有限时间信息融合线性二次型最优控制

针对有限时间线性二次型最优控制问题, 提出了一种新的求解方法—–信息融合估计方法. 基于线性最小方差估计准则下的融合估计理论, 通过融合期望状态轨迹、理想控制策略等软约束信息, 分别采用集中式融合和序贯式融合两种信息处理方法, 求得最优状态调节器问题的最优融合控制序列. 进一步从理论上论证了序贯式融合控制方法与传统最优控制方法的一致性, 并通过直流电机系统的数值仿真也验证了集中式和序贯式融合控制方法 与传统最优控制方法的等效性, 从而统一了最优估计与最优控制问题, 并为最优控制问题提供了一种新的求解方法.     

基于EKF的集中式融合估计研究

以一类非线性多传感器动态系统为对象, 基于扩展Kalman滤波器(Extend Kalman filter, EKF)介绍三种典型非线性集中式融合算法, 并以此为基础研究部分线性动态系统融合理论在非线性系统中的推广与完善. 首先,利用EKF的一种信息滤波器形式(Extend information filter, EIF)给出测量值扩维融合、测量值加权融合和顺序滤波融合算法公式, 进而研究三种非线性融合算法的估计性能比较以及测量值融合更新次序是否满足可交换性. 结果表明: 当各传感器的测量特性相同时, 集中式测量值扩维和测量值加权融合算法的估计精度功能等价;非线性顺序滤波融合与其他两种融合算法之间不再具备线性多传感器系统中估计功能的完全等价特性;在融合精度不变前提下非线性顺序滤波融合中, 各传感器观测更新次序不再完全满足可交换性. 4个基于纯方位目标跟踪的数值仿真被用来验证文中所得结论的有效性和正确性.     

多传感器集中式增量卡尔曼滤波融合算法

在单个传感器的状态估计系统中,标准的增量卡尔曼滤波方法可以有效消除量测系统误差。对于多传感器情况,标准算法失效。针对该问题,提出了多传感器集中式增量卡尔曼滤波融合算法,即:增量卡尔曼滤波的扩维融合算法和增量卡尔曼滤波的序贯融合算法。在标准增量卡尔曼滤波算法的基础上,结合扩维融合和序贯融合的思想来实现多传感器数据的融合。实验结果表明,当存在量测系统误差时,提出的集中式融合算法与传统的集中式融合算法相比,提高了滤波精度,并且能够成功地消除量测系统误差。     

存在多步测量数据包丢失的线性离散时变系统鲁棒H∞故障检测滤波器设计

研究了一类存在多步测量数据包丢失的线性离散时变系统故障检测滤波器(Fault detection filter, FDF)设计问题. 采用基于观测器的鲁棒H∞故障检测滤波器作为残差产生器,将故障检测滤波器的设计问题转化为一类随机时变系统的H∞滤波问题, 基于Riccati方程推导并证明了其存在的充分必要条件. 将滤波器参数矩阵求取转化为二次型优化问题, 通过求解Riccati方程, 得到滤波器参数矩阵的显式解. 算例验证了所提算法的有效性.     

基于采样测量值的不确定系统鲁棒H∞滤波

讨论了一类基于采样测量值的不确定系统鲁棒H∞滤波问题,所考虑的系统同时具有连续和离散干扰.对于所有的不确定性,研究了系统稳定性条件,并利用采样测量值设计了一个稳定的滤波器,滤波误差满足指定的H∞性能.给出了滤波器存在的充分条件,并利用矩阵变换得到了设计滤波器的LMI方法,通过求解LMI可以方便地得到滤波器的表达形式.最后,数值算例说明了所设计方法的有效性和可行性.     

联合H∞滤波算法及其在组合导航系统中的应用研究

针对联合卡尔曼滤波器对系统模型和系统噪声先验知识依赖性过强的局限性，基于H∞滤波对系统模型和噪声等不确定性因素具有极强的鲁棒性能的特点，介绍了一种H∞滤波的分散化技术，并在此基础上提出了联合H∞滤波算法，给出了信息分配方式，并对其性能作了详细的分析．指出该算法能有效解决局部滤波器测量更新之间的相关性问题。对MIMU／GPS／HMR组合导航系统进行了计算机仿真，仿真结果表明，该联合H。滤波算法虽然不是最优的，但是其状态估计精度仍然要优于分散H∞滤波器的估计精度。     

基于Krein空间的线性离散时变系统H∞故障估计

研究一类受L2范数有界未知输入影响的线性离散时变系统H∞故障估计问题. 首先将系统H∞故障估计归结为二次型最小化问题, 然后引入相应的Krein空间系统, 应用Krein空间Kalman滤波理论, 推导并证明H∞故障估计问题可解的充要条件, 给出基于矩阵Riccati方程的H∞故障估计器设计, 为故障估计问题提供新的理论方法, 并通过算例验证本文提出方法的有效性.     

加权观测融合非线性无迹卡尔曼滤波算法

针对非线性系统的无迹卡尔曼滤波器(UKF),应用加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.证明了加权观测融合UKF滤波算法与集中式观测融合UKF滤波算法在数值上的完全等价性,因而具有全局最优性.一个带两传感器非线性系统的仿真例子说明了两种融合算法的有效性及等价性.     

一种优化的贝叶斯估计多传感器数据融合方法

由于来自多个传感器的测量数据总是有一定程度的不确定性和不一致性,采用多传感器数据融合算法将多个节点的测量数据进行数据融合,利用数据的冗余度来减小这种不确定性,得到高可靠性的数据信息。提出了一种优化的贝叶斯估计多传感器数据融合方法,将贝叶斯估计和卡尔曼滤波器结合起来,应用于无线传感网络数据融合中。根据滤波器应用到传感数据、融合数据或者两者的方式,提出3种不同的技术,即:前向滤波法、后向滤波法和前后向滤波法。通过一个实例研究估计移动机器人的位置,验证算法的有效性。实验表明,在集中式和分布式两个方面数据融合体系结构,结合卡尔曼滤波器的贝叶斯融合算法能够有效地解决数据的不确定性和不一致性。     

一类时滞切换奇异系统的指数H∞滤波器研究

研究了一类时滞切换奇异系统的指数H∞滤波问题.为了提高控制系统的稳定性,解决系统的指数H∞滤波的难点问题,提出利用平均驻留时间方法,首先给出了使得滤波误差系统在切换信号下具有指数可容许性并且具有相应的H∞性能指标的条件,然后以一组线性矩阵不等式的形式给出了期望滤波器存在的充分条件,并给出了相应的滤波器参数求解.所设计的指数H∞滤波器不但保证系统参数不确定时闭环系统指数稳定,而且满足所期望的H∞性能指标.最后用数值仿真实例来说明设计方法的有效性和可行性.     

综合船桥多源导航信息融合技术研究

在配备了捷联惯导、GPS、北斗、计程仪和罗兰C等多个导航设备的综合船桥导航系统中,针对常规的无重置联邦滤波器长时间导航会引起导航精度降低和滤波器发散的问题,以及实际应用中卡尔曼滤波对系统噪声和量测噪声统计特性要求的局限性,采用了局部反馈校正的无重置联邦滤波结构,设计了基于H∞滤波的局部反馈校正无重置联邦滤波器,并将其应用于综合船桥多源导航信息融合系统中.仿真分析表明,基于H∞滤波的局部反馈校正无重置联邦滤波器对航向角和位置的估计精度都高于常规的无重置联邦滤波器,具有更好的实际应用价值.     

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。     

基于融合EKF的航空发动机气路性能健康预测

针对集中式滤波算法存在计算效率不高、容错性差,引入融合滤波的思想,提出采用非线性融合的联邦式扩展卡尔曼滤波器进行发动机气路健康性能预测.子滤波器根据量测参数完成发动机部分健康性能的局部估计,主滤波根据子滤波器估计参数完成融合滤波估计,并将状态估计值和协方差反馈至子滤波器用于下一步健康预测.通过某型涡扇发动机仿真表明:融合EKF滤波器能准确地预测发动机的健康状态,估计稳定收敛时间短、计算时间短、效率高.     

具有随机协议网络化系统的H_∞滤波

本文研究了一类具有随机介质访问协议网络化系统的H∞滤波问题.将传感器和滤波器的通信过程描述为一个马尔可夫链,进而将滤波误差系统建模成一个马尔可夫跳变系统.然后,运用李雅普诺夫方法和线性矩阵不等式技术,给出了滤波误差系统随机稳定且具有给定H∞性能的一个充分条件,并基于该条件给出了H∞滤波器的设计方法.最后的数值算例验证了本文方法的有效性.     

相关观测融合Kalman估值器及其全局最优性

对于带相关观测噪声和带不同观测阵的多传感器线性离散时变随机控制系统, 用加权最小二乘法(WLS)提出了两种加权观测融合Kalman估值器, 它们包括状态滤波、状态预报和状态平滑. 基于信息滤波器形式下的Kalman滤波器, 证明了在相同初值下, 它们在数值上恒等于相应的集中式观测融合Kalman估值器, 因而具有全局最优性. 但是它们可明显减轻计算负担. 数值仿真例子验证了它们在功能上等价于集中式观测融合Kalman估值器.     

H∞次优滤波在速度姿态匹配传递对准中的应用

针对速度+姿态匹配传递对准中量测中的不确定性干扰,采用H∞滤波方法进行速度+姿态匹配传递对准。并与卡尔曼滤波进行了比较,仿真结果表明,当系统噪声和量测噪声为白噪声时,卡尔曼滤波器和H∞滤波器均有效,而且卡尔曼滤波器优于H∞滤波器。但是,当系统噪声与量测噪声为有色噪声并且存在建模误差时,卡尔曼滤波收敛速度明显低于H∞滤波的收敛速度。H∞滤波更符合工程应用的实际情况,因而H∞滤波是一种非常有效的估计方法。     

基于联邦滤波器结构的分散化H∞鲁棒滤波算法研究

深入研究了基于联邦滤波器结构的分散化H∞鲁棒滤波算法;通过研究H∞滤波器的结构和鲁棒 机制,提出一套H∞鲁棒信息滤波公式．在此基础上,建立了一套形式简单、可行性强的联邦H∞鲁棒滤波算 法．与传统联邦卡尔曼滤波算法相比,该算法仅增加一个鲁棒化环节,实际上是一种Krein 空间的联邦卡尔曼 滤波算法．最后,全面分析了该算法四种结构及其性能,仿真结果表明了其具有有效性和可行性．     

随机时延网络化不确定系统的鲁棒H∞滤波

研究了一类具有随机时延的网络化不确定系统的 H∞ 滤波器设计问题. 这类时延的产生是由于传感器和滤波器通过有限带宽的网络连接而引起的系统测量数据的滞后, 而且它是随机发生的. 本文采用满足 Bernoulli 分布随机变量来描述测量数据的这种随机时延. 利用线性矩阵不等式, 给出了全阶和降阶的滤波器存在的充分条件. 所设计的滤波器使得滤波误差系统是均方指数稳定且具有给定的H∞ 性能. 数值仿真表明设计方法的有效性.     

具有随机采样特性的网络化系统H∞ 滤波

研究一类具有随机采样特性的网络化系统H∞滤波问题.通过将传感器的随机采样过程建模成马尔可夫链,将数据量化作用转化为模型的参数不确定性,并用二值随机变量描述丢包过程,从而用一个多随机变量的马尔可夫不确定性模型来描述滤波误差系统.应用Lyapunov稳定性理论和随机系统分析方法,导出了滤波误差系统随机稳定且具有给定H∞性能的充分条件,并给出了滤波器的设计方法.仿真结果验证了所提出方法的有效性.     

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.