具有数据包丢失的离散随机不确定系统的线性最优满阶估值器

研究了具有数据包丢失和随机不确定性离散随机线性系统的状态估计问题.其中数据包丢失是随机的,且满足Bernoulli分布,系统矩阵中的随机不确定性由一个白色乘性噪声来描述.首先,通过配方方法,提出了最小均方意义下的无偏最优线性递推满阶滤波器.所提出的滤波器用到了当前时刻和最近时刻接收到的观测来保证线性最优性.与多项式滤波和增广滤波器相比,本文的滤波器具有较小的计算负担.然后,基于所获得的线性滤波器推导了线性最优预报器和平滑器.进一步研究了线性最优估值器的渐近稳定性,给出了稳态特性存在的一个充分条件.最后,通过两个仿真例子验证了所提估计算法的优越性.     

多通道Wiener 滤波器设计新方法

应用现代时间序列分析方法,提出了多通道Ｗｉｅｎｅｒ滤波器设计的一种新的时域方法,它可统一处理滤波、平滑和预报问题,且可处理非平稳信号和噪声,仿真例子说明了该方法的有效性。     

快速次优固定区间Wiener平滑器算法

为了克服带相关噪声控制系统的最优固定区间Kalman平滑算法要求较大计算负担的缺点,应用Kalman滤波方法,基于CARMA新息模型,由稳态最优Kalman平滑器导出了带相关噪声控制系统的最优固定区间Wiener递推状态平滑器,它带有系数阵指数衰减到零的高阶多项式矩阵.用截断系数矩阵近似为零的项的方法提出了相应的快速次优固定区间Wiener平滑算法.它显著地减少了计算负担,便于实时应用,还给出了截断误差公式和选择截断指标的公式.仿真例子说明了快速平滑算法的有效性.     

多传感器时滞系统信息融合最优Kalman滤波器

基于线性最小方差最优加权融合估计算法,对多传感器的离散线性状态时滞随机系统,给出了一种非增广分布式加权融合最优Kalman滤波器.推导了状态时滞系统任两个传感器子系统之间的滤波误差互协方差阵的计算公式.它与状态增广加权融合滤波器具有相同的精度.与每个传感器的局部滤波器相比,分布式融合滤波器具有更高的精度.与状态和观测增广最优滤波器相比,具有较小的精度.但避免了增广所带来的高维计算和大的空间存储,可减小计算负担.仿真例子验证了其有效性.     

带相关噪声异步采样系统的分布式最优线性递推融合估计

对带相关噪声的异步均匀采样线性离散系统, 研究了分布式最优线性递推融合预报和滤波问题. 通过引入 满足伯努利分布的随机变量将系统同步化, 给出了局部Kalman预报器和滤波器. 分别推导了局部估值间的互协方 差阵、分布式最优线性融合估值与局部估值间的互协方差阵. 提出了分布式最优线性递推融合预报器和滤波器. 与 局部估值按矩阵加权的分布式融合估计算法相比, 所提出的算法具有更高的估计精度, 但与集中式融合相比有精度 损失. 为了进一步提高估计精度, 又提出了带反馈的分布式最优线性递推融合预报器和滤波器, 证明了带反馈的融 合估计与集中式融合估计具有相同的精度. 仿真例子验证了所提算法的有效性.     

线性广义系统的最优和鲁棒满阶平滑器

对于线性离散随机广义系统,利用增广状态方法将平滑器问题转化为增广状态的滤波器问题.基于极大似然线性估计准则,提出了最优的满阶平滑器,其中增广状态滤波器的误差方差阵满足广义Riccati方程.当线性离散广义系统的过程噪声和观测噪声的方差不确定时,基于极大极小鲁棒设计原理和最优满阶平滑算法,得到了鲁棒满阶平滑器.应用动态误差方差分析方法证明了其鲁棒性,即鲁棒平滑误差方差阵存在一个上界方差矩阵.数值仿真例子验证了其有效性和正确性.     

带时间相关乘性噪声多传感器系统的分布式融合估计

研究带时间相关乘性噪声多传感器系统的分布式融合估计问题,其中时间相关的乘性噪声满足一阶高斯-马尔科夫过程.通过引入虚拟状态和虚拟过程噪声,构建了虚拟状态的递推方程.首先,基于新息分析方法,分别对系统状态和虚拟状态设计局部一步预报器.然后,基于一步预报器设计状态的局部线性滤波器、多步预报器和平滑器.推导了任意两个局部状态估计误差之间的互协方差矩阵.接着,基于线性最小方差意义下的矩阵加权、对角矩阵加权和标量加权融合算法,给出相应的分布式融合状态估值器.最后,分析算法的稳定性.仿真研究验证了该算法的有效性.     

具有一步随机时滞和多丢包的网络系统H∞滤波器设计

在网络系统中由于连接传感器和滤波器的网络带宽有限,系统测量数据在传输中会出现随机时延甚至丢失. 本文讨论了具有一步随机时延和丢包的网络系统的H∞滤波器设计问题.基于新近提出的同时描述随机时延和丢包的模型,利用线性矩阵不等式方法设计线性滤波器,使得滤波误差系统均方指数稳定,并具有给定的H∞性能. 滤波器参数通过求解一个线性矩阵不等式得到.仿真研究说明了所提出算法的有效性.     

不确定观测线性离散随机系统白噪声估值器

在网络控制系统和传感器网络中,可能的传感器观测数据丢失使得系统的观测具有不确定性。应用新息分析方法,对传感器具有数据丢失的不确定观测线性离散随机系统,提出了统一和通用的白噪声估计算法,包括输入白噪声估值器和观测白噪声估值器。可统一处理传感器具有数据丢失的白噪声的最优滤波、预报和平滑问题。同时,给出了稳态白噪声估值器和相应的Wiener白噪声估值器。当没有数据丢失时,所得的结果恰是以往基于完整观测数据的白噪声估值器。仿真研究验证了算法的有效性。     

带有色观测噪声系统多传感器标量加权最优信息融合稳态Kalman滤波器

基于标量加权多传感器线性最小方差最优信息融合准则,对被多传感器观测的带有色观测噪声的离散线性随机控制系统,提出了一种具有两层融合结构的标量加权信息融合稳态Kalman滤波器,它等价于相应的带相关噪声系统的最优信息融合稳态Kalman预报器.最优信息融合稳态预报器可在所有局部预报器达到稳态时,通过一次融合获得,且任两个子系统之间的稳态预报误差互协方差阵可通过任选初值迭代求得,并证明了它的收敛性.通过将它应用到带三个传感器的雷达跟踪系统验证了其有效性.