最優(yōu)和自校正多傳感器加權觀測融合卡爾曼濾波器.pdf

1、隨著科學技術的飛速發(fā)展，多傳感器信息融合技術已經(jīng)廣泛應用到現(xiàn)代軍事、工業(yè)、交通和金融等領域。將多傳感器信息融合技術和狀態(tài)估計技術相結合產(chǎn)生了多傳感器信息融合狀態(tài)估計理論，它研究最優(yōu)和自校正多傳感器信息融合狀態(tài)或信號估計問題。信息融合估計的目的是利用多個傳感器的觀測數(shù)據(jù)對多傳感器系統(tǒng)的過去狀態(tài)進行平滑、對現(xiàn)在的狀態(tài)進行濾波和對未來的狀態(tài)進行預測，其精度要比基于單個傳感器的估計的精度高。本文應用Kalman濾波方法，對于多傳感器線性離散隨機

2、系統(tǒng)，深入研究和討論了最優(yōu)和自校正加權觀測融合Kalman濾波問題，主要的工作包括如下幾個方面：
　　 首先，對于系統(tǒng)模型精確已知的多傳感器線性離散系統(tǒng)，基于Kalman濾波方法提出了幾種全局最優(yōu)的加權觀測融合Kalman估值算法。該算法與傳統(tǒng)的Kalman估值算法相比，具有計算負擔小和全局最優(yōu)的優(yōu)點。特別對于帶相關觀測噪聲的多傳感器系統(tǒng)，用分塊矩陣的方法提出了高維矩陣的遞推求逆算法。當該多傳感器觀測系統(tǒng)含有公共干擾噪聲時，推廣

3、Pei-Radman矩陣的求逆結果，提出了快速的高維矩陣求逆算法，將該快速的求逆結果應用到多傳感器加權觀測融合的觀測及其觀測噪聲方差中，可以得到其相當簡化的形式。應用信息濾波器形式下Kalman濾波器證明所提出的幾種加權觀測融合算法完全功能等價于集中式融合算法，即證明了這幾種算法所得到的估值器是全局最優(yōu)的。
　　 其次，當多傳感器系統(tǒng)含有未知模型參數(shù)和噪聲統(tǒng)計時，應用系統(tǒng)辨識方法、相關函數(shù)方法以及帶死區(qū)的Gevers-Woute

4、rs方法得到了該系統(tǒng)的未知模型參數(shù)和噪聲統(tǒng)計的局部和融合估值。將這些融合估值帶入到全局最優(yōu)的加權觀測融合Kalman估值器中得到自校正加權觀測融合Kalman估值器。本章重點分析了兩類系統(tǒng)，一類是噪聲統(tǒng)計未知且觀測噪聲不相關的多傳感器系統(tǒng)，另一類是噪聲統(tǒng)計和系統(tǒng)模型都未知且觀測噪聲相關的多傳感器系統(tǒng)。
　　 再次，證明了所提出的自校正觀測融合Kalman估值器的收斂性和漸近全局最優(yōu)性。自校正Kalman估值器收斂性的關鍵問題就是

5、證明自校正Riccati方程的收斂性。新提出的動態(tài)方差誤差系統(tǒng)分析(DVESA)方法，將自校正Ricatti方程的收斂性問題轉(zhuǎn)化為時變Lyapunov方程的穩(wěn)定性問題。進而在自校正Riccati方程收斂性的基礎上利用動態(tài)誤差系統(tǒng)分析(DESA)方法，證明了所提出的自校正加權觀測融合Kalman估值器的收斂性，即證明了它的漸近全局最優(yōu)性。
　　 最后，將所提出的最優(yōu)和自校正加權觀測融合Kalman估值算法推廣并應用到多傳感器單通道

6、自回歸(AR)信號和帶傳感器偏差和公共干擾噪聲的多傳感器多通道自回歸滑動平均(ARMA)信號中。將AR信號或ARMA信號轉(zhuǎn)化為帶伴隨型的狀態(tài)空間模型，信號作為狀態(tài)的一部分分量，從而將信號估值問題轉(zhuǎn)化為帶伴隨型的狀態(tài)估值問題。本文提出能處理單通道AR信號和多通道ARMA信號參數(shù)和噪聲統(tǒng)計辨識問題的多段信息融合辨識算法，并進一步提出了自校正觀測融合Kalman信號估值器。
　　 在目標跟蹤系統(tǒng)和信號處理中的仿真應用例子驗證了新提出的