最优加权观测融合状态估值器及其应用

论文摘要

近年来,随着计算机技术、通讯技术的发展,多传感器信息融合技术得到了迅速发展,并成为当前信息处理领域一个十分活跃的研究热点。多传感器信息融合滤波的目的是:基于由每个传感器得到的关于系统状态或信号的局部观测或局部估计信息,在某种最优融合准则下得到系统状态或信号的融合估计,其精度高于每个局部估计精度。本文应用加权最小二乘(WLS)法,基于Riccati方程,分别对带相同或不同观测阵以及相关观测噪声的多传感器线性离散随机系统,提出两种加权观测融合Kalman滤波算法;对带相同观测阵、相关观测噪声以及相关的输入和观测噪声的多传感器线性离散随机系统,提出一种加权观测融合Kalman滤波算法;并基于信息滤波器证明了上述加权观测融合Kalman滤波算法同集中式观测融合Kalman滤波算法相比是完全功能等价的,因而具有全局最优性。还提出了相应的加权观测融合稳态Kalman滤波算法和多传感器加权观测融合状态分量解耦Wiener估值算法,它们具有渐近全局最优性。给出了它们在ARMA信号观测融合Wiener滤波中的应用。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
• 1 课题背景和国内外发展概况
• 2 多传感器信息融合的优势
• 3 多传感器信息融合的相关工作
• 4 本文主要创新工作
• 第1章 带相同观测阵和相关观测噪声系统观测融合KALMAN估值器
• 1.1 引言
• 1.2 带相同观测阵和相关观测噪声系统的两种加权观测融合Kalman滤波算法的功能等价性
• 1.2.1 两种加权观测融合算法
• 1.2.2 两种加权观测融合算法的部分功能等价性
• 1.2.3 两种加权观测融合算法的完全功能等价性和全局最优性
• 1.3 带相同观测阵和相关观测噪声系统观测融合全局最优Kalman估值器
• 1.3.1 多传感器加权观测融合全局最优Kalman估值器
• 1.3.2 多传感器集中式观测融合全局最优Kalman估值器
• 1.4 仿真例子
• 1.5 本章小结
• 第2章 带不同观测阵和相关观测噪声系统观测融合KALMAN估值器
• 2.1 引言
• 2.2 带不同观测阵和相关观测噪声系统的两种加权观测融合kalman滤波方法的功能等价性
• 2.2.1 两种观测融合方法
• 2.2.2 两种加权观测融合方法的部分功能等价性
• 2.2.3 两种加权观测融合方法的完全功能等价性和全局最优性
• 2.3 带不同观测阵和相关观测噪声系统观测融合全局最优kalman估值器
• 2.3.1 多传感器加权观测融合全局最优Kalman估值器
• 2.3.2 多传感器集中式观测融合全局最优Kalman估值器
• 2.4 仿真例子
• 2.5 本章小结
• 第3章 带相同观测阵和相关噪声系统的一种加权观测融合KALMAN估值器
• 3.1 引言
• 3.2 带相同观测阵和相关噪声的一种加权观测融合Kalman滤波算法和集中式观测融合方法的功能等价性
• 3.2.1 集中式观测融合Kalman滤波算法
• 3.2.2 一种加权观测Kalman算法
• 3.2.3 加权观测融合kalman滤波方法的部分功能等价性
• 3.2.4 加权观测融合方法的完全功能等价性和全局最优性
• 3.3 带相同观测阵和相关观测噪声系统观测融合全局最优Kalman估值器
• 3.3.1 多传感器加权观测融合全局最优Kalman估值器
• 3.3.2 多传感器集中式观测融合全局最优Kalman估值器
• 3.4 仿真例子
• 3.5 本章小结
• 第4章 多传感器观测融合Wiener估值器
• 4.1 引言
• 4.2 多传感器观测融合解耦 Wiener 估值器
• 4.2.1 带相同观测阵和相关观测噪声系统的多传感器加权观测融合解耦Wiener估值器
• 4.2.2 带不同观测阵和相关观测噪声系统的多传感器观测融合解耦Wiener估值器
• 4.2.3 带相同观测阵和相关噪声系统的一种多传感器加权观测融合解耦Wiener估值器
• 4.3 ARMA 信号 Wiener滤波器设计
• 4.3.1 考虑单通道、多传感器ARMA信号（c0 = 0 情形）
• 4.3.2 考虑单通道、多传感器ARMA信号（c0 = 1 情形）
• 4.3.3 考虑多通道、带有色观测噪声的多传感器ARMA 信号
• 4.3.4 考虑单通道、多传感器Wiener反卷积滤波器
• 4.4 仿真例子
• 4.5 本章小结
• 结论
• 参考文献
• 致谢
• 攻读学位期间发表论文