多传感器广义系统最优与自校正融合滤波算法研究

本文主要探讨了广义系统最优与自校正信息融合滤波器在多传感器环境下的应用。针对带多个传感器的广义随机线性系统，系统状态更新遵循动态模型（1）：\( Mx(t+1) = \Phi x(t) + \Gamma w(t) \)，其中 \( x(t) \) 代表状态向量，\( w(t) \) 是系统噪声。传感器观测数据通过模型（2）给出，\( yi(t) = H_ix(t) + vi(t) \)，\( i = 1,2,...,L \)，\( y_i(t) \) 是第 \( i \) 个传感器的测量，\( H_i \) 是观测矩阵，\( vi(t) \) 是独立的随机测量噪声。系统输出则通过模型（3）：\( z(t) = Bx(t) \)。 文章的核心贡献在于，利用典型分解技术，提出了一种基于线性最小方差的各分量按标量加权融合算法，设计了多传感器分布式最优分量融合降阶滤波器。这种滤波器允许对来自不同传感器的数据进行并行处理，通过计算一系列标量权重来融合各个子系统的局部估计，从而提高整体状态估计的精度。相比于单一传感器的估计，这种方法具有显著的优势。 文中进一步推导出任两个传感器子系统之间的滤波误差互协方差阵的计算公式，这对于评估滤波器性能和分析滤波误差的特性至关重要。对于系统噪声具有未知统计信息的情况，文章还探讨了分布式自校正信息融合降阶滤波器的设计，这种滤波器能够在保持较低计算负担的同时，根据实际噪声特性进行自适应调整，提高了滤波的准确性。 本文的研究工作扩展了多传感器广义系统的状态估计方法，不仅关注滤波精度的提升，还考虑了实际应用中的效率问题，为分布式信息融合滤波器在复杂系统中的应用提供了理论支持和实用算法。通过仿真研究，作者验证了这些融合滤波器的有效性和实用性，为实际工程中的状态估计和控制系统优化提供了有价值的新工具。