两传感器信息融合稳态Kalman滤波器和平滑器

应用Kalman滤波方法,基于Riccati方程,对输入噪声和观测噪声相关,且传感器观测噪声相关的两传感器系统,在线性最小方差最优信息融合准则下,提出了按矩阵加权最优信息融合Kalman滤波器和平滑器。为了计算最优加权阵,提出了局部估计误差互协方差阵的计算公式。同单传感器情况相比,可提高融合估计精度。一个目标跟踪系统的仿真例子说明了其有效性。     

多传感器分布式协方差信息融合Kalman滤波理论

对于带多传感器和带相关噪声的线性离散时变随机控制系统,基于按矩阵加权、按对角阵加权和按标量加权的三种最优信息融合规则,提出了相应的三种分布式最优信息融合Kalman估值器,可统一处理融合滤波、预报和平滑问题。为了计算最优加权,提出了计算局部估计误差协方差公式。作为特殊情形,还提出了定常系统的稳态最优信息融合Kalman估值器,其中用解Lyapunov方程计算局部估计误差协方差。同集中融合Kalman估值器相比,可减小计算负担。同单传感器Kalman估值器相比,可提高精度。它们构成了统一和通用的分布式协方差信息融合Kalman滤波理论。     

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.     

带不同局部动态模型的时变系统信息融合Kalman估值器

对于带不同局部动态模型和多传感器的的线性离散时变随机控制系统，应用Kalman滤波方法，基于Riccati方程，根据按矩阵加权、按对角阵加权和按标量加权三种最优融合规则．提出了系统公共状态的三种最优加权融合Kalman估值器，可统一处理融合滤波、预报和平滑问题。为计算最优加权，提出计算局部估计误差互协方差公式。它们可用于信号融合滤波。用增广状态方法．将待估信号看成子系统公共状态，提出了信号多传感器信息融合滤波的一种设计方法。     

广义系统多传感器信息融合降阶状态估值器

对于带多传感器的广义线性离散随机系统,基于奇异值分解,将其化为等价的两个降阶多传感器子系统。应用Kalman滤波方法,在线性最小方差最优加权融合准则下,提出了最优加权融合降阶稳态广义Kalman估值器。可统一处理融合滤波、平滑和预报问题,可减少计算负担和改善局部估计精度。为了计算最优加权,提出了局部估计误差方差阵和互协方差阵的计算公式。     

Y-可观广义系统降阶稳态Kalman融合器

对于带多传感器的Y-可观广义线性离散随机系统，通过状态线性变换，将其化为两个降阶的非广义多传感器子系统。应用Kalman滤波方法和白噪声估值器，提出了子系统和原系统的局部状态估值器及它们的误差互协方差公式。在线性最小方差按矩阵加权，按对角阵加权和按标量加权最优信息融合准则下，提出了原系统状态的三种稳态广义Kalman。融合器，可统一处理融合滤波、平滑和预报问题，且可改善局部估计精度。     

随机奇异系统多传感器信息融合Kalman多步预报器

应用Kalman滤波方法和奇异系统典范型分解，对单传感器随机奇异系统，给出了Kalman步预报器新算法。对带多传感器随机奇异系统，基于线性最小方差标量加权融合算法，给出了具有两层融合结构的多传感器分布式最优信息融合Kalman多步预报器。同时给出了任两个传感器之间的预报误差协方差阵的计算公式。当各传感器子系统存在稳态Kalman滤波时，又给出了稳态信息融合Kalman多步预报器。稳态权重可在各子系统达到稳态时通过一次融合计算获得．避免了每时刻计算协方差阵和融合权重，便于实时应用。仿真例子验证了其有效性。     

广义系统多传感器分布式融合降阶Kalman滤波器

对于带多传感器的广义线性离散随机系统，应用奇异值分解，将其变换为等价的两个降阶多传感器子系统，提出了基于变换后的状态融合器构造原始状态融合器的新的融合方法。应用Kalman滤波方法，在线性最小方差按矩阵加权、按对角阵加权和按标量加权融合准则下，分别提出了三种最优加权融合降阶广义Kalman滤波器。可统一处理融合滤波、平滑和预报问题。可减少计算负担和改善局部滤波精度。证明了三种融合器和局部估值器之间的精度关系。为了计算最优加权。提出了局部滤波误差协方差阵的计算公式。一个Monte Carlo仿真例子说明了其有效性。     

多传感器按对角阵加权信息融合Kalman滤波器

在按对角阵加权线性最小方差最优信息融合准则下,提出了多传感器按对角阵加权信息融合稳态Kalman滤波器,它等价于关于状态分量的按标量加权信息融合Kalman滤波器,与按矩阵加权信息融合Kalman滤波器相比,可明显减小计算负担,便于实时应用。一个雷达跟踪的仿真例子说明了其有效性。     

带有色噪声的广义系统信息融合Kalman滤波器

对于带自回归滑动平均(ARMA)有色观测噪声的多传感器广义离散随机线性系统,应用奇异值分解,提出了广义系统多传感器信息融合状态滤波问题.基于Kalman滤波方法,在线性最小方差信息融合准则下,给出了按矩阵加权融合降阶稳态广义Kalman滤波器.为了计算最优加权,提出了局部滤波误差协方差阵的计算公式.一个Monte Carlo仿真例子说明了其有效性.     

多传感器最优信息融合稳态Kalman滤波器

Lagrange乘数法给出了按矩阵加权线性最小方差最优融合估计公式新的推导。在此基础上提出了多传感器最优信息融合稳态Kalman滤波器。其中用迭代法求解局部滤波误差协方差阵所满足的Lyapunov方程，证明了迭代解的指数收敛性，且收敛速度与Kalman滤波器的转移阵的谱半径有关。两传感器目标跟踪系统的仿真例子说明了其有效性。     

带有色观测噪声的广义系统Kalman滤波器

对于带多传感器的广义线性离散随机系统,应用奇异值分解,并通过对观测方程的状态变换,将带有色观测噪声的系统变换为等价的带相关噪声的两个降阶多传感器子系统.应用Kalman滤波方法,在线性最小方差按块对角阵加权融合准则下,提出了按矩阵加权融合降阶广义Kalman滤波器,可减少计算负担和改善局部滤波精度.为了计算最优加权,给出了局部滤波误差协方差阵的计算公式,证明了融合器和局部滤波器之间的精度关系.一个Monte Carlo仿真例子说明了其有效性.     

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。     

基于最优信息融合卡尔曼滤波的预测控制算法

针对噪声环境下的线性时不变系统,给出了基于最优信息融合卡尔曼滤波的预测控制算法.运用线性最小方差意义下的最优信息融合卡尔曼滤波方法获得状态估计,进而得到输出的N步超前预测值,最后通过最小化二次性能指标获得基于信息融合状态估计的控制输入.仿真实例验证了算法的有效性.