隨著信息科學、人工智能等技術的飛速發(fā)展,多傳感器網絡化系統(tǒng)受到廣泛的關注。然而,由于系統(tǒng)模型的復雜性和工作環(huán)境中的許多不確定因素,使系統(tǒng)模型具有未知或不確定的參數。本文研究了帶未知模型參數、丟失觀測率或衰減觀測率的多傳感器系統(tǒng)的自校正融合估計問題。主要研究內容如下:針對帶未知模型參數和丟失觀測率多傳感器線性離散隨機系統(tǒng),利用一組滿足Bernoulli分布的隨機變量來描述傳感器的觀測丟失現(xiàn)象。在模型參數和觀測丟失率未知的情形下,分別采用遞推增廣最小二乘(RELS)算法和相關函數,對未知模型參數和丟失觀測率進行在線辨識,提出了未知模型參數的分布式融合辨識器。將辨識后的模型參數和觀測收到率代入到最優(yōu)局部濾波器、互協(xié)方差陣和分布式融合濾波算法中,提出了相應的自校正濾波算法。應用動態(tài)方差誤差系統(tǒng)分析(DVESA)方法和動態(tài)誤差系統(tǒng)分析(DESA)方法證明了算法的收斂性。仿真例子驗證了算法的有效性。針對帶未知模型參數和衰減觀測率多傳感器線性離散隨機系統(tǒng),在模型參數和衰減觀測率未知的情形下,應用RELS算法和加權融合估計算法提出了未知模型參數的分布式融合辨識器。應用相關函數對描述衰減觀測現(xiàn)象的隨機變量的數學期望和方差進行在線辨識。將辨識后的模型參數、數學期望和方差代入到最優(yōu)分布式融合狀態(tài)濾波器中,獲得了相應的自校正融合狀態(tài)濾波算法。應用動態(tài)誤差系統(tǒng)分析(DESA)方法證明了算法的收斂性。仿真例子驗證了算法的有效性。
【學位單位】：黑龍江大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP212.9

【參考文獻】

相關期刊論文 前8條

1 吳黎明;馬靜;孫書利;;具有不同觀測丟失率多傳感器隨機不確定系統(tǒng)的加權觀測融合估計[J];控制理論與應用;2014年02期

2 游科友;謝立華;;網絡控制系統(tǒng)的最新研究綜述[J];自動化學報;2013年02期

3 陶貴麗;鄧自立;;含未知參數的自校正融合Kalman濾波器及其收斂性[J];自動化學報;2012年01期

4 鄧自立;顧磊;冉陳鍵;;帶相關噪聲的觀測融合穩(wěn)態(tài)Kalman濾波算法及其全局最優(yōu)性[J];電子與信息學報;2009年03期

5 冉陳鍵;顧磊;鄧自立;;相關觀測融合Kalman估值器及其全局最優(yōu)性[J];控制理論與應用;2009年02期

6 鄧自立;郝鋼;;自校正多傳感器觀測融合Kalman估值器及其收斂性分析[J];控制理論與應用;2008年05期

7 鄧自立,孫小君;多傳感器分布式協(xié)方差信息融合Kalman濾波理論[J];科學技術與工程;2005年12期

8 盛梅,湯玉東,鄒云;具不確定觀測和相關噪聲的最優(yōu)遞推濾波[J];宇航計測技術;2005年02期

本文編號：2813337