带机动输入诊断和估计的自校正α—β—γ跟踪滤波器

对于带未知噪声统计的机动目标跟踪系统,本文提出了一种新的自校正跟踪方案,它由一个简单的自校正α-β-γ滤渡器、机动输入判决器和带输入估计的自校正α-β-γ滤波器组成,当判决机动加速度输入出现时,则简单的自校正α-β-γ滤波器立即被用带输入估计的自校正α-β-γ滤波器代替,以保证跟踪滤波器的精度,仿真结果说明了新方案的有效性。     

带有色观测噪声和输入估计的自校正Kalman滤波器及其应用

对于带来知有色观测噪声和未知常的输入的离散线性系统,本文用现代时间序列分析方法,基于ARMA新息模型,提出了一种新的带输入估计的自校正Kalmn滤波器,作为一个应用例子,提出了新颖的带有色观测噪声和输入估计的自校正α—β跟踪滤波器,仿真结果说明了其有效性。     

稳态Kalman滤波增益估计的两种新算法及其应用

本文从时间序列分析观点,基于观测过程的 CARMA 新息模型,提出了稳态 Kalman 滤波增益估计的两种新算法及相应的自校正 Kalman 滤波器,形成一种新的自适应 Kalman 滤波技术.新算法比Mehra 和 Tajima 的算法简单.作为应用例子,对于一个简单的跟踪系统,导出了带输入估计的自校正α-β滤波器,仿真结果说明了新算法的有效性.     

单输出系统最优自校正滤波新方法及其在跟踪系统中的应用

对于带未知噪声统计且含未知模型参数的单输出系统,本文用现代时间序列分析方法提出了一种新的自校正滤波方法,给出了具有渐近最优性的自校正滤波器,新方法的特点是基于ARMA新息模型通过计算自校正输出预报器和自校正观测噪声滤波器就可得到自校正状态滤波器,文中给出了在跟踪系统中的应用例子,仿真结果说明了新方法的有效性。     

广义系统信息融合稳态与自校正满阶Kalman滤波器

基于线性最小方差标量加权融合算法和射影理论,对带多个传感器和带相关噪声的广义系统,提出了分布式标量加权融合稳态满阶Kalman滤波器.推得了任两个传感器子系统之间的稳态满阶滤波误差互协方差阵,其解可任选初值离线迭代计算.所提出的稳态融合滤波器避免了每时刻计算协方差阵和融合权重,减小了在线计算负担.当系统含有未知模型参数时,基于递推增广最小二乘算法和标量加权融合算法,提出了一种两段融合自校正状态滤波器.其中第1段融合获得未知参数的融合估计;第2段融合获得分布式自校正融合状态滤波器.与局部估计和加权平均融合估计相比,所提出的标量加权融合参数估计和自校正状态估计都具有更高的精度.仿真研究验证了其有效性.     

自校正α-β跟踪滤波器

本文用现代时间序列分析方法对雷达跟踪系统提出了一种新的自校正α-β跟踪滤波器, 它有如下优点:1)可处理带未知噪声统计和含未知模型参数的跟踪系统;2)基于ARMA新 息模型的在线辨识,可简单地计算α-β滤波器的参数;3)避免解稳态Riccati方程;4)具有渐 近最优(自校正)性.仿真例子说明了其有效性.     

自校正α—β—γ跟踪滤波器

对于含有未知模型参数和带未知噪声统计的一类跟踪系统,基于ARMA新息模型的在线辨识,本文提出了一种新颖的自校正α-β-γ跟踪滤波器,仿真结果说明了它的有效性。     

自校正滤波器在卫星定位中的应用

设计了一种新的基于ARMA模型的自校正卡尔曼滤波器,对卫星定位误差模型参数进行分段在线估计,根据误差模型估计参数直接求取滤波增益阵.并提出了一种直接计算滤波误差方差阵的方法,对两个不同的定位系统进行信息融合.仿真结果表明,在未知噪声统计特性的情况下,自校正卡尔曼滤波器能有效过滤观测噪声,基于它的信息融合规则能够有效提高定位精度.计算过程简单,并可以在线建模.     

基于Riccati方程的自校正解耦融合Kalman滤波器

对于带未知噪声方差的多传感器系统,用相关方法给出了噪声方差的在线估值器,进而基于Riccati方程和按分量标量加权最优融合规则,提出了自校正分量解耦信息融合Kalman滤波器.用动态误差系统分析方法证明了自校正融合Kalman滤波器按实现收敛于最优融合Kalman滤波器,因而具有渐近最优性.一个3传感器跟踪系统的仿真例子说明了其有效性.     

非平稳ARMA信号自校正平滑器及其在雷达跟踪系统中的应用

本文处理带白色观测噪声的未知非平稳ARMA信号估计问题,应用现代时间序列分析方法提出了非平稳ARMA信号自校正平滑器,推广了Hagander和Wittenmark的结果,并给出了在雷达跟踪系统中的应用,仿真结果说明了其有效性。     

Active fault tolerant control using state-space self-tuning control approach

This paper presents a new fault tolerant control scheme for unknown multivariable stochastic systems by modifying the conventional state-space self-tuning control approach. For the detection of faults, a quantitative criterion is developed by comparing the innovation process errors occurring in the Kalman filter estimation algorithm, which, for faulty system recovery, a weighting matrix resetting technique is developed by adjusting and resetting the covariance matrices of the parameter estimate obtained in the Kalman filter estimation algorithm to improve the parameter estimation of the faulty systems. The proposed method can effectively cope with partially abrupt and/or gradual system faults and/or input failures with fault detection. The modified state-space self-tuning control scheme can be applied to the multivariable stochastic faulty system without requiring prior knowledge of system parameters and noise properties.     

单通道最优和自校正去卷平滑器及其应用

基于白噪声估计理论，本文提出了单通道ＡＲＭＡ信号的一种新的最优和自校正去卷滤波器和平滑器，可处理非平稳ＡＲＭＡ输入信号及不稳定和非最小相位系统，并给出了在雷达跟踪系统中的仿真应用例子。     

非平稳ARMA信号自校正去卷滤波器

本文用现代时间序列分析方法[1],对于通过已知线性系统被观测的未知非平稳ARMA输 入信号,提出了一种新的自校正递推去卷滤波器,它可用ARMA新息滤波器形式表示,适用 于非最小相位和不稳定的线性观测系统.仿真例子说明了其有效性.     

自校正状态估计新算法

本文运用现代时间序列分析＾［１］的观点处理性离散时间系统自校正最优状态估计。运用新息理论和射影方法本文提出了一种新型最优滤器，在噪声统计未各时基于辨识ＡＲＭＡ新自模型提出了自校正滤波器，仿真例子说明新算法的效性。     

基于条件高斯分布的未知输入与状态估计算法

针对未知输入同时存在于系统方程和测量方程的直接馈通线性随机系统, 提出了一种同时估计未知输入 和状态的算法. 首先, 通过将未知输入模型描述为有限方差的高斯分布, 利用条件高斯分布的性质, 推导出新的滤波 算法, 以同时得到未知输入估计和状态估计. 其次, 证明了当未知输入的方差趋于无穷大时, 本文提出的算法等价于 已有的递归三步滤波算法. 最后, 分析了本文算法的渐进稳定性条件, 结果表明, 与已有算法相比, 本文的算法适用 范围更广.     

Unbiased minimum-variance input and state estimation for linear discrete-time systems with direct feedthrough

This paper extends previous work on joint input and state estimation to systems with direct feedthrough of the unknown input to the output. Using linear minimum-variance unbiased estimation, a recursive filter is derived where the estimation of the state and the input are interconnected. The derivation is based on the assumption that no prior knowledge about the dynamical evolution of the unknown input is available. The resulting filter has the structure of the Kalman filter, except that the true value of the input is replaced by an optimal estimate.     

多变量自校正递推去卷滤波器

本文用时域上的新息分析方法，对于线性多变量系统的输入信号，提出了一种新的自校正递推去卷滤波器，它具有ＡＲＭＡ新息滤波器形式，可处理多变量非平稳ＡＲＭＡ输入信号、不稳定和／或非最小相位系统。仿真例子说明了其有效性。     

Self-tuning weighted measurement fusion white noise deconvolution estimator and its convergence analysis

White noise deconvolution or input white noise estimation has a wide range of applications including oil seismic exploration, communication, signal processing, and state estimation. For the multisensor linear discrete time-invariant stochastic systems with correlated measurement noises, and with unknown ARMA model parameters and noise statistics, the on-line AR model parameter estimator based on the Recursive Instrumental Variable (RIV) algorithm, the on-line MA model parameter estimator based on Gevers–Wouters algorithm and the on-line noise statistic estimator by using the correlation method are presented. Using the Kalman filtering method, a self-tuning weighted measurement fusion white noise deconvolution estimator is presented based on the self-tuning Riccati equation. It is proved that the self-tuning fusion white noise deconvolution estimator converges to the optimal fusion steady-state white noise deconvolution estimator in a realization by using the dynamic error system analysis (DESA) method, so that it has the asymptotic global optimality. The simulation example for a 3-sensor system with the Bernoulli–Gaussian input white noise shows its effectiveness.