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。     

多传感器ARMA信号观测融合Wiener滤波器

利用现代时间序列分析方法,基于ARMA新息模型,提出了多传感器加权观测融合Wiener信号滤波器.可统一处理信号融合预报、滤波和平滑问题.同集中式观测融合方法和分布式状态融合方法相比,不仅可得到全局最优Wiener信号滤波器,而且可显著地减小计算负担,便于实时应用.一个两传感器位置跟踪系统的仿真例子说明其有效性.     

多传感器AR信号自校正加权融合Wiener滤波器

对带多传感器和带未知模型参数及未知噪声方差的自回归(AR)信号,应用递推辅助变量(RIV)算法得到局部模型参数估值器,用相关方法得到局部噪声方差估值器。用取局部估值器的平均得到信息融合估值器。将它们代入最优加权融合AR信号Wiener滤波器,提出一种自校正加权融合Wiener滤波器。它们以概率1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。仿真例子说明了其有效性。     

多传感器观测滞后系统分布式融合Wiener滤波器

应用现代时间序列分析方法,基于ARMA新息模型,对带观测滞后的多传感器系统提出了一种渐近稳定的分布式信息融合Wiener滤波器。将带观测滞后的系统滤波融合问题转化为无观测滞后系统的不同步预报融合问题。给出了观测滞后系统的输出预报器和白噪声估值器。推得了任两个带观测滞后传感器子系统之间的不同步预报误差互协方差阵。仿真例子验证了其有效性。     

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。     

多传感器分布式信息融合Wiener信号滤波器

应用Kalman滤波方法,对于带白色和有色观测噪声单通道ARMA信号,基于Riccati方程,在线性最小方差按标量加权的最优信息融合准则下,提出了多传感器分布式信息融合Wiener信号滤波器。提出了计算局部滤波误差间的互协方差的Lyapunov方程,可用于计算最优加权系数。同单传感器情形相比,可提高滤波精度。一个三传感器信息融合Wiener跟踪滤波器的仿真例子说明了其有效性。     

多传感器集中式观测融合Kalman滤波器快速算法

对多传感器线性离散时变随机系统,虽然基于Riccati方程的集中式观测融合Kalman滤波器算法可给出全局最优状态估计,但其缺点是要求计算高维逆矩阵,计算负担大。为了克服这个缺点,应用信息滤波原理,基于改进的Riccati方程,或逆预报误差方差阵方程,或逆滤波误差方差阵方程,提出了相应的全局最优集中式观测融合Kalman滤波器的三种快速算法,可避免高维逆矩阵,可明显减小计算负担,便于实时应用,一个数值仿真例子说明了它们的有效性。     

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。     

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.     

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。     

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。