基于现代时间序列的多传感器信息融合kalman滤波器与wiener滤波器

《基于现代时间序列的多传感器信息融合kalman滤波器与wiener滤波器》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、中文摘要矿77弓口占’≥应用现代时间序列分析方法，基于自回归滑动平均(ARMA)新息模型，在线性最小方差最优信息融合准则下，对于带相关输入噪声和观测噪声和带相关的观测噪声的多传感器系统，提出了按矩阵加权、按标量加权和按对角阵加权的三种分布式融合稳态Ka]mall滤波器、预报器和平滑器，其中提出了局部滤波、预报和平滑估值误差方差阵和协方差阵的Lyaptmov方程和计算公式，它们被用于计算最优加权，也提出了什I应的三种分布式融合Wiener状态估值器。且对于带白色和有色观测噪声的单通道ARMA信号，基于ARMA模型到状态空间模型的变换，用增广状态方法提出了多传感器分布式最优信息融合W

2、iener滤波器、预报器和平滑器，同时提出了多传感器分布式最优信息融合Wiener反卷积滤波器、预报器和平滑器。本文提出的方法避免了求解Riccati方程和Diophantine方程，减小在线计算负担。同单传感器情形相比，可提高估计的精度。大量的仿真例子说明了算法有效性。关键词：多传感器信息融合线性最小方差最优信息融合准则ARMA新息模型Lyapunov方程Kalman滤波器、预报器和平滑器Wiener滤波器、预报器和平滑器Wiener反卷积滤波器、预报器和平滑器现代时『白J序列分析方法黑龙江犬举硕士学位论就—■■一II■鼍iii审葺i置黛黼鞫甲i■■■■■曹躺黼尊皇i啊iii葺

3、葺■—■■_——葺皇i篇■—_iii鼍—_■■AbstractBythemodemtimeseriesanalysismethod，basedontheARMAirmovatiOilmodel，underthelinearminimumvarianceoptimalinformationfusioncriterion，threedistributedfusionsteady—stateoptimalKalmanfilters，predictorsandsmoothersweightedbymatrices，scalars，anddiagonalmatricesarepresent

4、edformultisensorsystemswithcorrelatedinputandobservationnoises，andwithcorrelatedobservationnoises．TheLyapunovequationsandformulasofcomputinglocalfiltering,predictingandsmoothing懿'Torvariancesandcovariancesaregiven，whichareappliedtocomputeoptimalweights．ThecorrespondingthreedistributedfusionWi

5、enerstateestimatorsarealsopresented，AndbasedonthetransformationoftheARMAmodeltothestatespacemodel，bytheaugmentedstatemethod，themultisensordistributedoptimalinformationfusionWienerfilter,predictorandsmootherareproposedfortheARMAsignalswithwhiteandcoloredmeasurementnoises．Andthemultisensoroptim

6、aldistilbutedinformationfusionWienerdeeonvolutionfilter,predictorandsmootherarealsoproposed．TheproposedmethodsavoidtheRiceatiequationandDiophantineequationandcarlreducetheon—linecomputationalburden：Comparedtothe鲢珏垂esensorcase，theestimationaccuracyisimproved．Manysimulationexamplesshow氇eireffec

7、tiveness，Keywords：mutfisensorinformationfusionlinearminimumvariance英文摘要informationfusioncriterionARMAinnovationmodelLyapunovequationKalmanfilter,predictorandsmootherWienerfilter,predictorandsmootherWienerdeconvolutionfilter,predictorandsmooth