自校正觀測融合Kalman估值器及其在典型跟蹤系統(tǒng)中的應(yīng)用.pdf

1、當(dāng)代科學(xué)技術(shù)發(fā)展和應(yīng)用中,信息廣泛存在于通訊、控制、信號處理、數(shù)據(jù)挖掘、人工智能、生物信息、航空航天技術(shù)、經(jīng)濟(jì)預(yù)測與調(diào)控等社會諸多領(lǐng)域,起著舉足輕重的作用。隨著信息化時代的迅猛發(fā)展,信息越來越趨向于數(shù)據(jù)量大、來源廣、相關(guān)層次多等特點。因此,將信號單純的傳送和匯總已經(jīng)不能滿足信息化時代的要求,現(xiàn)代信號處理技術(shù)對信息的精度、容錯性要求越來越高。信息融合技術(shù)作為解決此問題的方法之一應(yīng)運而生。信息融合作為多源信息綜合處理的一項新技術(shù),它能將來自

2、同一目標(biāo)的多源信息加以智能化合成,產(chǎn)生比單一信息源更精確、更完全、更可靠的估計和判決。
　　 本文主要針對線性和非線性多傳感器系統(tǒng),應(yīng)用加權(quán)觀測融合和各種辨識方法,研究了最優(yōu)和自校正加權(quán)觀測融合Kalman濾波器,以及最優(yōu)和自適應(yīng)加權(quán)觀測融合UKF。進(jìn)而針對一類受控的線性離散多傳感器系統(tǒng),研究了基于最優(yōu)和自校正加權(quán)觀測融合Kalman濾波器的預(yù)測控制問題。本文主要以理論分析結(jié)合計算機(jī)仿真研究為主,具體研究內(nèi)容和成果包括以下幾個方

3、面:
　　 首先,針對一類帶未知噪聲統(tǒng)計的線性多傳感器系統(tǒng),結(jié)合最小二乘辨識方法、相關(guān)函數(shù)辨識方法以及多傳感器協(xié)同辨識方法,提出了幾種自適應(yīng)加權(quán)觀測融合Kalman濾波器。分三種不同情形,對本文提出的基于多傳感器協(xié)同辨識的自校正加權(quán)觀測融合Kalman濾波器進(jìn)行了具體描述以及仿真分析,并利用隨機(jī)序列的遍歷性證明了協(xié)同辨識方法得到的系統(tǒng)噪聲統(tǒng)計以概率1收斂于系統(tǒng)真實值,進(jìn)而利用該方法得到的自校正加權(quán)觀測融合Kalman濾波器具有漸

4、近全局最優(yōu)性。
　　 其次,針對一類非線性多傳感器系統(tǒng),提出了加權(quán)觀測融合UKF濾波器,證明了應(yīng)用該方得到的UKF濾波器與集中式觀測融合UKF濾波器在數(shù)值上具有完全等價性,因而具有全局最優(yōu)性,而加權(quán)觀測融合UKF濾波器較集中式觀測融合UKF濾波器大大減小了計算負(fù)擔(dān)。考慮到這一類非線性多傳感器系統(tǒng)具有未知噪聲統(tǒng)計的情形,提出了自適應(yīng)加權(quán)觀測融合UKF濾波器,該方法將協(xié)同辨識方法與自適應(yīng)濾波方法相結(jié)合,提高了單純自適應(yīng)UKF濾波器的

5、穩(wěn)定性、收斂速度以及準(zhǔn)確性。
　　 再次,將加權(quán)觀測融合算法與預(yù)測控制算法相結(jié)合,提出了加權(quán)觀測融合預(yù)測控制算法。該方法避免了求解復(fù)雜的Diophantine方程,利用Kalman濾波算法得到系統(tǒng)狀態(tài)的預(yù)測,減小了計算負(fù)擔(dān)。而加權(quán)觀測信息融合的引入,則提高了控制系統(tǒng)的穩(wěn)定性和精度。
　　 最后,考慮到這一類受控的多傳感器系統(tǒng)具有未知噪聲統(tǒng)計的情形,提出了自適應(yīng)加權(quán)觀測融合預(yù)測控制算法。該方法運用了本文提出的協(xié)同辨識方法,