本文選題：多傳感器信息融合 + 魯棒　； 參考：《系統(tǒng)科學與數(shù)學》2017年04期

【摘要】：對于帶不確定噪聲方差的多傳感器單通道自回歸滑動平均(ARMA)信號系統(tǒng),當觀測噪聲中包含白噪聲和一個自回歸滑動平均(ARMA)有色觀測噪聲時,通過增廣狀態(tài)方法把ARMA信號系統(tǒng)模型轉(zhuǎn)化為狀態(tài)空間模型.應(yīng)用加權(quán)最小二乘法和極大極小魯棒估計準則,基于帶噪聲方差保守上界的最壞保守系統(tǒng),提出了魯棒加權(quán)觀測融合穩(wěn)態(tài)Kalman信號預(yù)報器.對于噪聲方差的所有可能的不確定性,它們的實際預(yù)報誤差方差保證有相應(yīng)的最小上界.應(yīng)用Lyapunov方程方法,證明了局部和加權(quán)觀測融合穩(wěn)態(tài)Kalman信號預(yù)報器的魯棒性和魯棒精度關(guān)系.通過一個仿真例子驗證了所提出理論結(jié)果的正確性和有效性.
[Abstract]:For a multisensor single-channel autoregressive moving average (ARMA) signal system with uncertain noise variance, when white noise and an autoregressive moving average (ARMA) colored observation noise are included in the observed noise, The ARMA signal system model is transformed into a state space model by augmented state method. A robust weighted observational fusion steady-state Kalman signal predictor is proposed for worst-case conservative systems with conservative upper bounds of noise variance by using weighted least square method and minimax robust estimation criterion. For all possible uncertainties of noise variance their actual prediction error variance is guaranteed to have a corresponding minimum upper bound. By using the Lyapunov equation method, the robustness and the robust accuracy of the local and weighted observational fusion steady-state Kalman signal predictors are proved. A simulation example is given to verify the correctness and validity of the proposed theoretical results.
【作者單位】： 黑龍江科技大學計算機與信息工程學院;哈爾濱商業(yè)大學管理學院;黑龍江財經(jīng)學院財經(jīng)信息工程系;
【基金】：黑龍江省教育廳科學技術(shù)研究項目(12541698)資助課題
【分類號】：TP202;TP212

【相似文獻】

相關(guān)期刊論文 前10條

1 余科根;系統(tǒng)參數(shù)與結(jié)構(gòu)及其噪聲方差的同時估計[J];南昌大學學報(工科版);1997年03期

2 趙海艷;陳虹;;噪聲方差不確定約束系統(tǒng)的滾動時域估計[J];控制與決策;2008年02期

3 胡士強,敬忠良;基于噪聲方差估計的穩(wěn)健融合算法[J];儀器儀表學報;2004年S1期

4 李洪波;楊軍鋒;;自適應(yīng)Kalman濾波在多傳感器數(shù)據(jù)融合中應(yīng)用[J];國外電子測量技術(shù);2006年06期

5 尚曉星;李俊霞;;基于不敏Kalman濾波的多傳感器數(shù)據(jù)融合算法[J];河南師范大學學報(自然科學版);2011年04期

6 李毅;陸百川;李雪;;基于多尺度Kalman濾波的多傳感器數(shù)據(jù)融合[J];重慶交通大學學報(自然科學版);2012年02期

7 劉洲洲;;基于Kalman濾波的多傳感器信息融合研究[J];電子設(shè)計工程;2013年11期

8 朱嘉鋼;王士同;楊靜宇;;r-SVR中參數(shù)r與輸入噪聲間線性反比關(guān)系的仿真研究[J];計算機科學;2005年09期

9 周露,吳瑤華,聞新;帶未知系統(tǒng)偏差的自適應(yīng)Kalman預(yù)報新方法[J];黑龍江自動化技術(shù)與應(yīng)用;1994年04期

10 趙威;徐毓;;多傳感器噪聲方差未知情況下的異步航跡融合[J];傳感技術(shù)學報;2008年12期

相關(guān)會議論文 前4條

1 胡士強;敬忠良;;基于噪聲方差估計的穩(wěn)健融合算法[A];第二屆全國信息獲取與處理學術(shù)會議論文集[C];2004年

2 石瑩;孟華;鄧自立;;多傳感器信息融合穩(wěn)態(tài)Kalman跟蹤濾波器[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

3 顏東;顏寧;;不同噪聲方差冗余傳感器解析余度設(shè)計[A];1997中國控制與決策學術(shù)年會論文集[C];1997年

4 田行偉;石瑩;;帶相關(guān)噪聲的非方廣義系統(tǒng)降階Kalman遞推濾波器[A];中國自動化學會控制理論專業(yè)委員會A卷[C];2011年

相關(guān)碩士學位論文 前6條

1 金翩;基于Kalman濾波的目標跟蹤與傳感器配準問題研究[D];華中科技大學;2015年

2 匡磊;神經(jīng)網(wǎng)絡(luò)校正的Kalman濾波算法及應(yīng)用研究[D];華中科技大學;2016年

3 李小寧;基于Kalman濾波—加權(quán)因子的多傳感器數(shù)據(jù)融合方法研究[D];電子科技大學;2005年

4 梁佐江;基于Kalman濾波方法的多傳感器信息融合濾波器[D];黑龍江大學;2005年

5 王欣;基于Kalman濾波方法的多傳感器信息融合最優(yōu)白噪聲反卷積濾波器[D];黑龍江大學;2005年

6 李闖;帶不同局部動態(tài)模型的時變系統(tǒng)Kalman融合器及其應(yīng)用[D];黑龍江大學;2007年

，

本文編號：2053261