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.     

多传感器组合导航系统研究

为了满足水下航行器高精度导航定位的需求,建立了多传感器组合导航的系统模型。针对信息融合过程中出现的非线性环节,在传统联邦滤波器的基础上,提出了基于粒子滤波的混合联邦滤波器。其中,线性子系统采用卡尔曼滤波算法进行滤波估计,非线性子系统采用粒子滤波算法进行滤波估计。计算机仿真分析表明,该混合联邦滤波算法能够将线性和非线性子系统的滤波结果很好地融合起来,提高了组合导航系统的定位精度。     

一类带乘性噪声2-D奇异系统的滤波算法

针对一类带乘性噪声2-D奇异系统的Roesser模型,提出了一种状态滤波算法。该算法首先对无跳跃模的2-D奇异Roesser模型进行等价变换,变换为2个降阶的子系统,其中子系统一可继续变换为易于处理的动态噪声和量测噪声在同一坐标点相关的非奇异带乘性噪声FM-Ⅱ模型;然后基于正交投影定理,得到了带乘性噪声2-D奇异Roesser模型的状态滤波算法,同时得到了带乘性噪声2-D FM-Ⅱ模型的状态滤波算法。上述算法在线性最小方差意义下是最优的,仿真验证了算法的有效性。     

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。     

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。     

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。     

带乘性噪声系统的多尺度最优滤波融合算法

利用小波变换和多尺度分析的思想,将基于模型的动态系统分析和基于统计特性的多尺度信号变换方法相结合。提出了在线性最小方差意义下的带乘性噪声系统的多尺度最优滤波融合算法。并用计算机仿真说明了融合算法的有效性。     

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。