最优加权观测融合状态估值器及其应用

《最优加权观测融合状态估值器及其应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中文摘要近年来，随着计算机技术、通讯技术的发展，多传感器信息融合技术得到了迅速发展，并成为当前信息处理领域一个十分活跃的研究热点。多传感器信息融合滤波的目的是：基于由每个传感器得到的关于系统状态或信号的局部观测或局部估计信息，在某种最优融合准则下得到系统状态或信号的融合估计，其精度高于每个局部估计精度。本文应用加权最小二乘(WLS)法，基于mccati方程，分别对带相同或不同观测阵以及相关观测噪声的多传感器线性离散随机系统，提出两种加权观测融合Kalmall滤波算法；对带相同观测阵、相关观测噪声以及相关的输入和观测噪声的多传感器线性离散随机系统，提出一种加权观测融合K丑lmaIl滤波算法；

2、并基于信息滤波器证明了上述加权观测融合KahnaIl滤波算法同集中式观测融合KalmaIl滤波算法相比是完全功能等价的，因而具有全局最优性。还提出了相应的加权观测融合稳态Kalmall滤波算法和多传感器加权观测融合状态分量解耦Wiener估值算法，它们具有渐近全局最优性。给出了它们在ARMA信号观测融合Wiener滤波中的应用。在跟踪系统中大量的仿真例子说明了它们的有效性。关键词：多传感器信息融合；加权观测融合；Kalman滤波；Wener滤波；全局最优性黑龙江大学硕士学位论文AbstractWithtlledeVelopmentofcomputerandcommunicationtecl

3、Ⅱlology'multisensoriIl】Fomlation向siontechnologydeVelopsrapidlyandbecomesanactiVeresearchfocusincurreminfomationprocessingdomaind谢ngthepastlateyearS．TheobjectiVeofmultisensorinfomationmsionfilteringaret0findthe如sionestimatorSforthestateorsi盟alundersomeoptimalmsionmles，meaccuracyofw11ichisllighertha

4、n也atofeachlocaleStimator，basedont11elocalmeasurementsorthelocalestima：tesfbrtheStateorsignalofeachsenSor．F0rt11emultiSensorlilleardiscretetime—ilwariantStochasticcon臼olSystems谢n1s锄eanddi丘Ierem瑚【easurementm撕cesandwithco玎．elatedmeasurememnoises，uSingme、ⅣeightedleaStsquares(WLS)method，baSedon融ccati删i

5、o玛tw0weightedmeaSurememmsionKalmanfilteringalgorithmsarepreSentedrespectiVelyiIltllispaper．For也emultisensorlmeardiscretetime—invariantstocllaSticSyStemswitllsamemeasurI暑mentm撕cesand、析tIlcon．elatedmeasurememnoisesandcorrelatedi11putandIne嬲Ⅻ陀mentnoises，aweightedmeaLsurement如sionKalmanfilte血galgoritl

6、lInsisalsopresented．BasedontheⅪ锄锄fiheriIlt11eiI面姗撕onfi№rf10m，“isproVednlatt11eyarecompletely劬ctionally．equiValenttomecentralizedmeaSurementmsionKalmaIlfilteriI冯algorithm，SothattheyhaveglobaloptimaJi够111ecorrespoIlding、Ⅳeightedmeasurementfusionsteady—stateKalmanfilteringalgoritllmsandmewei曲tedmeasu

7、rement血sionstatecomponentdecoupledWienerestimatealgoritllIIlarealsopresented，whichhaveme2Lsymptoticalglobaloptimali吼a11dtheir印plicationSinARMAsignalmeaSurement如sionWienerfilteringaregiVen．Thesimulationex锄plesfort