最优和自校正多传感器观测融合滤波方法和算法研究

摘要

随着计算机技术、通信技术、微电子技术、精密机械制造技术以及控制技术的飞速发展，各种面向复杂应用背景的多传感器系统大量涌现。在多传感器系统中，由于信息表现出形式多样、数量巨大、关系复杂以及要求处理及时、准确和可靠等特征，为了提高信息的综合处理能力，一门由信息学科、控制学科等交叉、综合、拓展而产生的新兴学科——多传感器信息融合应运而生。
　　 多传感器信息融合估计是多传感器信息融合的一个重要分支，其目的是如何利用多传感器提供的观测数据对系统状态或信号给出比基于单传感器更精确的估计，广泛应用于目标跟踪、军事、航天、制导、GPS定位、机器人等高技术领域，具有重要理论和应用意义。
　　 本课题来源于国家自然科学基金项目“多传感器信息融合最优和自校正滤波新理论和新方法”(60374026)和“自校正信息融合滤波理论及其应用研究”(60874063)。
　　 本文基于现代时间序列分析方法，以理论分析为主，以计算机仿真示例为辅，对多传感器线性随机系统的最优加权观测融合状态估计和自校正加权观测融合状态估计问题进行了深入研究。做了如下几方面工作：
　　 首先，对于带未知噪声统计的多传感器系统，利用相关方法，提出了一种具有强一致性的信息融合噪声统计在线估值器，其中从采样相关函数线性方程组中任意选择非奇异的部分线性方程组求解得局部噪声统计估值器，然后取局部估值器的算术加权平均作为融合估值器，证明了它可被视为最小二乘融合器。用相关函数的遍历性证明了它以概率1收敛于真实的噪声统计。它的精度介于局部估值器中最高和最低的精度之间，因而具有较高的可信度。对于含有未知模型参数和噪声统计的多传感器ARMA(自回归滑动平均)系统，利用已有的ARMA模型参数估计方法，结合未知噪声统计的信息融合在线估值器，提出了多段信息融合辨识方法，并且提出了一种信息融合模型参数估值器概念，它是基于各传感器得到的局部模型参数估值器的算术平均，且从理论上严格证明了所提出的信息融合模型参数估值器的一致性。
　　 其次，对带相关观测噪声和带相关噪声的多传感器线性离散定常随机系统，在线性无偏最小方差(LUMV)融合准则下，应用Lagrange乘数法和基于ARMA新息模型的滤波理论，分别提出了最优加权观测融合稳态Kalman滤波和Wiener滤波算法，其结果等同于基于加权最小二乘(WLS)融合准则的最优加权观测融合滤波算法，兼具完全功能等价性和渐近全局最优性。对于带不同观测阵、相关观测噪声的多传感器系统，应用矩阵分块方法，结合观测加权阵的约束条件，提出了降维观测融合算法，可以显著地减少求观测加权阵和融合观测误差方差阵的计算负担，给出的计算负担比较表从定量分析的角度支持了此论断。
　　 第三，对于带有未知噪声统计、相关观测噪声和相关噪声的多传感器系统，将未知噪声统计的信息融合在线估值器代入稳态最优加权观测融合滤波器，分别提出了自校正加权观测融合Kalman滤波器和Wiener滤波器，及自校正降维观测融合滤波器。利用动态误差系统分析(DESA)方法证明了自校正融合器按实现收敛于相应的稳态全局最优融合器，即具有渐近全局最优性。
　　 最后，对于带公共干扰噪声和含有未知噪声统计和未知模型参数的多传感器单通道自回归(AR)信号系统和ARMA信号系统，利用ARMA模型到状态空间模型的转化方法，将信号估计问题转化为状态估计问题。将模型参数和噪声统计的信息融合估值器代入稳态最优加权观测融合Wiener信号滤波器中，分别提出了自校正加权观测融合Wiener信号滤波器。应用动态误差系统分析(DESA)方法，严格证明了提出的自校正加权观测融合Wiener信号滤波器按实现收敛于相应的稳态全局最优滤波器，因而具有渐近全局最优性。
　　 通篇用大量的在跟踪系统中和在信号处理中的仿真例子说明了所提出方法和算法的有效性。

目录

文摘

英文文摘

声明

第1章绪论

1.1 引言

1.2估计问题的研究现状

1.2.1 Wiener滤波器的研究现状

1.2.2 Kalman滤波器的研究现状

1.2.3基于现代时间序列分析方法的滤波理论研究现状

1.3多传感器信息融合研究现状

1.3.1多传感器信息融合的一般概念与意义

1.3.2信息融合系统的模型和结构

1.3.3多传感器信息融合的应用领域

1.3.4多传感器信息融合研究现状

1.4 自校正信息融合滤波理论研究现状

1.5最优和自校正多传感器观测融合滤波方法和算法研究目的和意义

1.6论文主要研究内容和组织安排

1.6.1主要研究内容

1.6.2论文组织安排

第2章多传感器模型参数和噪声统计的信息融合估值器

2.1 引言

2.2信息融合噪声统计在线估值器

2.2.1相关函数及其采样估值

2.2.2未知噪声统计的在线估计

2.2.3信息融合噪声统计估值器

2.2.4估值器的强一致性

2.3模型参数和噪声统计的信息融合两段在线估计方法

2.3.1基本参数估计方法

2.3.2 未知模型参数和噪声统计的两段在线融合估计方法

2.4模型参数和噪声统计的一种信息融合三段在线辨识方法

2.5仿真例子

2.6本章小结

第3章线性无偏最小方差准则下的最优加权观测融合稳态Kalman滤波和Wiener滤波方法

3.1 引言

3.2带相关观测噪声系统的加权观测融合稳态Kalman滤波和Wiener滤波算法

3.2.1集中式观测融合Kalman滤波算法和Wiener滤波算法

3.2.2基于加权观测融合算法(Ⅰ)的Kalman滤波和Wiener滤波算法

3.2.3基于加权观测融合算法(Ⅱ)的Kalman滤波和Wiener滤波算法

3.2.4基于最小二乘(WLS)算法的两种加权观测融合算法

3.2.5基于稳态Kalman滤波的两种加权观测融合Wiener状态估值器

3.3带相关噪声系统的加权观测融合Kalman滤波和Wiener滤波算法

3.3.1集中式观测融合Kalman滤波算法和Wiener滤波算法

3.3.2加权观测融合Kalman滤波算法和Wiener滤波算法

3.3.3基于最小二乘(WLS)算法的加权观测融合算法

3.3.4基于稳态Kalman滤波的加权观测融合Wiener状态估值器

3.4带不同观测阵和相关观测噪声系统的降维观测融合算法

3.5仿真例子

3.6本章小结

第4章未知噪声统计自校正加权观测融合Kalman滤波器和Wiener滤波器及其收敛性分析

4.1 引言

4.2带相关观测噪声系统的自校正加权观测融合Kalman滤波和Wiener滤波算法

4.2.1 基于加权观测融合算法(Ⅰ)的自校正加权观测融合Kalman滤波和Wiener滤波算法1

4.2.2基于加权观测融合算法(Ⅰ)的自校正加权观测融合Kalman滤波和Wiener滤波算法2

4.2.3基于加权观测融合算法(Ⅱ)的自校正加权观测融合Kalman滤波和Wiener滤波算法1

4.2.4基于加权观测融合算法(Ⅱ)的自校正加权观测融合Kalman滤波和Wiener滤波算法2

4.3 带相关噪声系统的自校正加权观测融合Kalman滤波和Wiener滤波算法

4.3.1 自校正加权观测融合Kalman滤波和Wiener滤波算法1

4.3.2 自校正加权观测融合Kalman滤波和wiener滤波算法2

4.4 自校正降维观测融合Kalman滤波器和wiener滤波器

4.5仿真例子

4.6本章小结

第5章含未知模型参数和噪声统计的ARMA信号自校正加权观测融合Wiener滤波器

5.1引言

5.2带白色观测噪声的多传感器系统AR信号自校正加权观测融合估值器

5.2.1 多传感器单通道AR信号最优观测融合Wiener滤波器

5.2.2多传感器AR信号自校正加权观测融合Wiener滤波器

5.3 ARMA信号自校正观测融合Wiener滤波器

5.3.1 多传感器ARMA信号最优加权观测融合Wiener滤波器

5.3.2多传感器ARMA信号自校正加权观测融合Wiener滤波器

5.4仿真例子

5.5本章小结

结论

参考文献

致谢

攻读博士学位期间所发表学术论文