论文部分内容阅读
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。