带乘性噪声广义系统多传感器信息融合状态估计算法研究

摘要

带乘性噪声随机系统的信号估计理论是信号处理领域的重要内容,在石油地震勘探、水下远程目标探测和语音信号处理等领域有着重要应用。多传感器信息融合是20世纪70年代以来发展起来的一门新兴边缘学科,并应用在越来越多的领域,如导航、国防、机器人、目标跟踪和GPS定位。对于一般系统的信息融合状态估计是多传感器信息融合的一个重要分支,在以往的研究中已经做了广泛的研究,并且在一些领域已有了较多应用。目前,由于广义系统具有广泛的应用背景,对其状态的最优估计已经获得很多重视和研究。但是,广义系统多传感器信息融合状态估计问题,特别是带乘性噪声的广义系统的多传感器信息融合状态估计问题仍未很好的解决。本文的研究主要集中在带乘性噪声广义系统的多传感器信息融合状态估计.本文的内容如下:
　　 首先,本文简单介绍了多传感器信息融合技术,并回顾了带乘性噪声系统及广义系统状态估计的发展和现状。
　　 其次,研究了带乘性噪声广义系统的多传感器信息融合状态估计问题。在系统正则的假设条件下,通过受限等价变换将广义系统变换为两个降阶子系统,进而将针对原系统的信息融合状态估计转化为两个耦合的非广义子系统的多传感器信息融合状态估计问题。本文按量测数据是否直接应用将信息融合状态估计分为两类,进而提出了两类算法:第一种是集中式滤波,通过直接合成量测数据获得全局最优状态估计。此算法简易直接但是有较大的计算量和数据通信量。第二种算法是分布式滤波,通过使用局部滤波器的信息推导出符合一定的信息融合准则的全局最优或次优状态估计。该算法可以克服第一种方法中出现的问题,减少了计算负担,并使得故障检测和隔离变的容易。但是在没有数据错误时,分布式滤波普遍比集中式滤波精度要低。值得指出的是,这两种算法在数学上完全等价,均在线性最小方差意义下最优。
　　 再次,本文集中考虑了带乘性噪声广义系统的多传感器信息融合加权分布滤波问题。在广义系统无脉冲模的假设条件下,应用奇异值分解将广义系统转化为两个降阶的耦合非广义系统,再依据线性最小方差信息融合准则,推导出带乘性噪声广义系统按矩阵加权的多传感器信息融合最优滤波算法。
　　 除了在理论上对所有的算法进行推导之外,本文还通过MATLAB仿真软件进行了大量仿真研究,仿真结果验证了上述各算法的有效性。

目录

文摘

英文文摘

1 引言

1.1 多传感器信息融合概述

1.1.1 多传感器信息融合产生的背景及其定义

1.1.2 多传感器信息融合的基本原理及其意义

1.1.3 多传感器信息融合状态估计算法的发展及研究现状

1.2 带乘性噪声系统的特点及应用背景

1.2.1 带乘性噪声系统的特点

1.2.2 带乘性噪声系统的应用背景

1.3 带乘性噪声系统估计理论的发展及研究现状

1.4 广义系统的研究现状

1.5 本文选题意义及所做工作

2 带乘性噪声广义系统多传感器状态融合滤波算法

2.1 引言

2.2 问题描述

2.3 单传感器系统局部最优滤波算法(状态扩维方法)

2.4 多传感器系统集中式最优滤波融合算法

2.5 多传感器系统分布式最优滤波融合算法

2.6 集中式与分布式融合算法比较及流程图

2.7 本章小结

3 带乘性噪声广义系统多传感器加权融合滤波算法

3.1 按矩阵加权线性最小方差最优融合准则

3.2 问题描述

3.3 单传感器系统局部最优滤波算法(受限等价变换法)

3.3.1 第二种受限等价变换方法

3.3.2 基于第二种受限等价变换的最优滤波算法

3.4 按矩阵加权最优信息融合状态滤波算法

3.5 本章小结

4 仿真研究

4.1 集中式和分布式滤波融合算法仿真研究

4.2 按矩阵加权分布式滤波融合算法仿真研究

4.3 本章小结

5 结论

参考文献

致谢

个人简历

发表的学术论文