多传感器ARMA信号自校正分布式融合Kalman滤波器

对含未知模型参数和未知噪声方差的多传感器自回归滑动平均（ARMA）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,然后用取局部估值器的平均得到信息融合估值器。将这些融合估值器代入ARMA信号的全局最优分布式融合Kalman滤波器,提出了一种自校正分布式融合Kalman滤波器。用动态误差分析方法证明了它收敛于全局最优分布式Kalman滤波器,因而它具有渐近全局最优性。一个目标位置跟踪系统仿真例子说明了其有效性。     

自校正信息融合Wiener滤波器及其收敛性

对带未知噪声统计的多传感器系统,用求解相关函数矩阵方程组的方法得到噪声统计在线估值器,并提出了自校正Lyapunov方程.用现代时间序列分析方法,基于滑动平均(MA)新息模型的辨识,在按分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦融合Wiener滤波器,并用动态误差系统分析(DESA)的方法证明了自校正Lyapunov方程的收敛性,进而证明了自校正融合Wiener滤波器收敛于最优融合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,且算法简单,便于实时应用.一个目标跟踪系统的仿真例子说明了其有效性.     

自校正解耦融合Wiener状态预报器

对含未知模型参数和噪声统计的多传感器单输入单输出系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,可得到未知模型参数和噪声统计估值器,进而在按状态分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦信息融合Wiener状态预报器。它实现了自校正分量解耦局部Wiener状态预报器和自校正分量解耦融合预报器。证明了它的收敛性和渐近最优性。一个目标跟踪系统的仿真例子说明了其有效性。     

多传感器多变量AR模型信息融合辨识方法

对于带白色公共干扰噪声、白色观测噪声和传感器偏差的多传感器多变量自回归（AR）模型,当AR模型参数、传感器偏差和噪声方差未知时,提出了一种信息融合多段辨识方法,其中用多重递推增广最小二乘法（MRELS）得到AR模型参数和传感器偏差的局部和融合估值器,再用相关方法得到局部和融合噪声方差估值器。这些估值器具有一致性。一个仿真例子验证了其有效性。     

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。     

自校正观测融合解耦Wiener状态预报器

对于带未知噪声方差和带不同观测阵的多传感器系统,应用现代时间序列分析方法,基于子系统和加权观测融合系统的滑动平均(MA)新息模型的在线辨识,提出了一类自校正加权观测融合解耦Wiener状态预报器。用动态误差系统分析方法,证明了它按实现收敛于当噪声方差已知时的最优加权观测融合解耦Wiener状态预报器,因而它具有渐近全局最优性。一个目标跟踪系统的仿真例子说明了其有效性。     

多模型信息融合Wiener状态估值器

对多模型多传感器线性离散定常随机系统,应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型和白噪声估计理论,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Wiener估值器。它们的精度高于每个局部估值器的精度,且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。它们可用于带ARMA有色观测噪声系统状态融合滤波问题。一个跟踪系统MonteCarlo仿真例子说明其有效性。     

自校正信息融合Wiener反卷积滤波器

对于含有未知模型参数和噪声统计的多传感器信号反卷积系统,应用现代时间序列分析方法,基于自回归滑动平均（ARMA）新息模型参数的在线辨识,可在线估计噪声方差,进而提出了自校正信息融合Wiener反卷积滤波器。证明了它的渐近最优性,即若ARMA新息模型参数估计是一致的,则它收敛于当噪声方差已知时的最优融合Wiener反卷积滤波器。同单传感器情形相比,它可提高滤波精度。一个带三传感器的反卷积系统的仿真例子说明了其有效性。     

自校正解耦融合Kalman滤波器及其收敛性

对带未知噪声统计的多传感器系统,提出了基于相关方法的噪声统计在线估值器,进而提出了自校正Riccati方程和自校正Lyapunov方程.在按分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦融合Kalman滤波器,并用动态误差系统分析(DESA)方法证明了它收敛于最优分量解耦融合稳态Kalman滤波器,因而具有渐近最优性,它的精度比每个局部自校正Kalman滤波器精度高,且算法简单,便于实时应用.一个目标跟踪系统的仿真例子说明了其有效性.     

自校正分布式观测融合Kalman估值器

对于带未知噪声统计的多传感器系统,应用加权最小二乘(WLS)法得到了一个加权融合观测方程,且它与状态方程构成一个等价的观测融合系统.应用现代时间序列分析方法,基于观测融合系统的滑动平均(MA)新息模型参数的在线辨识,可在线估计未知噪声方差,进而提出了一种加权观测融合自校正Kalman估值器,可统一处理自校正融合滤波、预...     

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。     

多传感器全局最优加权观测融合Wiener信号滤波器

基于Kalman滤波,应用加权观测融合方法,对于带白色观测噪声的单通道ARMA信号,提出了全局最优多传感器观测融合Wiener信号滤波器。可统一处理信号融合滤波、平滑和预报问题。同集中式规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信号滤波器,而且明显减小计箅负担,便于实时应用。一个三传感器加权观测融合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。     

自校正标量加权信息融合Kalman滤波器

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,基于自回归滑动平均(ARMA)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,进而在按标量加权线性最小方差最优信息融合准则下,提出了自校正标量加权信息融合Kalman滤波器。它具有渐近最优性,且比每个局部自校正Kalman滤波器精度高,算法简单,便于实时应用。一个目标跟踪系统的仿真例子说明了其有效性。