Assumption 3. The initial state xð0Þ is uncorrelated with
wðtÞ; fðtÞ; n
ðiÞ
ðtÞ and
v
ðiÞ
ðtÞ; i ¼ 1; 2; ...; L, and E½xð0Þ+ ¼
l
0
and
E½ðxð0Þ(
l
0
Þðxð0Þ(
l
0
Þ
T
+¼P
0
.
In this paper, our aims are to find:
(a) the centralized fusion estimator
^
x
ðcÞ
ðtjt þ NÞ based on the obser-
vations ðy
ðiÞ
ðt þ NÞ; y
ðiÞ
ðt þ N ( 1Þ; ...; y
ðiÞ
ð0ÞÞ; i ¼ 1; ...; L,itisa
filter
^
x
ðcÞ
ðtjtÞ for N =0,apredictor
^
x
ðcÞ
ðtjt þ NÞ for N < 0anda
smoother
^
x
ðcÞ
ðtjt þ NÞ for N > 0;
(b) the distributed fusion filters
^
x
ðoÞ
ðtjtÞ weighted by matrices in
a linear minimum variance sense and
^
x
ðCIÞ
ðtjtÞ by covariance
intersection (CI) algorithm.
Before investigating the estimators, we first establish the fol-
lowing lemma to simplify the derivation process of the theorems
in the subsequent text.
Lemma 1. For systems (1) and (2) under Assumptions 1–3, the state
second-order moment matrix XðtÞ¼E½xðtÞx
T
ðtÞ+ is given as
Xðt þ 1Þ¼UðtÞXðtÞU
T
ðtÞþQ
f
ðtÞFðtÞXðtÞF
T
ðtÞ
þ
C
ðtÞQ ðt; tÞ
C
T
ðtÞþUðtÞ
C
ðt ( 1ÞQðt ( 1; tÞ
C
T
ðtÞ
þ
C
ðtÞQ ðt; t ( 1Þ
C
T
ðt ( 1ÞU
T
ðtÞð5Þ
The initial value is Xð0Þ¼
l
0
l
T
0
þ P
0
.
Proof. (5) can be directly obtained from [22] where there is the
similar state equation. h
3. Centralized fusion estimators
In this section, we will investigate the centralized fusion filter,
N-step predictor and fix-lag N-step smoother in the linear mini-
mum variance sense by using an innovation analysis approach.
Systems (1) and (2) can be rewritten as
xðt þ 1Þ¼ðUðtÞþfðtÞFðtÞÞxðtÞþ
C
ðtÞwðtÞð6Þ
y
ðcÞ
ðtÞ¼ðH
ðcÞ
ðtÞþn
ðcÞ
ðtÞC
ðcÞ
ðtÞÞxðtÞþ
v
ðcÞ
ðtÞð7Þ
where
y
ðcÞ
ðtÞ¼
y
ð1Þ
ðtÞ
.
.
.
y
ðLÞ
ðtÞ
2
6
6
6
4
3
7
7
7
5
; H
ðcÞ
ðtÞ¼
H
ð1Þ
ðtÞ
.
.
.
H
ðLÞ
ðtÞ
2
6
6
6
4
3
7
7
7
5
; C
ðcÞ
ðtÞ¼
C
ð1Þ
ðtÞ
.
.
.
C
ðLÞ
ðtÞ
2
6
6
6
4
3
7
7
7
5
;
v
ðcÞ
ðtÞ¼
v
ð1Þ
ðtÞ
.
.
.
v
ðLÞ
ðtÞ
2
6
6
6
4
3
7
7
7
5
; n
ðcÞ
ðtÞ¼diagðn
ð1Þ
ðtÞI
p
1
; ...; n
ðLÞ
ðtÞI
p
L
Þ:
From (3) and (4), the noise statistics are given as follows:
E½
v
ðcÞ
ðtÞ
v
ðcÞT
ðkÞ+ ¼ R
ðcÞ
ðt; kÞðd
t;k
þ d
t;k(1
þ d
t;kþ1
Þ;
E½wðt Þ
v
ðcÞT
ðkÞ+ ¼ S
ðcÞ
ðt; kÞðd
t;k
þ d
t;k(1
þ d
t;k(2
Þ;
E½fðtÞn
ðcÞT
ðkÞ+ ¼ Q
ðcÞ
fn
ðtÞ¼diag Q
ð1Þ
fn
ðtÞ; ...; Q
ðLÞ
fn
ðtÞ
!"
d
t;k
;
E½n
ðcÞ
ðtÞGn
ðcÞT
ðkÞ+ ¼ Q
ðcÞ
n
ðtÞ!G
!"
d
t;k
where R
ðcÞ
ðt; kÞ¼ R
ðijÞ
ðt; kÞ
!"
p,p
; Q
ðcÞ
n
ðtÞ¼ Q
ðijÞ
n
ðtÞ1
p
i
p
j
!"
p,p
; i; j ¼ 1; 2;
...; L; S
ðcÞ
ðt; kÞ¼
S
ð1Þ
ðt; kÞ###S
ðLÞ
ðt; kÞ
#$
m,p
; p ¼
P
L
i¼1
p
i
, and G is a
matrix uncorrelated with n
ðcÞ
ðtÞ.
3.1. Centralized fusion filter
Theorem 1. For systems (6) and (7) under Assumptions 1–3, the
optimal centralized fusion filter
^
x
ðcÞ
ðtjtÞ and one-step predictor
^
x
ðcÞ
ðt þ 1jtÞ for the state are calculated by
^
x
ðcÞ
ðtjtÞ¼
^
x
ðcÞ
ðtjt ( 1ÞþK
ðcÞ
x
ðtjtÞ
e
ðcÞ
ðtÞð8Þ
^
x
ðcÞ
ðt þ 1jtÞ¼UðtÞ
^
x
ðcÞ
ðtjt ( 1ÞþK
ðcÞ
x
ðt þ 1jtÞ
e
ðcÞ
ðtÞð9Þ
where e
ðcÞ
ðtÞ is the innovation sequence, K
ðcÞ
x
ðtjtÞ and K
ðcÞ
x
ðt þ 1jtÞ are
the filtering and prediction gain matrices. They are calculated by Eqs.
(10), (13) and (14) in the subsequent text, respectively.
The innovation sequence
e
ðcÞ
ðtÞ is calculated by
e
ðcÞ
ðtÞ¼y
ðcÞ
ðtÞ(H
ðcÞ
ðtÞ
^
x
ðcÞ
ðtjt ( 1Þ(
^
v
ðcÞ
ðtjt ( 1Þð10Þ
where the predictor
^
v
ðcÞ
ðtjt ( 1Þ and its gain matrix K
ðcÞ
v
ðtjt ( 1Þ for the
observation noise
v
ðcÞ
ðtÞ are calculated by
^
v
ðcÞ
ðtjt ( 1Þ¼K
ðcÞ
v
ðtjt ( 1Þ
e
ðcÞ
ðt ( 1Þð11Þ
K
ðcÞ
v
ðtjt ( 1Þ¼½H
ðcÞ
ðt ( 1Þ
C
ðt ( 2ÞS
ðcÞ
ðt ( 2; tÞ
þR
ðcÞ
ðt ( 1; tÞ+
T
Q
ðcÞ(1
e
ðt ( 1Þð12Þ
The gain matrices K
ðcÞ
x
ðtjtÞ and K
ðcÞ
x
ðt þ 1jtÞ of the centralized fusion
filter and predictor for the state xðtÞ are calculated by
K
ðcÞ
x
ðtjtÞ¼½P
ðcÞ
x
ðtjt ( 1ÞH
ðcÞT
ðtÞþP
ðcÞ
x
v
ðtjt ( 1Þ+Q
ðcÞ(1
e
ðtÞð13Þ
K
ðcÞ
x
ðt þ 1jtÞ¼UðtÞK
ðcÞ
x
ðtjtÞþ½FðtÞXðtÞC
ðcÞT
ðtÞQ
ðcÞ
fn
ðtÞ
þ
C
ðtÞQðt; t ( 1Þ
C
T
ðt ( 1ÞH
ðcÞT
ðtÞ
þ
C
ðtÞS
ðcÞ
ðt; tÞ+Q
ðcÞ(1
e
ðtÞð14Þ
The estimation error covariance matrices P
ðcÞ
x
ðtjtÞ and P
ðcÞ
x
ðt þ 1jtÞ
of the centralized fusion filter and predictor for the state are calculated
by
P
ðcÞ
x
ðtjtÞ¼P
ðcÞ
x
ðtjt ( 1Þ(K
ðcÞ
x
ðtjtÞQ
ðcÞ
e
ðtÞK
ðcÞT
x
ðtjtÞð15Þ
P
ðcÞ
x
ðt þ 1jtÞ¼UðtÞP
ðcÞ
x
ðtjt ( 1ÞU
T
ðtÞþQ
f
ðtÞFðtÞXðtÞF
T
ðtÞ
( K
ðcÞ
x
ðt þ 1jtÞQ
ðcÞ
e
ðtÞK
ðcÞT
x
ðt þ 1jtÞ
þ
C
ðtÞQðt; tÞ
C
T
ðtÞþUðtÞ
C
ðt ( 1ÞQðt ( 1; tÞ
C
T
ðtÞ
þ
C
ðtÞQðt; t ( 1Þ
C
T
ðt ( 1ÞU
T
ðtÞð16Þ
The covariance matrix Q
ðcÞ
e
ðtÞ of the innovation sequence
e
ðcÞ
ðtÞ is
calculated by
Q
ðcÞ
e
ðtÞ¼H
ðcÞ
ðtÞP
ðcÞ
x
ðtjt ( 1ÞH
ðcÞT
ðtÞþP
ðcÞ
v
ðtjt ( 1ÞþQ
ðcÞ
n
ðtÞ!ðC
ðcÞ
ðtÞ
XðtÞC
ðcÞT
ðtÞÞ þ H
ðcÞ
ðtÞP
ðcÞ
x
v
ðtjt ( 1ÞþP
ðcÞT
x
v
ðtjt ( 1ÞH
ðcÞT
ðtÞð17Þ
where the prediction error covariance matrix P
ðcÞ
v
ðtjt ( 1Þ of the obser-
vation noise
v
ðcÞ
ðtÞ is calculated by
P
ðcÞ
v
ðtjt ( 1Þ¼R
ðcÞ
ðt; tÞ(K
ðcÞ
v
ðtjt ( 1ÞQ
ðcÞ
e
ðt ( 1ÞK
ðcÞT
v
ðtjt ( 1Þð18Þ
The prediction error cross-covariance matrix P
ðcÞ
x
v
ðtjt ( 1Þ of the
state and observation noise is calculated by
P
ðcÞ
x
v
ðtjt ( 1Þ¼Uðt ( 1Þ
C
ðt ( 2ÞS
ðcÞ
ðt ( 2; tÞþ
C
ðt ( 1ÞS
ðcÞ
ðt
( 1; tÞ(K
ðcÞ
x
ðtjt ( 1ÞQ
ðcÞ
e
ðt ( 1ÞK
ðcÞT
v
ðtjt ( 1Þð19Þ
The initial values are
^
x
ðcÞ
ð0j ( 1Þ¼
l
0
;
^
v
ðcÞ
ð0j ( 1Þ¼0;
K
ðcÞ
x
ð0j ( 1Þ¼0;K
ðcÞ
v
ð0j ( 1Þ¼0; P
ðcÞ
x
ð0j ( 1Þ¼P
0
; P
ðcÞ
v
ð0j ( 1Þ¼R
ðcÞ
ð0; 0Þ
and P
ðcÞ
x
v
ð0j ( 1Þ¼0.
128 T. Tian et al. / Information Fusion 27 (2016) 126–137