论文部分内容阅读
随着计算机、通信、控制和微电子等技术的迅猛发展，我们迫切地需要对来自不同信息源及传感器的信息进行更加有效的集成以应对不断涌现的、具有重要应用背景的各类多传感器系统。因此，作为一个前沿性的、前景广阔的研究领域，多传感器信息融合技术受到了人们的普遍关注，在军事及民事应用领域都得到了较大的发展。作为多传感器信息融合的一个重要分支，多传感器信息融合估计理论的目的是利用多传感器的观测数据获得比基于单传感器更加精确的状态或信号估计，它是多传感器信息融合技术与状态估计相结合的产物。
本文以现代时间序列分析方法为指导，基于自回归滑动平均(ARMA)新息模型，深入研究了多传感器加权融合滤波问题。主要做了以下几方面的工作:
首先，当多传感器系统的模型参数和噪声统计全部或部分未知时，利用递推辅助变量(RIV)算法、递推增广最小二乘(RELS)算法、偏差补偿递推最小二乘(BCRLS)算法、带死区的Gevers-Wouters算法和相关函数法，提出了未知模型参数和未知噪声统计信息的多段信息融合辨识算法，从而获得未知模型参数和未知噪声方差的信息融合在线估值器。信息融合估值器是基于各传感器得到的局部估值器的算术平均，虽然其精度不是各局部估值器中精度的最高值，但因其可以削弱发生故障的或精度较低的传感器带来的影响，故可信度较高。且本文从理论上证明了信息融合估值器的按概率1收敛性。
其次，对模型参数和噪声统计全部或部分未知的多传感器系统，本文提出了相应的自校正加权状态融合Kalman/Wiener滤波器。获得自校正加权状态融合Kalman/Wiener滤波器的方法是将未知模型参数和噪声统计的在线信息融合估值器代替已有最优局部及加权状态融合滤波器中的真实值。随后以动态误差系统分析(DESA)方法为手段，严格证明了所提出的自校正加权融合器的渐近最优性，即自校正加权融合器按实现收敛于相应的最优加权融合器。
最后，对于带白色噪声或带有色噪声的多传感器系统以及带白色噪声和观测滞后的两传感器系统，当局部滤波误差互协方差未知时，提出了协方差交叉(CI)融合Kalman/Wiener滤波器，给出了其精度分析，证明了它的一致性和鲁棒性，并将其精度同局部和最优加权（矩阵加权、对角阵加权、标量加权）融合Kalman/Wiener滤波器精度进行了比较。
本文用大量跟踪系统及信号处理的仿真例子说明了所提出算法的有效性。