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.     

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.     

自校正信息融合Kalman平滑器

对含未知噪声统计的多传感器系统,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,得到了噪声统计的在线估值器,进而在按矩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平滑器,提出了一种按实现收敛性新概念,证明了自校正Kalman融合器按实现收敛于最优Kalman融合器,因而它具有渐近最优性．同单传感器自校正Kalman平滑器相比,它可提高平滑精度,一个目标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.     

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。     

带未知有色观测噪声的自校正融合Kalman滤波器

对于带未知有色观测噪声的多传感器线性离散定常随机系统, 未知模型参数和噪声方差的一致的融合估值器用递推增广最小二乘法(RELS)和求解相关函数方程得到. 将这些估值器代入到最优解耦融合Kalman滤波器中, 得出了自校正解耦融合Kalman滤波器, 并用动态方差误差系统分析(DVESA)和动态误差分析(DESA)方法证明了它收敛于最优解耦融合Kalman滤波器, 因而具有渐近最优性. 一个带3传感器跟踪系统的仿真例子说明了其有效 性.     

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.     

Wiener滤波问题的一种Diophantine方程解

用时域上的现代时间序列分析方法,基于ARMA新息模型和白噪声估值器,提出Wiener滤波问题的一种Diophantine方程解。它可统一处理平稳或非平稳ARMA信号的最优滤波、平滑和预报问题。仿真例子说明了其有效性。     

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.     

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.     

Self-tuning measurement fusion Kalman predictors and their convergence analysis

For multisensor systems with unknown parameters and noise variances, three self-tuning measurement fusion Kalman predictors based on the information matrix equation are presented by substituting the online estimators of unknown parameters and noise variances into the optimal measurement fusion steady-state Kalman predictors. By the dynamic variance error system analysis method, the convergence of the self-tuning information matrix equation is proved. Further, it is proved by the dynamic error system analysis method that the proposed self-tuning measurement fusion Kalman predictors converge to the optimal measurement fusion steady-state Kalman predictors in a realisation, so they have asymptotical global optimality. Compared with the centralised measurement fusion Kalman predictors based on the Riccati equation, they can significantly reduce the computational burden. A simulation example applied to signal processing shows their effectiveness.     

Self-tuning decoupled information fusion Wiener state component filters and their convergence

For the multisensor systems with unknown noise variances, using the modern time series analysis method, based on on-line identification of the moving average (MA) innovation models, and based on the solution of the matrix equations for correlation function, the on-line estimators of the noise variances are obtained, and under linear minimum variance optimal information fusion criterion weighted by scalars for state components, a class of self-tuning decoupled fusion Wiener filters is presented. It realizes the self-tuning decoupled local Wiener filters and self-tuning decoupled fused Wiener filters for the state components. A new concept of convergence in a realization is presented, which is weaker than the convergence with probability one. The dynamic error system analysis (DESA) method is presented, by which the problem of convergence in a realization for self-tuning fusers is transformed into the stability problems of non-homogeneous difference equations, and the decision criterions of the stability are also presented. It is strictly proved that if the parameter estimation of the MA innovation models is consistent and if the measurement process is bounded in a realization or with probability one, then the self-tuning fusers will converge to the optimal fusers in a realization or with probability one, so that they have the asymptotic optimality. They can deal with the systems with the non-stationary or Gaussian measurement processes. They can reduce the computational burden, and are suitable for real time applications. A simulation example for a target tracking system with 3-sensor shows their effectiveness.     

多传感器信息融合Wiener滤波器和平滑器

应用现代时间序列分析方法,基于ARMA新息模型和增广状态空间模型,应用标量加权最优融合准则,对于带白色和有色观测噪声的ARMA信号,提出了多传感器分布式最优信息融合Wiener滤波器和平滑器,其中给出了计算局部平滑误差方差和互协方差的计算公式,它们可被用于计算最优加权系数。同单传感器情形相比,可提高平滑器的精度。一个三传感器目标跟踪系统的仿真例子说明其有效性。     

基于Kalman滤波的自回归滑动平均信号信息融合Wiener滤波器

应用Kalman滤波方法,在按矩阵加权线性最小方差最优信息融合规则下,提出了带白色观测噪声的多通道ARMA信号的多传感器信息融合Wiener滤波器.它可统一处理信息融合滤波、平滑和预报问题.为了计算最优加权阵,提出了计算局部滤波误差互协方差阵的公式.同单传感器情形相比,可提高估计精度.一个带三传感器的目标跟踪系统的仿真例子说明了其有效性.     

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.