多通道信号自校正分布式融合Kalman滤波器

对带未知参数的多传感器多通道自回归滑动平均(ARMA)信号,采用多维递推辅助变量(MRIV)方法得到自回归模型参数估值,通过Gevers-Wouters算法辨识滑动平均模型参数估值,再用相关方法得到噪声方差的估值。把所有的估值都代入到最优分布式融合信息滤波器中得到自校正分布式融合Kalman信息滤波器。该滤波器具有渐近全局最优性,一个多通道信号仿真例子验证了其有效性。     

多变量自回归信号信息融合辨识方法

近年来,为了提高系统模型和状态估计的精度,多传感器数据融合引起了广泛关注。对于带白色公共干扰噪声和有色观测噪声的多传感器多变量自回归（AR）模型,当AR模型参数和噪声方差未知时,提出了一种信息融合多段辨识方法,其中采用多维递推辅助变量（MRIV）方法得到AR模型参数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,通过一个信号仿真例子验证了其有效性。     

带ARMA有色噪声的广义系统信息融合Kalman平滑器

对于带自回归滑动平均(ARMA)有色观测噪声的多传感器广义离散随机线性系统,应用奇异值分解,提出了广义系统多传感器信息融合状态平滑问题。基于Kalman滤波方法,在线性最小方差信息融合准则下,给出了按矩阵加权融合降阶稳态广义Kalman平滑器。为了计算最优加权,提出了局部平滑误差协方差阵的计算公式。一个Monte Carlo仿真例子说明了所提方法的有效性。     

不确定信号系统鲁棒观测融合Kalman预报器北大核心CSCD

对于带不确定噪声方差的多传感器单通道自回归滑动平均(ARMA)信号系统,当观测噪声中包含白噪声和一个自回归滑动平均(ARMA)有色观测噪声时,通过增广状态方法把ARMA信号系统模型转化为状态空间模型.应用加权最小二乘法和极大极小鲁棒估计准则,基于带噪声方差保守上界的最坏保守系统,提出了鲁棒加权观测融合稳态Kalman信号预报器.对于噪声方差的所有可能的不确定性,它们的实际预报误差方差保证有相应的最小上界.应用Lyapunov方程方法,证明了局部和加权观测融合稳态Kalman信号预报器的鲁棒性和鲁棒精度关系.通过一个仿真例子验证了所提出理论结果的正确性和有效性.     

带丢包不确定广义系统鲁棒Kalman预报器

针对一类带丢包和不确定噪声方差的广义系统,设计了鲁棒时变Kalman预报器.利用矩阵的非奇异线性变换,通过增广状态方法和虚拟噪声技术,将原系统转化为两个仅带有不确定噪声方差的降阶非广义子系统.根据极大极小鲁棒估计原理,基于带噪声方差保守上界的最坏情形子系统,得到子系统的鲁棒时变Kalman预报器.根据降阶子系统和原广义...     

自校正解耦融合Kalman预报器及其收敛性

对于带有未知模型参数和噪声方差的多传感器系统,通过系统辨识方法,得到模型参数和噪声方差的信息融合估计,将其代入到最优分量按标量加权融合Kalman预报器中,得到自校正信息融合Kalman预报器,实现了状态分量的解耦。通过动态误差系统分析（DESA）方法严格证明了提出的自校正Kalman预报器按一个实现收敛于最优融合Kalman预报器,因此它有渐近最优性。应用信号处理的仿真例子验证了其有效性。     

不确定多通道信号鲁棒稳态估计

对于一类具有随机参数矩阵、不确定噪声方差、一步随机时滞、丢包和丢失观测的多通道自回归(Autoregressive,AR)信号系统,文章研究其鲁棒稳态Kalman滤波问题.应用状态空间方法,增广方法和虚拟噪声技术,混合不确定AR信号模型被转换为仅带不确定噪声方差和相同过程以及观测噪声的状态空间模型.根据极大极小鲁棒估计原理,基于带不确定噪声方差保守上界的最坏情形系统,提出了鲁棒稳态Kalman一步和多步信号预报器.证明了所提出的信号预报器的鲁棒性,即对于所有容许的不确定性,信号预报器的实际稳态预报误差方差被保证有相应的最小上界.仿真例子验证了所提出方法的正确性和有效性.