基于ARMA新息模型的自校正信息融合滤波器

《基于ARMA新息模型的自校正信息融合滤波器》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EIIiilEi,i_中文摘要多传感器信息融合估计作为多源信息综合处理的一项新技术，使用多个传感器对同一目标进行检测，避免了单个传感器的局限性，可以提供更加全面准确的信息，进而合成来自这个目标的多源信息，产生比单一信息源更精确的估计。对带相关观测噪声和未知模型参数及噪声统计的多传感器系统，用现代时间序列分析方法，基于自回归滑动平均(越m蚴新息模型，提出了一种多段辨识算法，其中用递推增广最小二乘法(RELS)和Gevers．Wouters(G-W)算法得到未知模型参数在线估值器，用求解相关函数矩阵方程组的方法得

2、到噪声统计在线估值器。对未知噪声统计多传感器系统，在按分量标量加权线性最小方差最优信息融合准则下，分别提出了自校正信息融合Kalman和Wiener滤波器及预报器。对带未知模型参数和噪声统计的单通道ARMA信号，提出了一种自校正信息融合Wiener滤波器。推广了收敛性分析的动态误差系统分析(DynamicErrorSystemAnalysis)方法，其中提出和证明了Lyapunov方程稳定性的两个判别准则，进而证明了上述自校正融合r，器的收敛性，即自校正融合估值器以概率1收敛于相应的稳态最优融合估值器，因而它们具有渐

3、近最优性。一些跟踪系统的仿真例子说明了其正确性和有效性。关键词多传感器信息融合；现代时间序列分析方法；自校正信息融合Kalman滤和Wiener滤波器；收敛性黑龙江大学硕士学位论文AbstractAsanewtechnologyofmultisourcedataprocessing,multisensorinformationfusionestimationdetectsthesameobjectbymultisensors，avoidsthelimitationofsinglesensor,soitcanoffer

4、moregeneralandaccurateinformation,furtheritCansynthesizemultisourcedatafromtheobject，generatemoreaccurateestimationthansingleSOUrCe．Forthemultisensorsystemswithcorrelatedmeasurememnoisesandunknownmodelparametersandnoisestatistics，usingthemodemtimeseriesanalysis

5、method,basedontheAutoregressiveMovingAverage(ARMA)innovationmodels，amulti-stageidentificationalgorithmispresented，wheretheon-linemodelparametersestimatorsCanbeobtainedbyrecursiveextendedleastsquaresmethod(RELS)orGevers-Woutersmethod(G-W)，andbasedonthesolutionof

6、thematrixequationsforcorrelationfunction,theon-linenoisestatisticsestimatorsCanbeobtained．Forthemultisensorsystemswithunknownnoisestatistics，underthelinearminimumvarianceoptimalinformationfusioncriterionweightedbyscalesforcomponents，theself-tuninginformationfus

7、ionKalmanandWienerfiltersandpredictorsarcpresentedrespectively．ForthesinglechannelARMAsignalwitllunknownmodelparametersandnoisestatistics，aself-tuninginformationfusionWienerfilterispresented．TheDynamicErrorSystemAnalysis(DESA)methodforconvergenceanalysisisexten

8、ded，wherethetwodecisioncriterionsofthestabilityofLyapunovequationarepresentedandproved，andthentheconvergenceoftheabovementionedself-tuningfusionestimatorsarcproved,thatis,th