广义系统降阶分布式信息融合稳态Kalman滤波器

针对带相关噪声的多传感器广义系统,提出一种分布式分量标量加权融合稳态降阶Kalman滤波器。应用奇异值分解将原广义系统转化两个等价的降阶子系统,将广义系统状态估计问题转为正常系统的状态估计问题,并求得任两个传感器子系统之间的稳态降阶滤波误差互协方差阵。兼顾融合精度和计算负担,以线性最小方差为融合准则,得到按分量标量加权的稳态Kalman滤波器。该滤波器避免了时刻计算协方差阵和融合权重明显减小了在线计算负担,便于实时应用。Monte Carlo仿真验证方法的有效性。     

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。     

观测滞后系统协方差交叉融合Kalman滤波器

对观测滞后和带未知互协方差的两传感器线性离散定常随机系统,提出了一种协方差交叉(CI)融合稳态Kalman滤波器。它给出了不依赖于未知互协方差的实际融合误差方差阵的一个公共的上界,因而具有一致性和鲁棒性。证明了其精度高于每个局部Kalman滤波器的精度,且低于当互协方差已知时的最优矩阵加权融合Kalman滤波器的精度。一个跟踪系统的Monte Carlo仿真例子说明了其有效性。     

两传感器信息融合稳态最优Kalman滤波器

应用现代时间序列分析方法，基于ARMA新息模型提出了两传感器最优信息融合稳态Kalman滤波器。为实现最优融合，分别提出了计算局部滤波稳态误差方差和协方差阵的Lyapunov方程和拟Lyapunov方程及其迭代算法，并证明了算法的收敛性。一个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.     

汽车毫米波雷达目标跟踪的快速平方根CKF算法

平方根容积卡尔曼滤波器(Cubature Kalman filter,CKF)算法直接以协方差阵三角分解因子进行滤波过程的预测和更新,保证协方差矩阵非负性,避免了滤波器发散,但预测更新都基于采样点,仍然具有较高的计算负荷。该文提出了一种适用于汽车毫米波雷达目标跟踪的快速平方根CKF算法,在预测阶段,利用Kalman滤波器方程进行状态和协方差阵预测,在更新阶段,利用预测值构造Sigma点,并以平方根CKF滤波器方程更新目标的状态和协方差阵。仿真实验表明:该文算法运算效率和滤波精度比平方根CKF、平方根无迹卡尔曼滤波(Unscented Kalman filter,UKF)等算法均有不同程度提高,适用于汽车毫米波雷达嵌入式目标跟踪软件。     

传感器带未知输入的离散随机线性系统的分布式融合滤波

对传感器含未知输入和带相关噪声的离散随机线性系统,在没有未知输入的任何先验信息的情况下,设计了线性最小方差无偏状态滤波器。当系统带有多个传感器时,推得了任两个传感器子系统的滤波误差的互协方差阵。进而基于多传感器线性最小方差标量加权融合算法,给出了标量加权分布式融合状态滤波器。仿真研究验证了其有效性。     

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。     

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.     

神经网络故障检测算法研究

该文采用输出带输入线性项的RBF神经网络来辨识非线性随机系统模型,基于扩展卡尔曼滤波器的设计思想,设计了一个可估计状态滤波协方差阵及状态预测协方差阵上界的次优状态滤波器,以产生残差序列,并可用来进行故障检测。该方法适用于一大类非线性随机系统,具有较大的适用范围。