時滯系統(tǒng)的分布式融合濾波.pdf

1、由于元器件的老化、靈敏度不夠以及信息傳遞的延遲等原因使得系統(tǒng)普遍存在著滯后現(xiàn)象。時滯系統(tǒng)的狀態(tài)估計問題廣泛應(yīng)用于信號處理、控制和網(wǎng)絡(luò)系統(tǒng)中。時滯系統(tǒng)狀態(tài)估計的研究對于人們對時滯系統(tǒng)進行有效地控制具有重要意義。本文研究時滯系統(tǒng)分布式最優(yōu)加權(quán)信息融合估計問題，包括觀測帶時滯、狀態(tài)帶時滯以及狀態(tài)和觀測均帶時滯的隨機離散系統(tǒng)的分布式最優(yōu)加權(quán)信息融合估計問題。 基于現(xiàn)代時間序列分析方法，研究帶相關(guān)噪聲的多傳感器觀測滯后隨機系統(tǒng)的分布式融合

2、濾波問題。通過模型轉(zhuǎn)換將觀測滯后系統(tǒng)轉(zhuǎn)化為無觀測滯后的等價系統(tǒng)，給出了基于單傳感器觀測的輸出預(yù)報器、白噪聲估值器和狀態(tài)濾波器。推導(dǎo)了任兩個局部估計之間的不同步預(yù)報誤差互協(xié)方差陣的計算公式。并基于分布式最優(yōu)加權(quán)融合估計算法，對帶多個傳感器的觀測滯后系統(tǒng)給出了分布式加權(quán)融合Wiener濾波器。 基于Kalman趾濾波方法，對帶相關(guān)噪聲的多傳感器多重時滯系統(tǒng)，給出了一種非增廣的分布式加權(quán)融合最優(yōu)估值器。推得了基于任兩個傳感器的局部估計

3、之間的估計誤差互協(xié)方差陣。對于狀態(tài)觀測均帶多重時滯系統(tǒng)，通過兩種方法得到分布式加權(quán)融合最優(yōu)估值器。方法一是直接對帶相關(guān)噪聲系統(tǒng)應(yīng)用射影理論進行設(shè)計。方法二是將帶相關(guān)噪聲的多重時滯系統(tǒng)轉(zhuǎn)化為帶不相關(guān)噪聲的多重時滯系統(tǒng)，進而得到分布式加權(quán)融合最優(yōu)估值器。避免了噪聲相關(guān)所帶來的理論推導(dǎo)上的復(fù)雜性。與基于單傳感器的局部估計相比，分布式融合估計具有更高的精度。與增廣的集中式最優(yōu)濾波器相比，雖然精度有所降低，但它由于具有并行結(jié)構(gòu)而有更好的可靠性，且

4、避免了增廣所帶來的在融合中心的高維計算和大的空間存儲。并且將非增廣方法與增廣方法以及分布式方法與集中式方法的計算量和性能做了比較。 基于Kalman濾波方法，應(yīng)用兩種方法對帶有色觀測噪聲的多重時滯系統(tǒng)，提出了非增廣的分布式加權(quán)融合最優(yōu)估值器。方法一將帶有色觀測噪聲的多重時滯隨機系統(tǒng)的濾波問題轉(zhuǎn)化為帶相關(guān)白噪聲的多重時滯隨機系統(tǒng)的預(yù)報問題。方法二將帶有色觀測噪聲的多重時滯隨機系統(tǒng)轉(zhuǎn)化為帶不相關(guān)白噪聲的多重時滯隨機系統(tǒng)，所得帶不相關(guān)