针对带乘性噪声系统最优估计方法的进一步研究

《针对带乘性噪声系统最优估计方法的进一步研究》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、中国海洋大学硕士学位论文针对带乘性噪声系统最优估计方法的进一步研究姓名：梁猛申请学位级别：硕士专业：信号与信息处理指导教师：褚东升2003.6.1针对带乘性噪声系统最优估计方法的进一步研究摘要带乘性噪声系统的最优估计理论在石油地震勘探、水下目标探测、语音处理等诸多领域都有重要的应用价值。本文主要针对多通道带乘性噪声系统的最优估计方法作进一步研究。过去多传感器系统由于自身的复杂性及待处理数据过于庞杂而难以在实际中广泛应用。以往针对带乘性噪声系统最优估计方法的研究大多集中在单传感器观测的情形下。近些年来，计算机技术

2、飞速发展，高度复杂的数据处理已经成为可能。多传感器系统由于高精度及高可靠性在众多领域受到人们的关注。另外，以往对带乘性噪声系统的研究考虑的均是一维系统，而二维系统在图像处理等许多领域具有重要的应用价值。基于这两点，本文针对多传感器观测下的带乘性噪声系统和二维带乘性噪声系统，对其最优估计方法进行了研究探讨。本文所说最优均是建立在线性最小方差意义上的。本文主要工作如下：第一，本文回顾了带乘性噪声系统的最优估计理论的发展和现状，并简单介绍了多传感器数据融合技术及二维系统理论。第二，本文针对多传感器观测下多通道带乘性噪

3、声系统，推导出两类最优估计融合算法：常规最优估计融合算法、逆向滤波融合及单向反褶积算法。本文通过建立针对整个多传感器系统的全局观测方程，将单传感器观测下的常规最优滤波、固定域平滑及固定域反褶积算法，以及逆向最优滤波、单向固定域反褶积算法推广至多传感器观测下的情形。根据融合策略的不同，本文提出了集中式与分布式两种滤波融合算法，其中分布式融合算法又分为带反馈与不带反馈两种实现形式。第三，本文首次引入了带乘性噪声的2-DFMMII(two-dimensionalFomasini．Marchesini’sModelII

4、)数学模型。利用斜割支线法，通过定义新的变量，巧妙地将带乘性噪声的2．DFMMII模型转化为一维带乘性噪声的状态空间模型。从而利用一维系统的估计方法，推导出带乘性噪声的2．DFMMII模型的最优滤波、最优固定域平滑及最优固定域反褶积算法。第四，通过仿真实例，验证了上述各算法的有效性。关键词：秉性噪声，多传盛器数据融合，2-D系统，线性最小方差，最优估计FurtherStudiesofEstimationMethodsforSystemswithMultiplicativeNoisesABSTRACTSignal

5、estimationtheoryfordiscretestochasticsystemswithmultiplicativenoises(SMN)isveryimportantinmanyapplicationssuchasoilseismicexploration，underwaterremotetargetsdetectionandspeechsignalprocessing．ThepreviousresearchesintheestimationtheoryforSMNarealmostfocusedon

6、thecaseofsinglesensorobservation．Inrecentyearstherapiddevelopmentofcomputationtechnologyhasmadeitpossibletoprocessdata晰t}lKghcomplexity,andmulti-sensorsystemsalemoreandmoreconcernedbyresearchersinmanyfields．Furthermore，inrecentyearstwo—dimensional(2·D)system

7、se,anfindmoreandmoreapplicationsinmanyfieldssuchasimageprocessing，butallthepreviousstudiesinSMNconsideredone-dimensional(1一D)systems．Consequently,itisnecessarytostudytheestimationalgorithmsforSMNundermulti-sensorobservationand2-DSMN．Onthebasisofthetwopoints，

8、furtherstudiesofestimationalgorithmsforSMNaremadeinthisdissertation．Alltheproposedalgorithmsinthisdissertationareoptimalinthelinearmimmum·variance．nemaincontentsofthisdissertationareasfolloWS"1．