發(fā)布時(shí)間：2018-06-22 15:24

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

【摘要】：對(duì)于帶不確定噪聲方差的多傳感器單通道自回歸滑動(dòng)平均(ARMA)信號(hào)系統(tǒng),當(dāng)觀測(cè)噪聲中包含白噪聲和一個(gè)自回歸滑動(dòng)平均(ARMA)有色觀測(cè)噪聲時(shí),通過(guò)增廣狀態(tài)方法把ARMA信號(hào)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(jì)準(zhǔn)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(cè)融合穩(wěn)態(tài)Kalman信號(hào)預(yù)報(bào)器.對(duì)于噪聲方差的所有可能的不確定性,它們的實(shí)際預(yù)報(bào)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(cè)融合穩(wěn)態(tài)Kalman信號(hào)預(yù)報(bào)器的魯棒性和魯棒精度關(guān)系.通過(guò)一個(gè)仿真例子驗(yàn)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(xué)計(jì)算機(jī)與信息工程學(xué)院;哈爾濱商業(yè)大學(xué)管理學(xué)院;黑龍江財(cái)經(jīng)學(xué)院財(cái)經(jīng)信息工程系;
【基金】：黑龍江省教育廳科學(xué)技術(shù)研究項(xiàng)目(12541698)資助課題
【分類(lèi)號(hào)】：TP202;TP212

【相似文獻(xiàn)】

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(shí)估計(jì)[J];南昌大學(xué)學(xué)報(bào)(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(dòng)時(shí)域估計(jì)[J];控制與決策;2008年02期

3 胡士強(qiáng),敬忠良;基于噪聲方差估計(jì)的穩(wěn)健融合算法[J];儀器儀表學(xué)報(bào);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(guó)外電子測(cè)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(xué)學(xué)報(bào)(自然科學(xué)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(xué)學(xué)報(bào)(自然科學(xué)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(jì)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(jì)算機(jī)科學(xué);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(bào)新方法[J];黑龍江自動(dòng)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(xué)報(bào);2008年12期

相關(guān)會(huì)議論文 前4條

1 胡士強(qiáng);敬忠良;;基于噪聲方差估計(jì)的穩(wěn)健融合算法[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)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(guó)控制與決策學(xué)術(shù)年會(huì)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(jì)[A];1997中國(guó)控制與決策學(xué)術(shù)年會(huì)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(guó)自動(dòng)化學(xué)會(huì)控制理論專(zhuān)業(yè)委員會(huì)A卷[C];2011年

相關(guān)碩士學(xué)位論文 前6條

1 金翩;基于Kalman濾波的目標(biāo)跟蹤與傳感器配準(zhǔn)問(wèn)題研究[D];華中科技大學(xué);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(xué);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(xué);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(xué);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(xué);2005年

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

，

本文編號(hào)：2053261