自校正加权观测融合Kalman估值器及其应用

论文摘要

在现代C~3I(指挥、控制、通信与情报)作战系统中，依靠单传感器提供信息已无法满足作战的需要，必须运用多传感器提供观测数据，实时的进行目标检测和识别。为此，多传感器信息融合技术便迅速的发展起来，并在现代C~3I系统中和军事领域中得到了广泛的应用。如何合并多传感器的观测方程为一单个观测方程且得到优于单个传感器的效果?解决这一问题有很多种信息融合方法，其中Kalman滤波具有重要的理论及应用意义。基于Kalman滤波的多传感器信息融合方法，包括状态融合和观测融合，近年来得到了广泛深入的研究。对于多传感器系统，本文应用加权最小二乘(WLS)法得到一个加权观测融合方程，它与原始方程构成一个等价的加权观测融合系统。基于Riccati方程，提出了两种稳态最优加权观测融合Kalman估值器(滤波器、预报器和平滑器)，并验证了与集中式观测方法对比的完全功能等价性。对于带未知噪声方差的多传感器系统，引入左素分解可得到一个新的观测过程，该观测过程用两个滑动平均(MA)过程之和表示。采用求解相关函数矩阵方程组方法，得到了噪声方差估值器，并且根据新的观测过程的采样相关函数及其遍历性，证明了噪声方差估值器的一致性。在此基础上，基于Riccati方程，提出了两种自校正加权观测融合Kalman估值器。通过对动态误差系统的稳定性分析，证明了自校正加权观测融合Kalman估值器的收敛性，即按实现或以概率1收敛于当噪声方差已知时的全局最优加权观测融合Kalman估值器，在跟踪系统中大量的仿真例子说明了它们的有效性。

论文目录

• 中文摘要
• Abstract
• 绪论
• 第1章 稳态全局最优加权观测融合Kalman估值器
• 1.1 引言
• 1.2 全局最优集中式观测融合Kalman估值器
• 1.3 带相同观测阵多传感器系统加权观测融合算法（Ⅰ）
• 1.4 基于加权观测融合算法（Ⅰ）的稳态全局最优加权观测融合Kalman估值器
• 1.5 带有不相同观测阵多传感器系统加权观测融合算法（Ⅱ）
• 1.5.1 情形一 观测阵没有相同右因子
• 1.5.2 情形二 观测阵具有相同右因子
• 1.6 基于加权观测融合算法（Ⅱ）的稳态全局最优加权观测融合Kalman估值器
• 1.6.1 情形一 观测阵没有相同右因子
• 1.6.2 情形二 观测阵具有相同右因子
• 1.7 两种加权观测融合算法的全局最优性和完全功能等价性
• 1.8 仿真例子
• 1.9 本章小结
• 第2章 自校正加权观测融合Kalman估值器
• 2.1 引言
• 2.2 辨识动态系统噪声方差方法原理
• 2.3 多传感器动态系统噪声方差估值器
• 2.4 基于加权观测融合算法（Ⅰ）的自校正加权观测融合Kalman估值器
• 2.5 自校正加权观测融合Kalman估值器收敛性
• 2.6 基于加权观测融合算法（Ⅱ）的自校正加权观测融合Kalman估值器
• 2.6.1 情形一 观测阵没有相同右因子
• 2.6.2 情形二 观测阵具有相同右因子
• 2.7 仿真例子
• 2.8 本章小结
• 结论
• 参考文献
• 致谢
• 攻读学位期间发表论文