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.     

基于多传感器观测下的带乘性噪声系统的最优滤波融合算法

多传感器系统由于具有较高的精度及可靠性日益受到研究者的重视。本文针对多传感器观测下的带乘性噪声系统 ,分别给出了集中式与分布式滤波融合算法。这 2种算法在数学上完全等价 ,在线性最小方差意义上均是最优的。但对于工程实际问题 ,分布式的融合策略在计算、可靠性、故障的检测与隔离等方面更具有优势。文中举例验证了这 2种融合算法的有效性。     

带乘性噪声广义系统多传感器最优滤波融合算法

研究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2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2个耦合的非广义子系统的多传感器信息融合状态估计,然后分别推导出集中式与分布式滤波融合算法,这2种算法在数学上完全等价,均在线性最小方差意义下最优。考虑到分布式滤波融合算法的优点,重点讨论了该算法,仿真实验验证了该融合算法的有效性。     

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     

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。     

多传感器观测下带乘性噪声系统的逆向滤波与反褶积融合算法

针对多传感器观测环境下带乘性噪声系统的逆向最优滤波与反褶积融合估计问题 ,本文提出了 1种基于极大似然准则的最优融合算法。该算法中各单传感器间并行计算 ,并且融合中心与单传感器处理中心间无反向通讯 ,因而执行效率较高。仿真表明 ,该融合算法产生的逆向滤波与反褶积比单传感器处理结果有较明显提高     

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。     

基于约当分解的带乘性噪声广义系统状态最优滤波算法

运用矩阵约当分解,将一类带乘性噪声广义离散随机线性系统转化为带乘性噪声正常系统,并给出其在线性最小方差意义下的状态最优滤波算法。仿真结果验证该算法的有效性。     

基于奇异值分解的带乘性噪声广义系统最优滤波算法

针对带乘性噪声广义系统,基于已有最优滤波理论,利用矩阵的奇异值分解,在线性最小方差准则下,给出了一种具有数值稳定性的状态最优滤波算法。该算法在计算过程中可以始终保持误差协方差阵的对称性,在一定程度上解决了由于计算机舍入误差导致滤波算法失效的问题,具有较好的稳定性和鲁棒性。最后仿真例子表明了该算法的有效性。     

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。     

通道特性相关时带乘性噪声系统的最优滤波

针对石油地震勘探、通讯工程、水声探测等许多实际应用领域 ,该文研究 1种在更弱的乘性噪声限制条件下系统的最优状态滤波 ,就乘性噪声矩阵为一般随机矩阵且各观测通道乘性噪声在同时刻相关的情形 ,给出了在线性最小方差意义下的状态最优滤波算法。针对该算法还进行了仿真研究 ,仿真结果表明了该算法的有效性。     

带乘性噪声广义系统状态最优估计算法

针对带乘性噪声广义系统,提出1种在线性最小方差意义下的状态最优估计算法.首先,采用标准分解将系统变换为2个子系统;其次,通过估计子系统的状态,获得原系统的状态最优滤波.同时,算法还给出了动态噪声与量测噪声的估计.仿真结果表明了该算法的有效性.     

带乘性噪声广义系统的观测噪声最优估计算法

研究带乘性噪声广义系统的观测噪声最优估计问题。在假设系统正则的情况下,针对乘性噪声为一般随机矩阵即各观测通道乘性噪声同时刻相关的情况,通过受限等价变换和状态扩维的方法,给出了线性最小方差意义下的观测噪声最优滤波算法和最优平滑估计算法。数字仿真结果表明了算法的有效性。