离散随机奇异系统的最优融合全阶状态估值器

研究带多传感器和相关观测噪声的离散随机奇异系统的分布式融合状态估计问题.核心思想是将带多传感器的随机奇异系统转化为一个等价的非奇异系统组.在得到局部非奇异系统的状态估计后,利用线性最小方差意义下的最优加权融合算法,得到原系统的全阶最优融合滤波器和平滑器.仿真算例表明,融合估值器优于每个局部估值器.     

基于伪测量的分布式最优单步延迟航迹融合估计

融合中心如何处理无序局部数据,对分布式多传感器系统的运行品质至关重要．本文将系统中的局部估计转化为伪测量,将分布式融合估计转化为二级集中式融合估计．将所得的伪测量兼分布式融合估计算法与单步延迟的无序测量数据（out-of-sequencemeasurements,OOSM）最优滤波-A1算法进行组合,得出了分布式多传感器系统的最优单步延迟无序航迹（out-of-sequence tacks,OOST）估计算法,适用于航迹无序局部数据融合估计．该算法具有最优估计性能．     

多传感器分布式区间估计融合

考虑了对未知参数θ的多传感器分布式区间估计融合问题. 建立了一种最优区间估计融合模型———凸线性组合融合, 并给出搜索最优权系数的Gauss Seidel迭代算法, 另外, 给出了一种近似的区间估计融合, 它能减少大量的计算量, 并且在某些情况下可以达到最优的估计性能. 最后采用计算机数值模拟, 用以上方法得到的融合区间估计均优于每个传感器的区间估计的性能.     

集中式与分布式鲁棒状态融合估计

研究不确定多传感器系统的鲁棒估计问题是多传感器融合估计理论的一个重要研究方向.本文以鲁棒滤波理论为基础,给出了不确定多传感器系统的多胞型描述模型,并利用LMI方法给出集中式鲁棒状态融合估计问题的解,证明了将集中式鲁棒融合估计转化为相同估计性能的分布式融合估计算法的条件.最后给出了分布式不确定多传感器系统的状态融合估计的一个算例.     

标量及对角阵加权的序贯估计融合算法研究

针对多传感器分布式估计融合系统,在最小化估计误差的协方差矩阵迹的准则下,采用标量加权及对角阵加权融合方法,提出了估计误差相关条件下的序贯处理式最优估计融合Kalman滤波器。该融合滤波器以两传感器估计融合算法为基础,对传感器采集信息依次进行融合计算,得到多传感器融合结果。比较两种算法与局部滤波器的估计精度,并进行了仿真。仿真结果表明了基于加权估计融合的序贯处理算法的可行性和有效性。     

多传感器分布式信息融合粒子滤波器

针对非线性非Gaussian系统的状态估计问题,提出一种基于信息融合的多传感器分布式粒子滤波算法。该算法首先利用粒子滤波方法分别计算局部传感器的状态估值,再应用分布式标量加权融合准则对状态估值进行信息融合。仿真结果表明和单传感器情形相比可提高滤波的精度。     

传感器网络中信息融合的几个基本问题

系统地阐述了传感器网络环境中几个基本而又重要的信息融合问题的最近进展，包括：最一般条件下全局最优的多传感器分布式统计判决；传感器观测数据或局部估计的最优维数压缩；一般条件下最优线性无偏估计融合公式及其有效算法；传感器观测噪声相关情形下动态系统的卡尔曼滤波融合；容错条件下的区间估计融合．这些结果对传感器网络的设计与应用具有重要意义．     

基于M 带小波的动态多尺度系统融合估计

研究一类动态多尺度系统的融合估计方法，这类系统具有已知的动态系统模型约束，由具有不同采样率的多个传感器独立观测，传感器的采样率以M(M 2)倍递减. 用M 带小波变换来拟合状态在各尺度空间的投影关系，建立了满足标准卡尔曼滤波条件的系统模型. 进行卡尔曼滤波后，可以获得系统状态最优估计值. 仿真结果验证了该动态多尺度系统融合估计算法的有效性.     

具有传感器增益退化、随机时延和丢包的分布式融合估计器

研究了具有传感器增益退化、模型不确定性、数据传输时延和丢包的网络化多传感器分布式融合估计问题,模型的不确定性描述为系统矩阵受到随机扰动,传感器增益退化现象通过统计特性已知的随机变量来描述,随机时延和丢包现象存在于局部最优状态估计向融合中心传输的过程中.首先,设计了一种局部最优无偏估计器,然后将传输时延描述为随机过程,并在融合中心端建立符合存储规则的时延-丢包模型,利用最优线性无偏估计方法,导出最小方差意义下的分布式融合估计器.最后,通过算例仿真证明所设计融合估计器的有效性.     

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.     

基于最小二乘准则的多传感器参数估计数据融合

为了从含有加性测量噪声的线性测量数据中更加准确地估计未知的常值参数,测量噪声互不相关的多传感器测量系统得到广泛使用。在最小二乘准则下,提出了多传感器测量系统在多次同步测量时的集中式和分布式参数估计数据融合算法,两种算法完全等价,且都是全局最优的。数值仿真实验的结果表明,新算法可以明显改善传感器测量参数的估计精度。     

Linear minimum variance estimation fusion

This paper shows that a general multisensor unbiased linearly weighted estimation fusion essentially is the linear minimum variance (LMV) estimation with linear equality constraint, and the general estimation fusion formula is developed by extending the Gauss-Markov estimation to the random parameter under estimation. First, we formulate the problem of distributed estimation fusion in the LMV setting. In this setting, the fused estimator is a weighted sum of local estimates with a matrix weight. We show that the set of weights is optimal if and only if it is a solution of a matrix quadratic optimization problem subject to a convex linear equality constraint. Second, we present a unique solution to the above optimization problem, which depends only on the covariance matrix Ck.Third, if a priori information, the expectation and covariance, of the estimated quantity is unknown, a necessary and sufficient condition for the above LMV fusion becoming the best unbiased LMV estimation with known prior informatio     

多传感器噪声方差未知情况下的异步航迹融合

针对分布式多传感器数据融合系统,提出了一种多传感器异步航迹融合算法。现有的多传感器信息融合算法大都基于Kalman滤波器,要求噪声方差已知,并且假定各传感器同步采样,不考虑通信延迟。本文在分布式处理的模式下,基于各传感器在扩展记忆因子递推最小平方(EFRLS)估计形成本地航迹的基础上,提出了一种融合误差均方差矩阵的迹最小意义下的异步目标航迹融合算法。仿真实验结果表明,这种融合算法是有效的,算法接近集中式融合算法的精度。     

Sensors’ optimal dimensionality compression matrix in estimation fusion

When there exists the limitation of communication bandwidth between sensors and a fusion center, one needs to optimally pre-compress sensor outputs–sensor observations or estimates before sensors’ transmission to obtain a constrained optimal estimation at the fusion center in terms of the linear minimum error variance criterion. This paper will give an analytic solution of the optimal linear dimensionality compression matrix for the single sensor case and analyze the existence of the optimal linear dimensionality compression matrix for the multisensor case, as well as how to implement a Gauss–Seidel algorithm to search for an optimal solution to linear dimensionality compression matrix.     

基于参数估计的多传感器数据融合

探讨具有随机扰动的环境中同一特征的不同传感器测量值的融合问题，并在理论上给出了基于参数估计的多传感器融合算法，分析了正态分布数据的融合计算公式，并提出以数据探讨技术中的分布图方法来获得一致的传感器数据，从而提高了算法的鲁棒性。     

自校正解耦信息融合Wiener状态估值器

对含未知噪声方差阵的多传感器系统,用现代时间序列分析方法.基于滑动平均(MA)新息模型的在线辨识和求解相关函数矩阵方程组,可得到估计噪声方差阵估值器,进而在按分量标量加权线性最小方差最优信息融合则下,提出了自校正解耦信息融合Wiener状态估值器.它的精度比每个局部自校正Wiener状态估值器精度高.它实现了状态分量的解耦局部Wiener估值器和解耦融合Wiener估值器.证明了它的收敛性,即若MA新息模型参数估计是一致的,则它将收敛于噪声统计已知时的最优解耦信息融合Wiener状态估值器,因而它具有渐近最优性.一个带3传感器的目标跟踪系统的仿真例子说明了其有效性.     

应用于状态监测的多传感器融合估计

在状态监测的工程实际中, 使用多个同类传感器进行在线测量可以得到更为准确的状态估计．但各传感器测量噪声会出现相关的情况, 而且很难得到相关测量噪声的方差矩阵的精确值, 测量系统往往是不确定的．本文根据系统测量将系统分解为确定和不确定扰动两部分, 分别进行估计, 然后将两者的融合估计结果相加得到了最优鲁棒的融合估计．针对确定部分, 利用同类传感器的测量方差为Pei-Radman矩阵的特性, 通过求解测量噪声方差矩阵的最大特征值得到了一种简便的最优融合估计算法, 该算法避免了求解方差矩阵的逆的过程．针对不确定