论文部分内容阅读
多传感信息融合Kalman滤波是信息融合和滤波理论相结合的产物，主要目的是对来自每个局部传感器的局部信息和数据进行关联、估计和融合，产生比基于每个局部信息的状态或者信号估计更准确的估计值。目前基本的信息融合方法有集中式融合Kalman滤波和分布式融合Kalman滤波。分布式融合Kalman滤波在线性最小方差准则下主要有三种信息融合算法：按矩阵加权、按标量加权和按对角阵加权。相比于集中式融合估计方法，分布式融合估计减小计算负担，更灵活可靠。但是分布式融合估计需要计算局部估计的误差互协方差。在许多理论和实际问题中，互协方差的计算是非常复杂或者根本无法获得互协方差。如果不考虑局部变量的相关性，假设互协方差为零，可导致滤波实际误差方差阵增大，从而使滤波器发散。本文提出的协方差交叉融合Kalman滤波算法完全避免辨识和计算系统的局部估计互协方差，可处理带未知局部估计互协方差的多传感器系统融合估计问题。CI融合给出融合估计实际误差方差阵的一个上界，这个上界与局部互协方差无关，即保证了CI融合估计的一致性和鲁棒性,并且可减小计算负担，避免了融合Kalman滤波器的发散问题。进一步给出了融合估计一致性证明。对带不相关观测噪声、相关观测噪声和有色观测噪声的两传感器随机系统，在互协方差未知情况下，提出了两传感器CI融合Kalman估值器。对传感器个数大于等于3的多传感器随机系统，提出了序贯CI融合Kalman估值器和批处理CI融合Kalman估值器，并给出了两种CI算法一致性证明。将上述结果应用于信号处理过程，通过ARMA信号模型和状态空间模型之间的相互转化，把信号估计问题转化为状态估计问题，提出了两传感器多通道ARMA信号CI融合信号估值器。对带观测滞后的两传感器随机系统，利用观测变换，直接将滞后系统转化为非时滞的标准系统，提出了两传感器时滞系统CI融合Kalman估值器。本文证明了CI融合滤波器和局部Kalman滤波器、集中式融合、三种加权融合滤波器之间的精度关系。CI融合滤波器估计精度高于每个局部滤波器的精度，在多数情况下，小于且接近带已知局部互协方差的最优矩阵加权融合滤波器精度，按矩阵加权融合精度小于按标量加权融合精度，对角阵加权融合精度在两者中间。并进一步应用协方差椭圆直观给出了精度关系的几何解释，Monte-Carlo仿真结果证明了理论精度关系的准确性。大量的仿真例子证明了理论结果的有效性和准确性。