最優(yōu)和自校正多傳感器加權(quán)觀(guān)測(cè)融合卡爾曼濾波器.pdf_第1頁(yè)
已閱讀1頁(yè),還剩172頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著科學(xué)技術(shù)的飛速發(fā)展,多傳感器信息融合技術(shù)已經(jīng)廣泛應(yīng)用到現(xiàn)代軍事、工業(yè)、交通和金融等領(lǐng)域。將多傳感器信息融合技術(shù)和狀態(tài)估計(jì)技術(shù)相結(jié)合產(chǎn)生了多傳感器信息融合狀態(tài)估計(jì)理論,它研究最優(yōu)和自校正多傳感器信息融合狀態(tài)或信號(hào)估計(jì)問(wèn)題。信息融合估計(jì)的目的是利用多個(gè)傳感器的觀(guān)測(cè)數(shù)據(jù)對(duì)多傳感器系統(tǒng)的過(guò)去狀態(tài)進(jìn)行平滑、對(duì)現(xiàn)在的狀態(tài)進(jìn)行濾波和對(duì)未來(lái)的狀態(tài)進(jìn)行預(yù)測(cè),其精度要比基于單個(gè)傳感器的估計(jì)的精度高。本文應(yīng)用Kalman濾波方法,對(duì)于多傳感器線(xiàn)性離散隨機(jī)

2、系統(tǒng),深入研究和討論了最優(yōu)和自校正加權(quán)觀(guān)測(cè)融合Kalman濾波問(wèn)題,主要的工作包括如下幾個(gè)方面:
   首先,對(duì)于系統(tǒng)模型精確已知的多傳感器線(xiàn)性離散系統(tǒng),基于Kalman濾波方法提出了幾種全局最優(yōu)的加權(quán)觀(guān)測(cè)融合Kalman估值算法。該算法與傳統(tǒng)的Kalman估值算法相比,具有計(jì)算負(fù)擔(dān)小和全局最優(yōu)的優(yōu)點(diǎn)。特別對(duì)于帶相關(guān)觀(guān)測(cè)噪聲的多傳感器系統(tǒng),用分塊矩陣的方法提出了高維矩陣的遞推求逆算法。當(dāng)該多傳感器觀(guān)測(cè)系統(tǒng)含有公共干擾噪聲時(shí),推廣

3、Pei-Radman矩陣的求逆結(jié)果,提出了快速的高維矩陣求逆算法,將該快速的求逆結(jié)果應(yīng)用到多傳感器加權(quán)觀(guān)測(cè)融合的觀(guān)測(cè)及其觀(guān)測(cè)噪聲方差中,可以得到其相當(dāng)簡(jiǎn)化的形式。應(yīng)用信息濾波器形式下Kalman濾波器證明所提出的幾種加權(quán)觀(guān)測(cè)融合算法完全功能等價(jià)于集中式融合算法,即證明了這幾種算法所得到的估值器是全局最優(yōu)的。
   其次,當(dāng)多傳感器系統(tǒng)含有未知模型參數(shù)和噪聲統(tǒng)計(jì)時(shí),應(yīng)用系統(tǒng)辨識(shí)方法、相關(guān)函數(shù)方法以及帶死區(qū)的Gevers-Woute

4、rs方法得到了該系統(tǒng)的未知模型參數(shù)和噪聲統(tǒng)計(jì)的局部和融合估值。將這些融合估值帶入到全局最優(yōu)的加權(quán)觀(guān)測(cè)融合Kalman估值器中得到自校正加權(quán)觀(guān)測(cè)融合Kalman估值器。本章重點(diǎn)分析了兩類(lèi)系統(tǒng),一類(lèi)是噪聲統(tǒng)計(jì)未知且觀(guān)測(cè)噪聲不相關(guān)的多傳感器系統(tǒng),另一類(lèi)是噪聲統(tǒng)計(jì)和系統(tǒng)模型都未知且觀(guān)測(cè)噪聲相關(guān)的多傳感器系統(tǒng)。
   再次,證明了所提出的自校正觀(guān)測(cè)融合Kalman估值器的收斂性和漸近全局最優(yōu)性。自校正Kalman估值器收斂性的關(guān)鍵問(wèn)題就是

5、證明自校正Riccati方程的收斂性。新提出的動(dòng)態(tài)方差誤差系統(tǒng)分析(DVESA)方法,將自校正Ricatti方程的收斂性問(wèn)題轉(zhuǎn)化為時(shí)變Lyapunov方程的穩(wěn)定性問(wèn)題。進(jìn)而在自校正Riccati方程收斂性的基礎(chǔ)上利用動(dòng)態(tài)誤差系統(tǒng)分析(DESA)方法,證明了所提出的自校正加權(quán)觀(guān)測(cè)融合Kalman估值器的收斂性,即證明了它的漸近全局最優(yōu)性。
   最后,將所提出的最優(yōu)和自校正加權(quán)觀(guān)測(cè)融合Kalman估值算法推廣并應(yīng)用到多傳感器單通道

6、自回歸(AR)信號(hào)和帶傳感器偏差和公共干擾噪聲的多傳感器多通道自回歸滑動(dòng)平均(ARMA)信號(hào)中。將AR信號(hào)或ARMA信號(hào)轉(zhuǎn)化為帶伴隨型的狀態(tài)空間模型,信號(hào)作為狀態(tài)的一部分分量,從而將信號(hào)估值問(wèn)題轉(zhuǎn)化為帶伴隨型的狀態(tài)估值問(wèn)題。本文提出能處理單通道AR信號(hào)和多通道ARMA信號(hào)參數(shù)和噪聲統(tǒng)計(jì)辨識(shí)問(wèn)題的多段信息融合辨識(shí)算法,并進(jìn)一步提出了自校正觀(guān)測(cè)融合Kalman信號(hào)估值器。
   在目標(biāo)跟蹤系統(tǒng)和信號(hào)處理中的仿真應(yīng)用例子驗(yàn)證了新提出的

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論