两传感器最优观测融合解耦Wiener状态估值器

基于观测数据融合功能等价性原理,利用加权方法合并两传感器系统的各传感器的观测方程为一个最优融合观测方程,可得到全局最优稳态Kalman滤波器,进而可得到等价的解耦W iener状态估值器.可统一处理滤波、预报和平滑问题.且它可减小计算负担,便于实时应用.一个目标跟踪系统的仿真例子说明其有效性.     

带未知丢失观测率和传感器偏差的多传感器AR模型融合辨识

研究了带未知丢失观测率和传感器偏差的多传感器(Autoregressive,AR)模型融合辨识问题。采用一组伯努利随机变量描述观测丢失现象。选取递推增广最小二乘(Recursive extend least squares,RELS)算法,对未知的AR模型参数和未知的传感器偏差进行在线辨识。应用矩阵加权线性无偏最小方差最优融合估计准则得到AR模型参数的融合估计。通过AR模型与状态空间模型之间的转换和相关函数获得各传感器观测收到率和观测噪声方差估计值。仿真例子验证了此算法的有效性。     

随机奇异系统分布式最优分量融合滤波器

应用射影理论,基于奇异系统典范型分解,对带相关噪声的单传感器随机奇异系统,给出一种新的递推滤波器;当系统带有多个传感器时,基于线性最小方差标量加权的分量融合算法,给出了多传感器分布式最优分量融合滤波器.融合估计的每个分量分别由局部估计的相应分量按标量加权融合获得,它只需并行计算一系列标量权重.可改善各局部估计的精度和减小计算负担.推得了随机奇异系统任两个局部估计之间的滤波误差互协方差阵.仿真例子验证了其有效性.     

按三种不同加权准则的信息融合Kalman滤波器的性能比较

用Kalman滤波方法,在三种不同的线性最小方差最优融合准则下分别提出两传感器按矩阵加权,按对角阵加权和按标量加权的信息融合稳态Kalman滤波器.它们可以处理带相关的输入和观测噪声和带相关的观测噪声系统.一个目标跟踪系统的仿真例子说明了它们的有效性.仿真结果表明,同按矩阵加权和按对角阵加权融合滤波器相比,按标量加权融合滤波器的精度没有明显损失,但却显著地减小了计算负担,构成一种快速信息融合估计算法,适合实际应用.     

多传感器信息融合白噪声去卷Wiener滤波器和平滑器

应用现代时间序列分析方法和白噪声估计理论,在线性最小方差最优信息融合准则下,提出了多传感器最优信息融合白噪声去卷W iener滤波器和平滑器,其中给出了局部滤波误差之间的协方差公式,它可被用于计算最优融合加权系数.同单传感器情形相比,可提高融合估值器精度.它可应用于石油地震勘探信号处理.一个3传感器信息融合Bernoulli-Gaussian白噪声去卷滤波器的仿真例子说明了其有效性.     

基于Kalman滤波方法的多传感器信息融合最优白噪声反卷积滤波器

应用Kalman滤波方法和白噪声估计理论,在线性最小方差按矩阵加权最优信息融合准则下,提出了多传感器信息融合稳态最优白噪声反卷积滤波器,其中给出了局部滤波误差之间的协方差公式,它被用于计算最优融合加权阵.同单传感器情形相比,可提高滤波精度.它可应用于石油地震勘探信号处理.一个3传感器信息融合Bernoulli-Gaussian白噪声反卷积滤波器的仿真例子说明了其有效性.     

异质双9轴MEMS惯性传感器数据互补-加权迭代融合算法

在MEMS惯性传感器导航研究中,传统的MEMS捷联式惯性导航系统仅利用单多轴MEMS惯性传感器对移动目标进行导航定位,其测量值和噪声特性易受环境影响,此外加速度误差、陀螺仪漂移、平台框架角误差、平台安装误差等因素也严重影响传感器性能. 为此,从异质非单多轴MEMS惯性传感器互补融合角度出发,用异质双9轴MEMS惯性传感器采集移动目标原始信息,并提出互补-加权迭代融合算法. 首先对异质双9轴MEMS惯性传感器测得的原始数据进行预处理,基于卡尔曼滤波用最小方差估计法求解观测值. 通过估值方差和革新方程形成权值更新模型,实现异质双9轴MEMS惯性传感器数据的互补融合. 实验表明,相较传统单9轴MEMS惯性传感器导航,该算法可提高导航精度50%以上.     

一种基于联邦Kalman滤波结构的自适应信息融合方法

鉴于联邦Kalman滤波是一种能在复杂信息融合系统中进行目标状态估计的有效方法．介绍了联邦Kalman滤波器的原理和结构，提出了一种基于联邦Kalman滤波结构的自适应多传感器信息融合算法．仿真结果表明，该算法能有效提高信息融合系统的精度和容错性．具有较高的实用价值．     

广义离散随机线性系统降阶固定区间最优Kalman平滑器

利用广义系统典范型,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。     

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.     

一种新的固定滞后最优Kalman平滑器

基于带相关噪声系统的一种最优Kalman滤波算法,应用白噪声估计理论和射影理论,提出了一种带白噪声估值器的固定滞后最优Kalman平滑器。它可递推实现,一个仿真例子说明了其有效性。     

含测量时滞的离散时间随机系统的最优控制器设计

针对网络诱发的时滞系统的状态估计和最优问题,研究离散时间情况下含有测量时滞的网络控制系统在随机白噪声状态下的最优控制问题。提出一种基于离散时间时滞系统的状态最优估计方法,并完成最优状态估计器的设计。构建一个隐含测量时滞的系统,然后利用无时滞转换方法,将含测量时滞的网络控制系统转换为无时滞系统,再采用卡尔曼滤波的方法对系统状态进行估计,得出最优估计方程。实现了针对含有测量时滞的网络控制系统的状态估计,完成最优控制器设计。仿真示例系统的状态响应验证了该方法的可行性和有效性。     

具有指数收敛速率的时滞系统采样迭代学习控制

针对具有状态时滞的连续时间系统提出一种采样迭代学习控制算法,可以避免连续系统D型和P型算法的不足.给出并证明了算法指数收敛的充分条件,该条件可保证系统跟踪误差能以指数收敛速率收敛至一个与采样周期相关的误差范围内.     

具有指数收敛速率的时滞系统采样迭代学习控制

针对具有状态时滞的连续时间系统提出一种采样迭代学习控制算法,可以避免连续系统D型和P型算法的不足,给出并证明了算法指数收敛的充分条件,该条件可保证系统跟踪误差能以指数收敛速率收敛至一个与采样周期相关的误差范围内。     

分布式信息融合Wiener反卷积平滑器

应用现代时间序列分析方法,基于ARMA新息模型和增广的状态空间模型,提出了按标量加权多传感器最优信息融合Wiener反卷积平滑器,给出了局部平滑器误差方差和互协方差的计算公式,它们可被用于计算最优加权系数。同单传感器情形相比,可提高融合平滑器的精度。一个仿真例子说明其有效性。     

信息融合超前k步稳态最优Kalman预报器和Wiener预报器

应用Kalman滤波方法,基于Riccati方程,在线性最小方差信息融合准则下,提出了两传感器信息融合超前k步稳态最优Kalman预报器和Wiener预报器,给出了最优加权阵和最小融合误差方差阵.同单传感器情形相比,可提高预报精度.一个雷达跟踪系统的仿真例子说明了其有效性.     

一种基于分层的网络管理系统的研究及实现

随着三网融合的不断深入,网络规模增大,网络中设备数量增加。集中式的网络管理系统存在着获得被管设备信息时间过长,信息更新不及时等缺点。为了有效地对网络中的设备进行管理,在分析集中式网络管理系统的基础上,提出一种基于分层思想的网络管理系统,并采用多线程技术进行实现。     

求解全局非线性约束规划问题的积分水平集方法

针对约束最优化问题,给出了一个修改的积分水平集方法.它采用非光滑精确罚函数将约束优化问题等价转化为在n维闭子空间上的优化问题,并采用一致分布投点法来生成和估计水平集;在此基础上估计了水平集的积分的误差界,并进一步给出了修正积分水平集算法收敛性的证明.数值算例表明算法是有效的.     

信息融合Wiener信号滤波器

利用现代时间序列分析方法,基于ARMA新息模型和增广的状态空间模型,提出了两传感器最优信息融合WIENER信号滤波器,给出了计算局部滤波器误差方差和局部滤波器之间协方差的计算公式,它们可被用于计算最优加权系数．同单传感器情形相比,可提高滤波器的精度．一个仿真例子说明其有效性．     

一种新的状态重构方法

提出了一种新的降维观测器的设计方法.首先把状态空间变换成能观测第I标准型,根据系统输出矩阵的秩决定降维观测器的维数.然后推导出降维观测器的方程并估计了降维观测器对状态重构的误差.最后给出了仿真例子.