一、广义系统降阶Wiener状态估值器(论文文献综述)
陶贵丽,刘文强,张兴华,牛晓霞[1](2021)在《带丢包不确定广义系统鲁棒Kalman预报器》文中研究说明针对一类带丢包和不确定噪声方差的广义系统,设计了鲁棒时变Kalman预报器.利用矩阵的非奇异线性变换,通过增广状态方法和虚拟噪声技术,将原系统转化为两个仅带有不确定噪声方差的降阶非广义子系统.根据极大极小鲁棒估计原理,基于带噪声方差保守上界的最坏情形子系统,得到子系统的鲁棒时变Kalman预报器.根据降阶子系统和原广义系统之间的关系,给出原系统的鲁棒时变Kalman预报器和预报误差方差阵.应用Lyapunov方程方法证明其鲁棒性,使得对于所有容许的不确定性,它的实际预报误差方差阵被保证有相应的最小上界.仿真例子验证了所提算法的有效性和正确性.
刘呈祥[2](2020)在《带乘性噪声和相关加性噪声的Kalman估值器》文中提出随着航天、网络化控制系统、通讯工程和语音处理等领域高速发展,带乘性噪声和有色噪声的线性随机系统在上述领域有着更为广泛的应用。由于所处环境的多变性或经济状况的限制,诸如相关噪声、各种过程干扰、随机不确定性、随机非线性等问题是不可避免的。本文综合考虑了控制系统的上述相关特点以及随机扰动干扰,并根据射影理论和信息融合估计理论中的三种最优融合算法,解决了带乘性噪声和相关加性噪声的Kalman估值器问题。主要研究内容如下:1.对带有色和相关噪声线性随机系统,求解Kalman估值器问题。利用增广状态法,将有色过程噪声状态方程转化为含白噪声的增广状态方程。为了解决有色观测噪声问题,基于量测差分法,重新建立了含有白色观测噪声的新观测方程。在带有白噪声的新系统中,过程噪声和观测噪声是一步相关的。针对这一新系统,应用递推射影公式和Kalman滤波理论,提出了Kalman估值器,包括Kalman滤波器、一步预报器和一步平滑器。最后,两个跟踪系统实例验证了所提出的Kalman估计器的有效性。2.针对带乘性噪声和有色加性噪声的线性随机广义系统,提出了一种最优时变滤波算法。它采用奇异值分解(SVD)方法和虚拟噪声法,将广义系统转化为不带乘性噪声的非广义系统。利用增广状态法和差分变换法,得到了一种新的带有相关白噪声的增广状态空间模型。对于所得到的带有白噪声的非广义标准系统,给出了降阶增广状态和白色过程噪声的Kalman滤波器和预报器。进一步,根据新状态与原状态的关系,得到了原广义系统的最优时变Kalman滤波器和预报器。最后,一个电力系统的仿真例子验证了算法的有效性。3.对于带有乘性噪声和相关加性噪声的多传感器系统,首先应用增广状态方法和量测差分法得到带有一步相关白噪声的标准状态空间模型,然后利用Kalman滤波理论得到局部最优滤波器、预报器、平滑器。再计算滤波误差互协方差阵,然后基于线性无偏最小方差意义下的矩阵加权、标量加权和对角阵加权融合算法,给出了三种分布式加权融合估值器。同时,从精度方面对所提出的三种融合估计算法进行了比较分析。最后,一个仿真实例验证了算法的有效性。
窦寅丰[3](2017)在《多传感器广义系统的最优、鲁棒和自校正信息融合估计研究》文中进行了进一步梳理广义系统已经广泛应用到大系统理论、奇异摄动理论、电路系统控制理论、计量经济学、决策理论等领域中。而多传感器信息融合技术由于其更广的空间和时间覆盖范围、更强的系统生存能力、和更高的可信度等使其已经得到了相当广泛的应用。将传统的广义系统的估计问题和数据融合技术相结合,可以提高广义系统的状态估计的精度。本论文对于多传感器线性离散随机定常广义系统,深入研究了当噪声统计已知和未知不确定时的信息融合估计问题,主要的工作包括如下几个方面:首先,对于带已知噪声统计的多传感器线性离散随机广义系统,利用满秩分解得到加权融合观测方程,再根据三种不同奇异值分解标准型,将原广义系统降阶处理为两个子系统。这三种不同的降阶子系统都是带相关噪声的正常系统(非广义系统),因此可以利用经典Kalman滤波理论得到降阶状态分量的加权观测融合最优Kalman估值器。再根据降阶子系统和原始广义系统之间的关系得到广义系统的加权观测融合最优Kalman估值器及其估值误差方差阵。其次,对于带相关噪声的多传感器线性离散广义系统,利用加权观测融合方法得到融合的观测,同时将广义系统的状态方程也作为状态量的“观测”。基于极大似然估计准则,得到该新“观测量”的估值器,所得到的估值器也即原多传感器广义系统的满阶滤波器及其滤波误差方差阵。所得到的滤波误差方差阵满足广义Riccati方程。对于广义系统的满阶平滑器问题则是在增广状态方法的基础上转化为增广状态的满阶滤波器问题求解。再次,对于不确定噪声统计的多传感器广义系统,当不确定噪声统计存在其上界方差矩阵时,在极大极小鲁棒设计原理的基础上提出了鲁棒满阶滤波和平滑算法。定义带上界方差的噪声和估值初值上界的多传感器广义系统为其保守广义系统。对于该多传感器保守广义系统,利用第一和第二部分所提出的算法得到相应的保守加权观测融合和协方差交叉融合满阶滤波器和平滑器。将原多传感器广义系统的实际观测代入到保守滤波器和平滑器中得到鲁棒满阶滤波器和平滑器。该滤波器和平滑器的估值误差方差阵称为实际估值误差方差阵。利用Lyapunov方程方法证明所得到的实际估值误差方差阵存在一个上界方差,且所提出的鲁棒满阶滤波器和平滑器是鲁棒的。最后,对于带未知噪声方差的多传感器广义系统,先利用相关函数方法得到所有未知噪声方差的信息融合一致性估计。将这些一致性估计代入到当噪声统计已知时的信息融合降阶和满阶估值器中得到相应的自校正信息融合降阶和满阶估值器及其估值误差方差阵。利用动态误差方差分析方法和动态误差分析方法证明了多传感器广义系统的自校正估值误差方差阵和自校正估值器的收敛性。
刘丽芳[4](2012)在《带丢包系统的状态和白噪声估计及其应用研究》文中提出状态估计问题是信息融合领域中的焦点问题,广泛应用于军事、科研、控制工程、工程生产等各个方面.而噪声估计问题是石油地震勘探技术的核心性技术,它的一个重要应用背景是石油地震勘探信号处理.随着自动化、智能化技术的发展,对系统估计问题的研究逐渐深入,状态估计和白噪声估计问题引来了海内外众多学者的极大关注.然而,在实际应用上,由于网络的承载能力和通信宽带的限制,以及受外界环境的种种干扰,致使数据在传感器向融合中心传输的过程中,会出现数据丢包现象,这不仅使人们对原系统性能的估计不够准确,降低了估计的精度,而且也增加了对系统状态和信号估计的难度.本文以具有丢包系统的估计问题为研究对象,推导一类具有丢包系统的状态估值器和白噪声估值器,其中的丢包过程通过一个满足二元分布的随机变量来描述.在此我们不知道每一时刻的系统观测数据是否发生丢失,只知道每一时刻数据丢失的概率.通过矩阵增广的方法,将具有丢包的系统模型转化为常规系统的状态空间模型,在已有文献的基础上,推导具有丢包系统的状态估值器和白噪声估值器.在系统模型中,可以通过对白噪声的估计来实现对系统状态和信号的估计,本文基于具有丢包系统的状态估计和白噪声估计解决了具有丢包的ARMA(Autoregressive Moving Average)信号估计问题,在线性最小方差意义下,推导了的具有丢包的ARMA信号估值器,并给出了相应的误差方差阵.在文章的最后部分,对具有丢包广义系统的状态估计和白噪声估计问题进行了阐述,将广义系统降阶为两个等价的非奇异降阶子系统,应用射影理论对子系统进行状态估计和白噪声估计.从而解决了原系统的状态估计问题,最后,用仿真实例将本文算法与以往的Kalman滤波算法相比较,在说明了本文算法有效性的同时,也说明了带丢包系统的状态估计和白噪声估计在ARMA信号模型和广义系统模型上应用的广泛性.
邓自立[5](2011)在《Wiener滤波,Kalman滤波和信息融合滤波理论研究进展》文中研究表明综述最优和自校正滤波的一种新的方法论——现代时间序列分析方法,其中给出了同Wiener滤波方法和Kalman滤波方法的比较,并且综述了近20年来由作者分别基于Kalman滤波方法和现代时间序列分析方法关于Wiener滤波、Kalman滤波和信息融合滤波理论的研究进展,其中包括一系列新方法、新理论和新的研究方向,并提出了存在的几个问题和今后研究方向,具有重要理论、工程应用和科学方法论意义。
王欣[6](2011)在《多传感器广义线性系统最优和自校正加权观测融合估计方法研究》文中认为广义系统广泛出现在机器人、经济学、电路、生物医学、化工和工业控制等系统中,是比正常系统更具有普遍性的一种对实际系统的描述形式,近年来得到普遍关注。本文受三项国家自然科学基金(60874062、60504034、60874063)和一项教育部重点课题(209038)支持,具有重要理论意义和实际意义。关于广义系统的融合估计问题近年来出现了一些报道,但因为所采用的融合器多是分布式状态融合算法,该融合器是全局次优的,因而广义系统的融合估计结果也不能获得全局最优性。加权观测融合(Weighted Measurement Fusion, WMF)算法不但具有较小的计算负担,而且可以获得全局最优的估计结果,但现有的加权观测融合估计方法还无法解决广义系统的融合估计问题。针对这种情况,本文在对多传感器信息融合技术、状态估计技术、广义系统理论的历史背景和国内外研究的现状进行比较分析的前提下,以线性无偏最小方差(Linear Unbiased Minimum Variance, LUMV)估计为最优融合准则,采用最小二乘辨识技术、Kalman滤波技术、以及现代时间序列分析技术对多传感器广义系统加权观测融合最优和自校正估计技术进行了研究。主要内容和研究成果包括如下几个方面:1、利用奇异值分解和前后子系统分解两种方法将广义线性系统转化为等价的降阶耦合子系统,完成了广义线性系统到正常系统的降阶转化,分析了两种方法的灵活性,证明了正常子系统的能观性,进而说明了降阶子系统的可估计性,指出了利用加权观测融合方法实现广义系统最优和自校正融合估计需要解决的三个问题。2、解决了第一个问题。即,在带不同观测阵,且各传感器观测噪声相关且输入噪声与各传感器的观测噪声相关情形下,利用了矩阵满秩分解,Lagrange乘数法,加权最小二乘理论,在LUMV意义下提出了不受观测阵、观测噪声相关性影响的加权观测融合Kalman估计算法,该算法可统一处理状态的融合滤波、平滑、预报问题。证明了其估计结果完全等价于集中式融合结果,从而说明了它同样具有全局最优性。推广了Gan关于加权观测融合算法只能处理各传感器观测阵相同的情形。3、解决了第二个问题。即,对于带不同观测阵和相关噪声的多传感器系统,在Γ列满秩的条件下,利用射影理论提出了适合加权观测融合(WMF)算法的白噪声估计算法,并理论上证明了其功能等价于集中式融合白噪声估计理论,即引出数值上恒同的白噪声预报器,滤波器和平滑器,因而WMF算法在白噪声估计中同样具有全局最优性。所提出的算法也可应用于石油地震勘探、信号处理、通信等领域。4、解决了第三个问题。即,当系统噪声统计特性未知时,应用Fadeeva公式,左素分解方法构建了含未知参数的ARMA新息模型,提出了用采样相关函数和最小二乘两种系统参数辨识方法辨识ARMA新息模型,分析了两种方法在不同情况下的适用性,通过解矩阵方程组得到未知参数的一致性估计,进而得到自校正加权观测融合Kalman估值器。从而解决了多传感器广义系统自校正加权观测融合估计问题。
屈冬梅[7](2010)在《具有不确定干扰广义系统的信息融合估计》文中提出带有不确定干扰广义系统普遍存在于无线传感器网络,机器人和经济管理等实际系统中,而具有不确定干扰广义系统的状态估计问题常出现在控制、通信、信号处理和故障诊断与分离中.随着科学技术的日新月异,尤其是计算机技术的快速发展和多种复杂传感器的普遍使用,使得研究信息融合技术更具重要意义和实际价值.本文主要研究具有不确定干扰广义系统的信息融合估计算法,包括系统含有加性不确定干扰和观测含有乘性不确定干扰两种情况下的信息融合估值器设计问题.对带加性不确定干扰和相关噪声的定常广义离散随机线性系统,在没有不确定干扰的任何先验信息的条件下,首先,通过典范型分解将原广义系统变换为不同形式的等价降阶子系统形式;其次,应用线性无偏最小方差准则,分别设计了不同典范型下的降阶状态滤波器,且不依赖于不确定干扰.最后,针对多传感器系统,推导了任两个传感器之间的滤波误差互协方差阵的计算公式,以及两个降阶子系统之间的滤波误差互协方差阵的计算公式,进而,基于线性最小方差最优加权融合算法给出原广义系统的状态融合滤波器.对具有乘性不确定观测的定常广义离散随机系统,其中观测的乘性不确定干扰是通过—个满足Bernoulli分布的随机变量来描述,在系统噪声和观测噪声相关的条件下,将广义系统进行受限等价变换,转换为等价的降阶子系统形式,基于Kalman滤波理论及射影理论,给出了局部单传感器的状态估计滤波器、预报器及平滑器.当系统带有多传感器时,推导了任意两个传感器之间的估计误差互协方差阵的计算公式,以及两个降阶状态之间的滤波、预报及平滑误差互协方差阵.最后,依据线性最小方差意义下的最优加权融合估计算法,给出了传感器带有乘性不确定干扰广义系统的分布式最优融合滤波器,预报器和平滑器.
孙书利[8](2008)在《带多重观测滞后和MA有色观测噪声广义系统降阶Wiener状态估值器》文中研究指明应用射影理论和现代时间序列分析方法,基于ARMA新息模型和白噪声估值器,对带多重观测滞后和MA有色观测噪声广义系统提出了降阶Wiener状态估值器。可统一处理最优预报、滤波和平滑问题。它们避免了求解Riccati方程和Diophantine方程。估值器具有ARMA递推形式,且具有渐近稳定性。仿真例子验证了算法的有效性。
冉陈键[9](2008)在《广义系统信息融合Wiener状态估值器》文中指出近年来,广义系统状态估计问题由于它在电网络、经济系统、机器人、航空航天等领域有广泛的应用背景,因而引起人们的极大关注。非广义系统信息融合滤波在许多领域已获得了广泛的应用。但是,广义系统多传感器信息融合状态估计问题是一个尚未解决的问题。本文对带多传感器的广义线性离散定常随机系统,用五种不同方法分别将广义系统状态方程化为统一的不同形式的非递推表达式,它们由输入白噪声、观测白噪声和观测的线性组合构成,从而将广义系统状态估计问题化为白噪声估计和观测预报问题。应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型和白噪声估计理论,在线性最小方差按矩阵加权、按对角阵加权和按标量加权三种最优信息融合准则下,分别提出了加权融合Wiener状态估值器,可统一处理融合滤波、预报和平滑问题,可处理非因果广义系统。为了计算最优加权,基于新息过程,输入白噪声和观测白噪声之间的互协方差,提出了局部估计误差互协方差阵的计算公式。按矩阵加权融合器的精度高于按标量加权融合器的精度,而按对角阵加权融合器的精度在它们两者之间,且融合器的精度高于每个局部状态估值器的精度。大量Monte Carlo数值仿真例子说明所提出的融合器的有效性和正确性。
冉陈键,杨立新,邓自立[10](2007)在《广义系统解耦融合Wiener状态估值器》文中研究表明应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型和白噪声估计理论,在线性最小方差分量标量加权最优信息融合准则下,提出了多传感器广义线性离散随机系统分量解耦融合Wiener状态估值器,可统一处理融合滤波、预报和平滑问题,可处理非因果广义系统。为了计算最优加权,给出了计算局部估计误差互协方差阵公式。它的精度比每个局部估值器精度高。一个MonteCarlo仿真例子说明其有效性。
二、广义系统降阶Wiener状态估值器(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、广义系统降阶Wiener状态估值器(论文提纲范文)
(2)带乘性噪声和相关加性噪声的Kalman估值器(论文提纲范文)
中文摘要 |
Abstract |
主要符号定义 |
第1章 绪论 |
1.1 课题的研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 带乘性噪声系统的状态估计研究现状 |
1.2.2 带相关噪声系统的状态估计研究现状 |
1.3 研究主要内容 |
第2章 带有色噪声线性随机系统的Kalman估值器 |
2.1 引言 |
2.2 问题描述 |
2.3 最优Kalman估值器 |
2.3.1 最优滤波器 |
2.3.2 最优预报器 |
2.4 原始状态的Kalman估值器 |
2.5 仿真研究 |
2.6 本章小结 |
第3章 带有色噪声广义系统的Kalman估值器 |
3.1 引言 |
3.2 问题描述 |
3.2.1 降阶增广标准状态空间模型 |
3.2.2 广义系统的最优Kalman滤波器和预报器 |
3.3 仿真研究 |
3.4 本章小结 |
第4章 带乘性噪声和有色加性噪声系统的信息融合估计 |
4.1 引言 |
4.2 问题描述 |
4.3 局部最优估值器 |
4.3.1 局部最优滤波器 |
4.3.2 局部最优预报器 |
4.3.3 局部最优平滑器 |
4.4 带乘性噪声和加性噪声系统的加权状态融合估值器 |
4.4.1 滤波误差互协方差矩阵 |
4.4.2 预报误差互协方差矩阵 |
4.4.3 平滑误差互协方差矩阵 |
4.4.4 分布式信息融合估值器 |
4.5 仿真研究 |
4.6 本章小结 |
结论 |
参考文献 |
致谢 |
攻读学位期间发表论文 |
(3)多传感器广义系统的最优、鲁棒和自校正信息融合估计研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 广义系统状态估计的研究现状 |
1.1.1 广义系统的研究背景 |
1.1.2 广义系统最优估计的研究现状 |
1.1.3 广义系统鲁棒估计的研究现状 |
1.1.4 广义系统自校正估计的研究现状 |
1.2 多传感器广义系统状态估计的研究现状 |
1.2.1 多传感器信息融合的研究现状 |
1.2.2 多传感器信息融合状态估计的研究现状 |
1.2.3 广义系统信息融合估计的研究现状 |
1.3 本文的主要研究内容 |
第2章 多传感器广义系统最优降阶加权观测融合KALMAN估值器 |
2.1 引言 |
2.2 问题描述 |
2.3 加权观测融合方法 |
2.3.1 集中式融合方法 |
2.3.2 加权观测融合方法 |
2.4 加权观测融合广义系统的奇异值分解子系统 |
2.4.1 奇异值分解子系统I |
2.4.2 奇异值分解子系统II |
2.4.3 奇异值分解子系统III |
2.5 多传感器广义系统的加权观测融合降阶Kalman估值器 |
2.5.1 降阶子系统的加权观测融合Kalman估值器 |
2.5.2 原广义系统的加权观测融合降阶Kalman估值器 |
2.6 仿真例子 |
2.7 本章小结 |
第3章 多传感器广义系统满阶加权观测融合估值器 |
3.1 引言 |
3.2 基于极大似然估计的满阶滤波器和平滑器 |
3.2.1 满阶滤波器及其滤波误差方差阵 |
3.2.2 满阶平滑器及其平滑误差方差阵 |
3.3 多传感器广义系统的加权观测融合满阶滤波器和平滑器 |
3.3.1 问题描述 |
3.3.2 加权观测融合满阶滤波器 |
3.3.3 加权观测融合满阶平滑器 |
3.4 仿真例子 |
3.5 本章小结 |
第4章 带不确定噪声方差的多传感器广义系统的鲁棒信息融合估值器 |
4.1 引言 |
4.2 带不确定噪声统计的广义系统的鲁棒估值器 |
4.2.1 问题描述 |
4.2.2 鲁棒满阶滤波器及其鲁棒性分析 |
4.2.3 鲁棒满阶平滑器及其鲁棒性分析 |
4.3 带不确定噪声统计的多传感器广义系统的信息融合鲁棒估值器 |
4.3.1 加权观测融合鲁棒估值器 |
4.3.2 协方差交叉融合鲁棒估值器 |
4.4 仿真例子 |
4.5 本章小结 |
第5章 多传感器广义系统的自校正信息融合估值器 |
5.1 引言 |
5.2 自校正降阶信息融合KALMAN估值器 |
5.2.1 问题描述 |
5.2.2 CARMA新息模型 |
5.2.3 未知噪声方差的估计 |
5.2.4 自校正降阶加权观测融合Kalman估值器及其收敛性分析 |
5.3 自校正满阶信息融合估值器及其收敛性分析 |
5.3.1 自校正满阶加权观测融合估值器 |
5.3.2 收敛性分析 |
5.4 仿真例子 |
5.5 本章小结 |
结论 |
参考文献 |
致谢 |
攻读博士学位期间发表的学术论文及其它成果 |
(4)带丢包系统的状态和白噪声估计及其应用研究(论文提纲范文)
中文摘要 |
Abstract |
符号说明 |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.1.1 信息融合技术的国内外发展现状 |
1.1.2 信息融合中的状态估计和白噪声估计 |
1.2 具有丢包系统的估计问题研究概况 |
1.3 预备知识 |
1.3.1 线性最小方差和射影 |
1.3.2 三种加权多传感器最优信息融合准则 |
1.4 本文研究内容概述 |
第2章 具有丢包系统的状态和白噪声估计 |
2.1 问题描述 |
2.2 模型转化 |
2.3 最优线性估值器 |
2.3.1 状态估值器 |
2.3.2 白噪声估值器 |
2.4 多传感器白噪声信息融合估计 |
2.4.1 多传感器子系统状态和白噪声互协方差阵 |
2.4.2 多传感器系统白噪声三种加权融合估值器 |
2.5 仿真研究 |
2.6 本章小结 |
第3章 具有丢包的 ARMA 信号估计 |
3.1 问题描述 |
3.2 模型转化 |
3.3 最优线性估值器 |
3.4 状态估值器 |
3.4.1 白噪声估值器 |
3.4.2 信号估值器 |
3.5 多传感器分布式信息融合估计 |
3.5.1 多传感器子系统互协方差阵 |
3.5.2 多传感器 ARMA 信号三种加权融合估值器 |
3.6 仿真研究 |
3.7 本章小结 |
第4章 具有丢包的广义系统估计 |
4.1 问题描述 |
4.2 模型转化 |
4.3 最优线性估值器 |
4.3.1 第一降阶子系统状态和白噪声估计 |
4.3.2 第二降阶子系统状态估值器 |
4.3.3 原广义系统状态估值器 |
4.4 广义系统分布式融合估计算法 |
4.4.1 多传感器广义系统互协方差阵 |
4.4.2 多传感器广义系统三种加权融合估计 |
4.5 仿真研究 |
4.6 本章小结 |
结论 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(5)Wiener滤波,Kalman滤波和信息融合滤波理论研究进展(论文提纲范文)
0 引 言 |
1 基于Kalman滤波方法的理论研究进展 |
1.1 统一和通用的白噪声估计理论 |
1.2 时域Wiener滤波新方法 |
1.3 最优和自校正滤波器的收敛性分析新方法 |
1.4 最优加权融合Kalman滤波理论 |
1.5 基于Riccati方程的自校正融合Kalman滤波理论 |
2 现代时间序列分析方法的理论研究进展 |
2.1 基于ARMA新息模型的稳态最优白噪声估计理论 |
2.2 稳态Kalman滤波新方法 |
2.3 统一的、通用的时域Wiener滤波新方法 |
2.4 基于ARMA新息模型的最优融合滤波理论 |
2.5 最优Wiener反卷积滤波理论 |
2.6 多传感器信息融合辨识方法 |
2.7 基于ARMA新息模型的自校正融合滤波理论 |
3 结论及展望 |
(6)多传感器广义线性系统最优和自校正加权观测融合估计方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究的背景及意义 |
1.2 估计问题研究的国内外进程与现状 |
1.3 多传感器信息融合的意义、国内外进程和融合结构 |
1.3.1 多传感器信息融合的意义 |
1.3.2 国外关于信息融合技术研究的进程与现状 |
1.3.3 国内关于信息融合技术研究的进程与现状 |
1.3.4 多传感器信息融合估计技术的融合结构 |
1.4 多传感器广义系统信息融合估计的研究现状 |
1.5 论文的主要内容和安排 |
第2章 多传感器广义线性系统的降阶 |
2.1 引言 |
2.2 系统描述 |
2.3 多传感器广义线性系统的降阶分解 |
2.3.1 基于奇异值分解方法 |
2.3.2 基于前后子系统分解方法 |
2.4 多传感器广义系统最优和自校正加权观测融合估计需解决的问题 |
2.5 本章小结 |
第3章 带不同观测阵和相关噪声的加权观测融合Kalman估值算法 |
3.1 引言 |
3.2 带不同观测阵和相关观测噪声的全局最优加权观测融合Kalman估值器 |
3.2.1 集中式融合Kalman滤波算法 |
3.2.2 加权观测融合算法 |
3.2.3 两种融合方法的功能等价性 |
3.2.4 矩阵满秩分解的选择 |
3.2.5 仿真例子 |
3.3 带不同观测阵和相关噪声的全局最优加权观测融合Kalman估值器 |
3.3.1 输入噪声与观测噪声去相关 |
3.3.2 基于LUMV准则的加权观测融合算法 |
3.3.3 加权观测融合Kalman估值算法的全局最优性 |
3.3.4 基于稳态Kalman滤波的观测融合算法 |
3.3.5 仿真实例 |
3.4 本章小结 |
第4章 带不同观测阵和相关噪声的加权观测融合输入白噪声反卷积估值器 |
4.1 白噪声估值器的应用背景 |
4.2 问题阐述 |
4.3 两种集中式融合白噪声反卷积估值器 |
4.3.1 基于射影理论的集中式融合白噪声反卷积估值器 |
4.3.2 Γ为列满秩矩阵情形下的集中式融合Mendel白噪声反卷积估值器 |
4.4 多传感器加权观测融合白噪声反卷积估值器 |
4.5 集中式融合与加权观测融合计算量的比较 |
4.6 仿真实例 |
4.7 本章小结 |
第5章 自校正加权观测融合Kalman估值器 |
5.1 引言 |
5.2 问题阐述 |
5.2.1 系统描述 |
5.2.2 加权观测融合稳态最优Kalman估值器 |
5.3 噪声方差和互协方差的在线估值器 |
5.3.1 基于采样相关函数方法辨识 |
5.3.2 基于最小二乘方法辨识 |
5.4 自校正加权观测融合Kalman估值器 |
5.5 仿真例子 |
5.6 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
致谢 |
个人简历 |
(7)具有不确定干扰广义系统的信息融合估计(论文提纲范文)
中文摘要 |
Abstract |
目录 |
符号说明 |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 多传感器信息融合技术 |
1.2.1 信息融合技术的国内外发展状况 |
1.2.2 信息融合的结构和方法 |
1.2.3 信息融合中的状态估计 |
1.3 不确定干扰系统状态估计的研究概况 |
1.4 广义系统状态估计的研究现状 |
1.5 本文的主要研究内容 |
第2章 预备知识 |
2.1 引言 |
2.2 多传感器最优加权信息融合算法及其计算量比较 |
2.3 基于不确定观测正常系统的多传感器Kalman估值器 |
2.4 广义系统的等价变换形式 |
2.5 分块矩阵的求逆和矩阵迹的求导公式 |
2.6 本章小结 |
第3章 带加性不确定干扰的广义离散随机系统融合滤波器 |
3.1 引言 |
3.2 典范型(Ⅰ)的分布式融合滤波器 |
3.2.1 问题阐述 |
3.2.2 局部单传感器降阶子系统的滤波器 |
3.2.3 任两个传感器降阶子系统之间的滤波误差协方差阵 |
3.2.4 最优信息融合滤波器 |
3.3 典范型(Ⅱ)的分布式融合滤波器 |
3.3.1 问题阐述 |
3.3.2 局部单传感器子系统的滤波器 |
3.3.3 分布式最优信息融合滤波器 |
3.4 典范型(Ⅲ)的分布式融合滤波器 |
3.4.1 问题描述 |
3.4.2 局部单传感器状态滤波器 |
3.4.3 任两个传感器子系统之间的滤波误差互协方差阵 |
3.4.4 最优信息融合状态滤波器 |
3.5 典范型(Ⅳ)的分布式融合滤波器 |
3.6 仿真研究 |
3.7 本章小结 |
第4章 具有乘性干扰的广义系统信息融合估计 |
4.1 引言 |
4.2 问题描述 |
4.3 局部单传感器估值器 |
4.3.1 单传感器预报器和滤波器 |
4.3.2 单传感器的平滑器 |
4.4 任意两个传感器子系统之间的估计误差协方差阵 |
4.5 分布式最优融合估值器 |
4.6 仿真研究 |
4.7 本章小结 |
结论 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(9)广义系统信息融合Wiener状态估值器(论文提纲范文)
中文摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景 |
1.1.1 广义系统的结构特征和应用背景 |
1.1.2 多传感器信息融合技术应用背景 |
1.2 国内外发展概况 |
1.2.1 广义系统状态估计国内外发展概况 |
1.2.2 信息融合技术国内外发展概况 |
1.3 主要研究内容 |
1.4 本文结构 |
第2章 广义系统新息模型和白噪声估值器 |
2.1 引言 |
2.2 多传感器广义系统 |
2.3 多传感器广义系统的新息模型 |
2.4 多传感器广义系统的白噪声估计理论 |
2.5 多传感器广义系统的输出最优预报器 |
第3章 广义系统信息融合Wiener 状态估值器(一) |
3.1 引言 |
3.2 广义系统单传感器Wiener 估值器 |
3.2.1 新的状态表达式 |
3.2.2 广义系统单传感器状态估值器 |
3.2.3 稳态误差方差阵和协方差阵的计算 |
3.3 广义系统加权融合Wiener 估值器 |
3.4 仿真例子 |
3.4.1 仿真例子1 |
3.4.2 仿真例子2 |
3.5 本章小结 |
第4章 广义系统信息融合Wiener 状态估值器(二) |
4.1 引言 |
4.2 广义系统单传感器Wiener 估值器 |
4.2.1 新的状态表达式 |
4.2.2 广义系统单传感器状态估值器 |
4.2.3 稳态误差方差阵和协方差阵的计算 |
4.3 广义系统加权融合Wiener 估值器 |
4.4 仿真例子 |
4.4.1 仿真例子1 |
4.4.2 仿真例子2 |
4.5 本章小结 |
第5章 广义系统信息融合Wiener 状态估值器(三) |
5.1 引言 |
5.2 广义系统单传感器Wiener 估值器 |
5.2.1 新的状态表达式 |
5.2.2 广义系统单传感器状态估值器 |
5.2.3 稳态误差方差阵和协方差阵的计算 |
5.3 广义系统加权融合Wiener 估值器 |
5.4 仿真例子 |
5.4.1 仿真例1 |
5.4.2 仿真例子2 |
5.5 本章小结 |
第6章 广义系统信息融合Wiener 状态估值器(四) |
6.1 引言 |
6.2 广义系统单传感器Wiener 估值器 |
6.2.1 新的状态表达式 |
6.2.2 广义系统单传感器状态估值器 |
6.2.3 稳态误差方差阵和协方差阵的计算 |
6.3 广义系统加权融合Wiener 估值器 |
6.4 仿真例子 |
6.4.1 仿真例子1 |
6.4.2 仿真例子2 |
6.5 本章小结 |
第7章 广义系统信息融合Wiener 状态估值器(五) |
7.1 引言 |
7.2 广义系统单传感器Wiener 估值器 |
7.2.1 新的状态表达式 |
7.2.2 广义系统单传感器状态估值器 |
7.2.3 稳态误差方差阵和协方差阵的计算 |
7.3 广义系统加权融合Wiener 估值器 |
7.4 仿真例子 |
7.4.1 仿真例子1 |
7.4.2 仿真例子2 |
7.5 本章小结 |
结论 |
参考文献 |
致谢 |
攻读学位期间发表论文 |
四、广义系统降阶Wiener状态估值器(论文参考文献)
- [1]带丢包不确定广义系统鲁棒Kalman预报器[J]. 陶贵丽,刘文强,张兴华,牛晓霞. 系统科学与数学, 2021(05)
- [2]带乘性噪声和相关加性噪声的Kalman估值器[D]. 刘呈祥. 黑龙江大学, 2020(04)
- [3]多传感器广义系统的最优、鲁棒和自校正信息融合估计研究[D]. 窦寅丰. 黑龙江大学, 2017(03)
- [4]带丢包系统的状态和白噪声估计及其应用研究[D]. 刘丽芳. 黑龙江大学, 2012(10)
- [5]Wiener滤波,Kalman滤波和信息融合滤波理论研究进展[J]. 邓自立. 黑龙江大学工程学报, 2011(03)
- [6]多传感器广义线性系统最优和自校正加权观测融合估计方法研究[D]. 王欣. 哈尔滨工程大学, 2011(05)
- [7]具有不确定干扰广义系统的信息融合估计[D]. 屈冬梅. 黑龙江大学, 2010(10)
- [8]带多重观测滞后和MA有色观测噪声广义系统降阶Wiener状态估值器[A]. 孙书利. 第二十七届中国控制会议论文集, 2008
- [9]广义系统信息融合Wiener状态估值器[D]. 冉陈键. 黑龙江大学, 2008(02)
- [10]广义系统解耦融合Wiener状态估值器[J]. 冉陈键,杨立新,邓自立. 科学技术与工程, 2007(19)