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.     

自校正多传感器观测融合Kalman估值器及其收敛性分析

对于带未知噪声方差的多传感器系统,应用加权最小二乘(WLS)法得到了一个加权融合观测方程,且它与状态方程构成一个等价的观测融合系统.应用现代时间序列分析方法,基于观测融合系统的滑动平均(MA)新息模型参数的在线辨识,可在线估计未知噪声方差,进而提出了一种加权观测融合自校正Kalman估值器,可统一处理自校正融合滤波、预报和平滑问题,并用动态误差系统分析方法证明了它的收敛性,即若MA新息模型参数估计是一致的,则它按实现或按概率1收敛到全局最优加权观测融合Kalman估值器,因而具有渐近全局最优性.一个带3传感器跟踪系统的仿真例子说明了其有效性.     

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.     

按对角阵加权自校正信息融合Kalman预报器及其收敛性分析

对于带未知噪声统计的多传感器系统,应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相关函数矩阵方程的解,得到了噪声方差估值器,且在按对角阵加权线性最小方差最优信息融合准则下,提出了自校正信息融合Kalman预报器.它实现了状态分量的自校正解耦融合Kalman预报器.基于动态误差系统,提出了自校正融合器的一种新的收敛性分析方法.提出了按实现收敛新概念,它比以概率1收敛弱.严格证明了：假如MA新息模型参数估计是一致的,则自校正融合Kalman预报器将按实现或按概率1收敛到最优融合Kalman预报器,因而它具有渐近最优性.它可减小计算负担,且便于实时应用. 一个3传感器跟踪系统的仿真例子证明了其有效性.     

含未知参数的自校正融合Kalman滤波器及其收敛性

对于带未知模型参数和噪声方差的多传感器系统,基于分量按标量加权最优融合准则,提出了自校正解耦融合Kalman滤波器,并应用动态误差系统分析(Dynamic error system analysis,DESA)方法证明了它的收敛性.作为在信号处理中的应用,对带有色和白色观测噪声的多传感器多维自回归(Autoregressive,AR)信号,分别提出了AR信号模型参数估计的多维和多重偏差补偿递推最小二乘(Bias compensated recursive least-squares,BCRLS)算法,证明了两种算法的等价性,并且用DESA方法证明了它们的收敛性.在此基础上提出了AR信号的自校正融合Kalman滤波器,它具有渐近最优性.仿真例子说明了其有效性.     

带不确定方差乘性和加性噪声系统鲁棒加权 融合稳态Kalman估值器

本文研究带不确定方差乘性和加性噪声和带状态相依及噪声相依乘性噪声的多传感器系统鲁棒加权融合估计问题.通过引入虚拟噪声补偿乘性噪声的不确定性,将原系统化为带确定参数和不确定加性噪声方差的系统,进而利用Lyapunov方程方法提出在统一框架下的按对角阵加权融合极大极小鲁棒稳态Kalman估值器(预报器、滤波器和平滑器),其中基于预报器设计滤波器和平滑器,并给出每个融合器的实际估值误差方差的最小上界.证明了融合器的鲁棒精度高于每个局部估值器的鲁棒精度.应用于不间断电源(uninterruptible power system,UPS)系统鲁棒融合滤波的仿真例子说明了所提结果的正确性和有效性.     

带丢失观测和不确定噪声方差系统改进的鲁棒协方差交叉融合稳态Kalman滤波器

对带丢失观测和不确定噪声方差的线性定常多传感器系统,引入虚拟噪声将原系统转化为仅带不确定噪声方差的系统.根据极大极小鲁棒估值原理,用Lyapunov方程方法提出局部鲁棒稳态Kalman滤波器及其实际方差最小上界,并利用保守的局部滤波误差互协方差,提出一种改进的鲁棒协方差交叉(covariance intersection,CI)融合稳态Kalman滤波器及其实际方差最小上界.证明了所提出的鲁棒局部和融合滤波器的鲁棒性,并证明了改进的CI融合器鲁棒精度高于原始CI融合鲁棒精度,且高于每个局部滤波器的鲁棒精度.一个仿真例子验证所提出结果的正确性和有效性.     

带不确定参数和噪声方差的鲁棒观测融合Kalman滤波器

对带不确定参数和噪声方差的多传感器定常系统,引入虚拟白噪声补偿不确定参数,可将其转化为带已知参数和不确定噪声方差系统.应用极大极小鲁棒估值原理和加权最小二乘法,基于带噪声方差保守上界的最坏情形保守系统,提出了鲁棒加权观测融合Kalman滤波器,并证明了它与集中式融合鲁棒Kalman滤波器是等价的,且融合器的鲁棒精度高于每个局部滤波器鲁棒精度.一个Monte-Carlo仿真例子说明了如何寻求不确定参数的鲁棒域和如何搜索保守性较小的虚拟噪声方差上界.     

目标跟踪系统自校正解耦融合Wiener平滑器

针对带未知模型参数和噪声的多传感器目标跟踪系统,为了解决信号的平滑问题,分别利用系统辨识及相关方法得到未知模型参数和噪声方差的局部估值,并对这些局部估值求平均值作为它们的融合估值。然后将具有高可靠性的在线融合估值代入到基于现代时间序列的最优解耦融合Wiener平滑器中即可得自校正解耦融合,使自校正融合Wiener平滑器收敛于相应的最优融合Wiener平滑器,并具有渐近最优性。从而证明自校正平滑器能够很好地解决未知模型参数和噪声统计系统的平滑问题。最后利用Matlab软件仿真验证了该自校正解耦融合Wiener平滑器算法的有效性。     

按对角阵加权信息融合Kalman滤波器

为了克服按矩阵加权信息融合非稳态Kalman滤波器的在线计算负担大的缺点,和按标量加权融合Kalman滤波器精度较低的缺点,应用现代时间序列分析方法,提出了按对角阵加权的线性最小方差多传感器信息融合稳态Kalman滤波器.它等价于状态分量按标量加权信息融合Kalman滤波器,实现了解耦信息融合Kalman滤波器.它的精度和计算负担介于按矩阵和按标量加权融合器两者之间,且便于实时应用.为了计算最优加权,提出了计算稳态滤波误差方差阵和协方差阵的Lyapunov方程.一个三传感器的雷达跟踪系统的仿真例子说明了其有效性.     

Self-tuning weighted measurement fusion Kalman filter and its convergence

For multisensor systems, when the model parameters and the noise variances are unknown, the consistent fused estimators of the model parameters and noise variances are obtained, based on the system identification algorithm, correlation method and least squares fusion criterion. Substituting these consistent estimators into the optimal weighted measurement fusion Kalman filter, a self-tuning weighted measurement fusion Kalman filter is presented. Using the dynamic error system analysis (DESA) method, the convergence of the self-tuning weighted measurement fusion Kalman filter is proved, i.e., the self-tuning Kalman filter converges to the corresponding optimal Kalman filter in a realization. Therefore, the self-tuning weighted measurement fusion Kalman filter has asymptotic global optimality. One simulation example for a 4-sensor target tracking system verifies its effectiveness.     

带观测滞后和不确定噪声方差的多智能体传感网络鲁棒序贯协方差交叉融合Kalman滤波（英文）

This paper deals with the problem of designing robust sequential covariance intersection(SCI) fusion Kalman filter for the clustering multi-agent sensor network system with measurement delays and uncertain noise variances. The sensor network is partitioned into clusters by the nearest neighbor rule. Using the minimax robust estimation principle, based on the worst-case conservative sensor network system with conservative upper bounds of noise variances, and applying the unbiased linear minimum variance(ULMV) optimal estimation rule, we present the two-layer SCI fusion robust steady-state Kalman filter which can reduce communication and computation burdens and save energy sources, and guarantee that the actual filtering error variances have a less-conservative upper-bound. A Lyapunov equation method for robustness analysis is proposed, by which the robustness of the local and fused Kalman filters is proved. The concept of the robust accuracy is presented and the robust accuracy relations of the local and fused robust Kalman filters are proved. It is proved that the robust accuracy of the global SCI fuser is higher than those of the local SCI fusers and the robust accuracies of all SCI fusers are higher than that of each local robust Kalman filter. A simulation example for a tracking system verifies the robustness and robust accuracy relations.     

Convergence of self-tuning Riccati equation with correlated noises

For the linear discrete time-invariant stochastic system with correlated noises,and with unknown model parameters and noise statistics,substituting the online consistent estimators of the model paramet...     

带观测滞后和不确定噪声方差的多智能体传感网络鲁棒序贯协方差交叉融合Kalman滤波

针对带观测滞后和不确定噪声方差的分簇多智能体传感网络系统,研究鲁棒序贯协方差交叉融合Kalman滤波器的设计问题.应用最邻近法则,传感网络被分成簇.应用极大极小鲁棒估计原理,基于带噪声方差最差保守上界的最差保守传感网络系统,提出了两级序贯协方差交叉(SCI)融合鲁棒稳态Kalman滤波器,可减小通信和计算负担并节省能量,且保证实际滤波误差方差有一个最小保守上界.一种Lyapunov方程方法被提出用于证明局部和融合滤波器的鲁棒性.提出了鲁棒精度的概念且证明了局部和融合鲁棒Kalman滤波器的鲁棒精度关系.证明全局SCI融合器的鲁棒精度高于每簇SCI融合器的精度且两者的鲁棒精度都高于每个局部鲁棒滤波器的精度.一个跟踪系统的仿真例子证明了鲁棒性和鲁棒精度关系.     

干扰解耦滤波器设计及应用研究

提出一种干扰解耦滤波器（ＤＤＦ）设计的新方法。通过一个简单有效的代数变换,将具有未知输入的系统变换成一个不含未知输入的等价系统;利用新息定理得到一种新的干扰解耦滤波器设计方法。针对机动目标跟踪问题,对常规Ｋａｌｍａｎ滤波器、最优干扰解耦观测器和干扰解耦滤波器进行了仿真比较,结果表明ＤＤＦ特别适用于目标高度机动且无有效机动模型的情形。     

快速信息融合Kalman滤波器

应用现代时间序列分析方法,在标量加权线性最小方差融合准则下,提出一种多传感器快速信息融合稳态Kalman滤波器.基于ARMA新息模型计算稳态Kalman滤波器增益,提出了计算传感器之间的滤波误差方差阵和协方差阵的Lyapunov方程,它可用迭代法求解,并证明了迭代解的指数收敛性.与基于Riccati方程按矩阵加权的信息融合Kalman滤波器相比,可明显减小计算负担,便于实时应用,可用于设计含未知噪声统计系统的信息融合自校正Kalman滤波器.最后以目标跟踪系统的一个仿真例子说明了其有效性.