基于现代时间序列分析方法的观测融合Kalman滤波器与Wiener滤波器

摘要

多传感器信息融合滤波的目的是基于每个传感器提供的关于系统状态或信号的观测信息或局部估计信息，在某种最优融合准则下，得到系统状态或信号的融合估计，融合精度要高于每一个局部精度。 本文应用现代时间序列分析方法，基于ARMA新息模型，在加权最小二乘(WLS)法最优信息融合准则下，对带相关观测噪声的多传感器线性离散定常随机系统，提出两种加权观测融合稳态Kalman滤波算法；对带相关输入和观测噪声和相关观测噪声的多传感器线性离散定常随机系统，提出一种新的加权观测融合稳态Kalman滤波算法。证明了它们功能等价于相应的集中式观测融合稳态Kalman滤波算法。同时分别提出了相应的加权观测融合Wiener状态估值器和分量解耦Wiener状态估值器，还提出了多传感器单通道ARMA信号的加权观测融合Wiener估值器和Wiener反卷积估值器。加权观测融合稳态Kalman滤波算法同集中式观测融合稳态Kalman滤波算法相比，不仅具有渐近全局最优性，而且观测向量的维数较低，可减小计算负担，便于实时应用。大量的仿真例子说明了其正确性和有效性。

目录

文摘

英文文摘

声明

绪论

第1章带相同观测阵和相关观测噪声系统的两种加权观测融合稳态Kalman滤波算法

1.1引言

1.2两种加权观测融合Kalman滤波算法的功能等价性

1.2.1两种观测融合方法

1.2.2加权观测融合稳态Kalman滤波算法的功能等价性

1.2.3两种加权观测融合算法的功能等价性

1.3基于现代时间序列分析方法的观测融合稳态Kalman估值器

1.3.1加权观测融合稳态Kalman估值器

1.3.2集中式观测融合稳态Kalman估值器

1.4仿真例子

1.4.1仿真例子1

1.4.2仿真例子2

1.4.3仿真例子3

1.5本章小结

第2章带不同观测阵和相关观测噪声系统的两种加权观测融合稳态Kalman滤波算法

2.1引言

2.2两种加权观测融合Kalman滤波算法的功能等价性

2.2.1两种观测融合方法

2.2.2加权观测融合稳态Kalman滤波算法的功能等价性

2.2.3两种加权观测融合算法的功能等价性

2.3基于现代时间序列分析方法的观测融合稳态Kalman估值器

2.3.1加权观测融合稳态Kalman估值器

2.3.2集中式观测融合稳态Kalman估值器

2.4仿真例子

2.4.1仿真例子1

2.4.2仿真例子2

2.4.3仿真例子3

2.5本章小结

第3章带相同观测阵和相关噪声系统的一种加权观测融合稳态Kalman滤波算法

3.1引言

3.2带相关噪声系统Kalman滤波器的信号滤波器形式

3.3一种加权观测融合稳态Kalman滤波算法的功能等价性

3.3.1一种加权观测融合稳态Kalman滤波算法

3.3.2加权观测融合稳态Kalman滤波算法的功能等价性

3.3.3加权观测融合算法的功能等价性

3.4基于现代时间序列分析方法的观测融合稳态Kalman估值器

3.4.1一种加权观测融合稳态Kalman估值器

3.4.2集中式观测融合稳态Kalman估值器

3.5仿真例子

3.5.1仿真例子1

3.5.2仿真例子2

3.6本章小结

第4章多传感器观测融合Wiener估值器

4.1引言

4.2带相同观测阵和相关观测噪声多传感器系统的加权观测融合解耦Wiener状态估值器

4.3带不同观测阵和相关观测噪声多传感器系统的加权观测融合解耦Wiener状态估值器

4.4带相同观测阵和相关噪声系统的一种加权观测融合解耦Wiener状态估值器

4.5 ARMA信号加权观测融合Wiener滤波器和Wiener反卷积滤波器

4.6仿真例子

4.6.1仿真例子1

4.6.2仿真例子2

4.6.3仿真例子3

4.6.4仿真例子4

4.6.5仿真例子5

4.6.6仿真例子6

4.6.7仿真例子7

4.6.8仿真例子8

4.6.9仿真例子9

4.6.10仿真例子10

4.7本章小结

结论

参考文献

致谢

攻读硕士学位期间所发表的学术论文