动态数据的有界影响滤波

在动态数据处理中,使用卡尔曼滤波进行估计,且当实际模型与假设模型一致时,其估计为最优估计。但卡尔曼滤波有致命缺点,即当实际模型与假设模型存在差异(极端异常值,数据有较小的变化,模型设计产生干扰)时,其估计对模型差异尤为敏感,很难获得质量较好的估计。本文分析了模型差异的影响和估计并非最优的原因,根据稳健估计原理和新息增量过程,构造了有界影响(BLF)滤波。BLF滤波对异常值等不敏感,在理论上证明了BLF滤波有界函数的形成,给出了有界函数形式,可获得较好的估计结果。