广义系统多传感器分布式融合降阶Kalman滤波器

对于带多传感器的广义线性离散随机系统,应用奇异值分解,将其变换为等价的两个降阶多传感器子系统,提出了基于变换后的状态融合器构造原始状态融合器的新的融合方法。应用Kalman滤波方法,在线性最小方差按矩阵加权、按对角阵加权和按标量加权融合准则下,分别提出了三种最优加权融合降阶广义Kalman滤波器。可统一处理融合滤波、平滑和预报问题。可减少计算负担和改善局部滤波精度。证明了三种融合器和局部估值器之间的精度关系。为了计算最优加权。提出了局部滤波误差协方差阵的计算公式。一个Monte Carlo仿真例子说明了其有效性。     

带未知模型参数的自校正集中式融合信息滤波器

对于带未知模型参数和噪声统计的多传感器系统,通过系统辨识方法,能够获得模型参数和噪声统计的在线估值,然后把它们代入到基于信息矩阵的最优集中式融合滤波器,得到自校正集中式融合Kalman滤波器。应用动态误差系统分析（DESA）方法,证明了自校正集中式融合Kalman滤波器收敛于最优集中式融合Kalman滤波器,因此它有渐近全局最优性。应用于信号处理的仿真例子说明了其有效性。     

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...     

带有色噪声的广义系统信息融合Kalman滤波器

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滤波问题.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滤波器.为了计算最优加权,提出了局部滤波误差协方差阵的计算公式.一个Monte Carlo仿真例子说明了其有效性.     

带有色观测噪声的广义系统Kalman滤波器

对于带多传感器的广义线性离散随机系统,应用奇异值分解,并通过对观测方程的状态变换,将带有色观测噪声的系统变换为等价的带相关噪声的两个降阶多传感器子系统.应用Kalman滤波方法,在线性最小方差按块对角阵加权融合准则下,提出了按矩阵加权融合降阶广义Kalman滤波器,可减少计算负担和改善局部滤波精度.为了计算最优加权,给出了局部滤波误差协方差阵的计算公式,证明了融合器和局部滤波器之间的精度关系.一个Monte Carlo仿真例子说明了其有效性.     

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.