工业控制中检测数据的曲线拟合

根据实际工业控制中的检测数据，利用三次样条插值构造出通过这些离散点的函数，然后在计算机上给出它的图像曲线，为工艺人员正确分析数据变化情况提供了方便条件。     

带有色观测噪声系统统一的Wiener状态估值器

通过对观测方程的线性变化,将带有色观测噪声系统化为带白色观测噪声的系统。基于自回归滑动平均（ARMA）新息模型,由稳态最优Kalman估值器导出了渐近稳定的Wiener状态估值器,可统一处理滤波、平滑和预报问题。一个仿真例子说明它们的有效性。     

广义离散随机线性系统降阶固定区间最优Kalman平滑器

利用Y-可观广义系统典范型,将广义系统状态估计问题转化为一个降阶常规系统的状态估计问题.应用Kalman滤波方法和白噪声估计理论,提出了广义离散随机线性系统降阶固定区间最优Kalman平滑器,可减少计算负担,便于实时应用,一个仿真例子说明其有效性.     

带相关噪声的加权观测融合估计算法及其全局最优性

针对多传感器线性离散定常随机控制系统,当具有相关噪声且每个传感器带不同观测阵时,基于矩阵满秩分解与加权最小二乘理论,提出了新的加权观测融合估计算法。该算法首先将多个传感器的观测折算到一个等效的传感器上,对等效的传感器系统进行估计,证明了其估计结果相同于集中式融合稳态Kalman估计结果,因而它同样具有渐近全局最优性,且可明显减小计算负担,便于实时应用。仿真实验结果表明了该算法的有效性。     

不确定观测ARMA信号滤波器设计

将具有不确定观测的ARMA信号滤波问题转化为具有不确定观测的状态空间模型的状态和白噪声滤波问题.利用射影理论,推导出了在线性最小方差意义下状态滤波器和白噪声滤波器.进而获得具有不确定观测的ARMA信号滤波器.对于存在不确定观测的ARMA信号,以往在完整观测数据下的AMRA 信号滤波算法已经失去最优性.当不存在观测数据丢失时,算法等同于以往最优ARMA信号滤波器.仿真例子说明了其有效性.     

统一的和通用的Kalman滤波理论

用射影理论对一般线性离散时变随机系统提出了统一和通用的Kalman滤波理论，其中系统噪声在相邻时刻是相关的，且系统噪声和观测噪声在相同和相邻时刻是相关的。提出了最优和稳态Kalman滤波器、平滑器和预报器，推广了经典Kalman滤波理论。     

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。     

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。     

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。     

基于稳态Riccati方程迭代解的ARMA新息模型的构造

ARMA 新息模型在最优滤波理论中起重要作用。对于带相关噪声系统导出了等价于稳态 Kalman 预报器的 ARMA 新息模型,并提出了基于稳态 Riccati 方程迭代解构造 ARMA 新息模型的新方法。一个仿真例子说明了新方法的有效性。