值器，并对定常系统提出了稳态最优信息融合白噪声反卷积估值器。它们可统一处理白噪声反卷积融合滤波、平滑和预报问题。为了计算最优加权，提出了输人白噪声局部估计误差互协方差计算公式。它们在石油、地震勘探领域中有重要的应用背景。     

多模型多传感器信息融合稳态白噪声反卷积估值器

对于带不同局部动态模型(多模型)的多传感器线性定常随机控制系统,应用现代时间序列分析方法,在按标量加权最优融合准则下,提出了最优信息融合稳态白噪声反卷积估值器.可统一处理白噪声反卷积融合滤波、平滑和预报问题.它的精度高于每个局部估值器的精度.为了计算最优加权,提出了局部估计误差互协方差计算公式.一个Bernoulli-Gussian白噪声反卷积融合器的仿真例子证明其有效性.     

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。     

单通道ARMA信号信息融合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、白噪声估值器和观测预报器,在线性最小方差最优加权信息融合准则下,对单通道ARMA信号提出了多传感器分布式融合Wiener反卷积滤波器,可统一处理融合滤波、平滑和预报问题。为了计算最优加权,提出了局部估计误差互协方差的计算公式。同单传感器情形相比,可提高滤波精度。一个仿真例子说明了其有效性和正确性。     

多传感器观测融合单通道白噪声反卷积滤波器

利用现代时间序列分析方法,基于ARMA新息模型应用加权观测融合方法,提出了多传感器加权观测融合白噪声反卷积Wiener滤波器.同集中式和分布式融合方法相比,不仅可得到全局最优白噪声融合估值器,而且可显著地减小计算负担,便于实时应用.一个两传感器Bernoulli-Gaussian白噪声加权观测融合估值器的仿真例子说明其有效性.     

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。     

时变系统全局最优加权观测融合白噪声反卷积平滑器

白噪声反卷积或输入白噪声估计问题在石油地震勘探中有重要的应用背景。对带多传感器和带不相关噪声的线性离散时变随机系统，应用Kalman滤波方法，基于加权最小二乘法，提出了全局最优加权观测融合白噪声反卷积平滑器。一个Bernoulli—Gaussian输入白噪声融合平滑器的Monte Carlo仿真例子说明了其有效性。     

多传感器加权观测融合Wiener反卷积滤波器

基于Kalman滤波方法,应用加权观测融合方法,提出了全局最优观测融合Wiener反卷积滤波器。同集中式观测融合方法和分布式状态融合方法相比,不仅可获得全局最优Wiener反卷积滤波器,而且明显减小计算负担,便于实时应用。一个四传感器加权观测融合仿真例子说明了其有效性。     

多传感器多变量AR模型信息融合辨识方法

对于带白色公共干扰噪声、白色观测噪声和传感器偏差的多传感器多变量自回归（AR）模型,当AR模型参数、传感器偏差和噪声方差未知时,提出了一种信息融合多段辨识方法,其中用多重递推增广最小二乘法（MRELS）得到AR模型参数和传感器偏差的局部和融合估值器,再用相关方法得到局部和融合噪声方差估值器。这些估值器具有一致性。一个仿真例子验证了其有效性。     

有色量测噪声情况下的多传感器目标跟踪融合算法

目前已有的目标跟踪融合估计算法都是基于Kalman滤波的,而卡尔曼滤波估计算法要求系统过程噪声和量测噪声均为白色噪声,而实际的跟踪系统中量测噪声往往是有色噪声。针对上述问题,本文利用线性组合当前量测与下一时刻量测的量测扩增法,研究了有色量测噪声情况下的集中式、分布式多传感器目标跟踪融合算法。并对新的融合算法进行仿真分析,仿真结果表明新的融合算法具有良好的跟踪性能。     

带MA有色观测噪声的单通道多传感器信息融合Wiener滤波器

应用现代时间序列分析方法,基于ARMA新息模型、白噪声估值器和观测预报器,对带滑动平均(MA)有色观测噪声的单通道ARMA信号,在线性最小方差最优信息融合准则下,提出了多传感器信息融合Wiener滤波器,可统一处理滤波、平滑和预报问题。提出了用于得到最优加权系数的局部滤波误差方差和协方差计算公式。同单传感器情形相比,可提高滤波精度。一个目标跟踪系统的仿真例子说明了其有效性。     

多传感器单通道信息融合Wiener滤波器

应用现代时间序列分析方法，对于带白色观测噪声的单通道ARMA信号，基于ARMA新息模型，提出了多传感器线性最小方差最优信息融合Wiener滤波器，可统一处理滤波、平滑和预报问题。同单传感器情形相比，可提高滤波精度、算法简单、便于实时应用。一个跟踪系统的仿真例子说明了其有效性。