多尺度带乘性噪声系统的最优状态平滑算法

针对多尺度带乘性噪声系统,在多尺度最优滤波融合的基础上,进行状态最优固定域平滑算法的研究.通过推广得到的平滑算法需要大量的局部传感器参数,而分布式多尺度滤波融合后不能保留这些信息.针对这一弊端对算法进行改进,推导出仅使用融合后的一步预测及滤波值的平滑算法.该算法在线性最小方差意义下是最优的.计算机仿真验证了算法的可行性.     

带乘性噪声的一类非线性系统的滤波算法

针对带乘性噪声的一类非线性系统,给出了1种带单重渐消因子的强跟踪状态滤波算法。该算法将非线性系统线性化后,采用了线性最小方差估计方法来进行状态估计,通过运用正交原理和引入渐消因子,使得滤波效果具有强跟踪的优良性能。该算法扩展了卡尔曼滤波在带乘性噪声非线性系统状态估计中的应用范围。仿真结果表明了该算法的有效性。     

多通道带乘性噪声系统的最优固定域平滑算法

在以往的乘性噪声系统的观测模型中 ,由于假定各通道的乘性噪声是完全相同的 ,因此并不是真正的多通道系统。而本文则考虑各通道乘性噪声不同的情况 ,即真正意义上的多通道带乘性噪声系统。在褚东升等“噪声相关时多通道带乘性噪声系统最优滤波”的基础上 ,进一步给出了固定域平滑算法。该算法在线性最小方差意义下为最优的。通过仿真计算 ,说明了该算法的有效性     

复杂多通道带乘性噪声系统的最优固定域平滑算法

研究 1种在更弱的乘性噪声限制条件下系统的状态最优估计算法。在最优滤波算法的基础上 ,进一步给出了在线性最小方差意义下最优的固定域平滑算法。针对该算法所进行的仿真研究已表明该算法的有效性     

带乘性噪声系统双滤器平滑及反褶积算法

在带乘性噪声系统（ＳＭＮ）间接平滑算法的基础上,通过构造一种新的ＳＭＮ逆向信息滤波算法,建立了ＳＭＮ的双滤器平滑和反褶积算法;为解决ＳＭＮ最优估计问题提供了新的方法。     

多通道带乘性噪声系统的分部滤波算法

针对多通道观测环境下带乘性噪声系统的最优滤波问题,提出了1种状态最优滤波的分部算法。分部估计方法将状态估计分解为标称滤波估计和余项估计2项相加的形式。该算法在线性最小方差意义下是最优的。仿真实例表明,分部算法的鲁棒性更强,对系统初值的改变具有更强的适应能力。     

带乘性噪声系统在加性噪声相关时的最优固定域平滑及反褶积算法

最优平滑及最优反褶积在石油地震勘探、通讯工程、语音处理等应用领域都具有十分重要的意义。以往的带乘性噪声系统的平滑及反褶积大都对系统模型的噪声特性有着较强的限制条件 ,要求动态噪声及观测噪声互相独立或只能在同时刻相关。该文给出了一种在动态噪声为有色噪声及动态噪声和量测噪声在有限时间段上相关的情形下带乘性噪声系统的固定域平滑及反褶积算法 ,该算法在线性最小方差意义下是最优的。通过仿真计算 ,说明了该算法的有效性。     

噪声相关时多通道带乘性噪声系统最优滤波

针对多通道乘性噪声系统问题的实际需要 ,推广 Rajasekaran滤波算法 ,利用线性最小方差的概念和投影公式 ,导出含有乘性噪声统计特性参数阵特殊乘法运算的新息协方差矩阵 ,并利用这个中间矩阵 ,在观测为多通道 ,且各个通道的乘性噪声不同 ,以及系统的动态噪声和观测噪声同时刻相关的情况下 ,导出状态递推滤波算法 ,该算法在线性最小方差意义下是最优的。并对该算法进行仿真研究 ,仿真结果表明了该算法的有效性     

多通道带乘性噪声系统观测噪声的最优估计

研究在多通道观测时观测噪声的最优估计问题。就多通道的乘性噪声为对角阵且动态噪声一步相关并与观测噪声在同时刻和过去相邻时刻也相关的复杂情况下给出了在线性最小方差意义下的观测噪声最优滤波估计算法和固定区间平滑估计算法。针对这些算法进行了仿真研究 ,仿真结果表明了算法的有效性。     

基于奇异值分解的多通道带乘性噪声系统的最优滤波算法

提出 1种基于奇异值分解 (SVD)的多通道带乘性噪声系统的最优滤波方法。该方法基于多通道带乘性噪声系统的最优滤波理论[1] ,利用奇异值分解作为工具 ,将原算法中的协方差矩阵P进行奇异值分解 ,可以在一定程度上避免在递推过程中 ,由于计算误差和舍入误差的积累而引起的协方差矩阵P失去对称性 ,因而导致算法失效的问题。在保证算法在线性最小方差意义下为最优的同时 ,具有很好的数值稳定性和鲁棒性。仿真中对改进后算法和原算法估计效果做了对比 ,仿真结果证明了本文方法的有效性。     

一类具有等式约束的带乘性噪声系统的最优滤波算法

针对动态数据处理领域观测方程中存在乘性噪声的情况,提出在乘性噪声系统中状态附等式约束的一套滤波算法。该算法首先通过把观测向量进行扩维,然后基于投影定理进行滤波求解得到基于线性最小方差的最优滤波算法。通过与基于最优化理论的方法求解得到的算法进行对比分析及仿真对比验证了该算法的有效性。