任意噪声相关异类传感器非线性系统状态矢量融合

基于线性无偏最小方差估计理论，提出了一种任意相关噪声异类传感器非线性系统状态矢量融合算法．该算法考虑了过程噪声和测量噪声以及测量噪声之间的相关性和传感器系统结构的不同性，增加了描述多传感器融合系统的信息量，通过局部估计的组合构造新的变量以去除局部状态之间的相关性，采用顺序滤波的方法减小了异类多传感器融合系统全局状态估计的计算量．仿真结果表明，由于考虑了过程噪声和测量噪声以及测量噪声之间的相关性，状态矢量融合算法比噪声不相关融合算法具有更好的跟踪性能，航迹跟踪的精度得到了改善．     

测量噪声相关情况下改进的多传感器融合算法

为了研究测量噪声相关情况下,同步多传感器跟踪系统的测量融合技术,根据线性无偏最小方差估计理论,给出了测量噪声相关情况下,同步多传感器系统测量融合的伪序贯和数据压缩实现算法,它们对测量噪声相关与不相关情况都适用。仿真表明,在测量噪声相关时,尤其是相关性较强时,本算法的融合精度比传统算法有明显提高;而测量噪声不相关时,性能与传统的融合算法相同。仿真结果表明了算法的有效性。     

带乘性噪声系统在加性噪声相关时的最优固定域平滑及反褶积算法

最优平滑及最优反褶积在石油地震勘探、通讯工程、语音处理等应用领域都具有十分重要的意义。以往的带乘性噪声系统的平滑及反褶积大都对系统模型的噪声特性有着较强的限制条件，要求动态噪声及观测噪声互相独立或只能在同时刻相关。该文给出了一种在动态噪声为有色噪声及动态噪声和量测噪声在有限时间段上相关的情形下带乘性噪声系统的固定域平滑及反褶积算法，该算法在线性最小方差意义是最优的。通过仿真计算，说明了该算法的有效性。     

带乘性噪声系统在加性噪声相关时的最优滤波

针对石油地震勘、通讯工程、语言处理等应用领域。该文研究了一种在更弱的噪声限制条件下带乘性噪声系统的状态最优滤波,就动态噪声为有色噪声及动态噪声和量测噪声在有限时间段上相关的情形,给出了线性最小方差意义下的状态最优滤波算法,并对此算法作了仿真计算,获得满意的结果。     

关于Gauss-Markov估计在噪声方差矩阵不可逆时的化简

讨论了Gauss-Markov(简记为)估计与最优加权最小二乘估计之间的关系,证明了即使模型噪声方差阵不可逆,在一定条件下GM估计与最优加权最小二乘估计仍可以是统一的.     

多传感器分布式信息融合Wiener状态估值器

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,在按矩阵加权、按 标量加权和按对角阵加权的线性最小方差最优信息融合规则下,提出了相应的三种最优分布式融合Wiener 状态估值器,可统一处理融合滤波、平滑和预报问题。为了计算最优加权,提出了状态估计误差方差阵和互 协方差阵的计算公式。同单传感器情形相比,可提高滤波精度。一个带四传感器目标跟踪系统的仿真例子 说明了其有效性和正确性,并说明了三种加权融合估计精度无显著差异,因而采用按标量加权融合器可显著 减小计算负担,便于实时应用。     

一般相关量测噪声线性系统的递推状态估计

为了得到具有一般相关量测噪声线性系统的递推滤波算法,将该问题转化为具有相关量测单值随机向量的滤波问题,根据单值随机向量的线性无偏最小方差估计算法,导出了量测噪声为一般相关鞅差序列的线性系统的最优递推状态估计滤波算法,通过数值仿真,将该算法与假定量测噪声不相关时的Ｋａｌｍａｎ滤波算法进行了比较,证明了该算法的有效性。     

噪声相关下含无序量测的多传感器信息融合估计

多传感器跟踪系统中因通信延迟常会出现无序量测现象,为了提高系统估计精度,采用直接更新法对状态进行更新估计,并针对噪声相关下含无序量测的多传感器系统,提出了矩阵加权最优信息融合状态估计算法,考虑了过程噪声和量测噪声的相关性以及局部估计的误差相关性.仿真计算验证了算法的有效性.     

方差分量模型中混合参数函数的估计(Ⅱ)

在方差分量模型中,本文考虑形c’β β’Bβ f’θ的参数函数的估计问题.得到无偏可估条件和局部最小方差无偏估计的表达式.     

关于有效估计的一点讨论

一致最小方差无偏估计是所有无偏估计中方差最小的,有效估计是满足特定条件的无偏估计中方差最小的。通过2个例题说明了有效估计未必存在,即C-R下界未必能够达到,若C-R不等式的条件不成立,无偏估计的方差可能小于C-R下界。     

一般相关量测噪声下线性系统的平滑估计算法

提出了具有一般相关量测噪声的线性系统的平滑估计算法,该算法是在系统正向和逆向滤波估计结果的基础,利用线性无偏最小方差估计获得的。由于量测噪声的相关性,使得其后验均值不一定等于其先验均值,而它的后验均值又无法通过计算得到,因而提出的算法是一个次优算法。在正、逆向滤波结果已知时,所提出的算法计算量小,易于实现。仿真实例说明,该算法的估计结果要优于正、逆向滤波估计结果,以及量测噪声不相关的Ｋａｌｍａｎ平     

带相关噪声的观测融合稳态Kalman滤波算法及其最优性

对于带相关的输入白噪声和观测白噪声及相关观测白噪声的多传感器线性离散定常随机系统,用加权最小二乘(wLs)法提出了一种加权观测融合稳态Kalman滤波算法,并基于信息滤波器证明了它同集中式观测融合稳态Kalman滤波算法功能的等价性.因而,它具有渐近全局最优性,且可减少计算负担.一个跟踪系统数值仿真例子验证了它的功能等价性.     

带相关噪声多传感器系统的事件触发贯序和分布式融合估计

对带相关噪声的多传感器系统,研究了事件触发的贯序和分布式融合估计算法.不同传感器之间的观测噪声同时刻相关,并与过程噪声一步相关.为了节省通信能耗,采用了事件触发传输机制,该机制依赖于每个传感器当前的观测值和上一个触发时刻的观测值.在事件触发条件下,提出了在线性最小方差意义上的最优贯序融合和分布式融合估计算法.所提出的贯序融合算法可以根据传感器观测数据到达滤波器的顺序进行实时处理,具有较小的计算负担.所提出的分布式融合算法可以对传感器观测数据进行并行处理,具有更好的可靠性.两种算法与事件触发集中融合算法具有相同的估计精度.仿真结果验证了算法的有效性.     

多传感器线性最小方差最优信息融合估计准则

用Lagrange乘数法和矩阵微分运算,分别提出了按矩阵加权、按标量加权和各分量按标量加权的三种线性最小方差信息融合估计准则,其中考虑了估计误差之间的相关性,推广和发展了现有文献的结果。文中比较了三种融合估计的精度和计算负担,可应用于信息融合状态或信号最优估计。     

基于Kalman滤波的带相关噪声系统最优白噪声估值器

基于 Kalman 滤波,提出了带相关噪声定常系统的统一的白噪声估值器。它们由输入白噪声估值器和观测白噪声估值器组成,且可统一处理白噪声滤波、平滑和预报问题,可用于石油地震勘探信号处理和状态估计。一个 Bernoulli-Gaussian 白噪声平滑器的仿真例子说明它们的有效性。     

带相关噪声系统的自校正观测融合Kalman滤波器

对于带有相关噪声和未知噪声统计的多传感器线性离散定常随机系统,利用相关方法,提出了噪声统计信息的在线估计器.基于ARMA新息模型,提出了自校正加权观测融合Kalman滤波器,避免了求解Lyapunov和Riccati方程,减少了计算负担,适于实时应用.利用动态误差系统分析(DESA)方法,严格证明了提出的自校正融合滤波器以概率1或按实现收敛于相应的最优融合滤波器,即具有渐近全局最优性.一个3传感器系统的仿真例子说明其有效性.