多传感器多速率系统分布式融合估计：随机乘性噪声处理

"该研究论文探讨了具有随机观测乘性噪声的多传感器多速率系统的分布式融合估计问题。动态系统以均匀的采样率进行采样，每个传感器的采样周期一致，且为状态更新周期的整数倍。不同传感器具有不同的采样率，其观测值受到乘性噪声的随机影响。研究中，首先在观测采样点处利用每个传感器的观测值建立局部滤波器。接着，通过预测这些局部滤波器在状态更新点获取局部估计器，以实现较低的计算成本和实时性能。然后，计算任意两个局部估计量在状态更新点的互协方差矩阵。最后，应用线性最小方差意义下的矩阵加权最优融合估计算法，结合局部估计量和互协方差矩阵，得出分布式最优融合估计量。通过实例展示了所提算法的有效性。" 这篇研究论文深入探讨了多传感器系统中面临的一个关键问题——如何在存在随机乘性噪声的情况下进行有效的数据融合。在这种情况下，系统被设计为多速率采样，即每个传感器的采样频率不同，这可能导致数据不一致性。为了克服这个问题，研究者提出了一个分步的解决方案。 首先，他们在每个传感器的观测采样时刻构建局部滤波器。这些滤波器旨在处理由于乘性噪声导致的数据失真，通过利用每个传感器的独立观测来优化估计。滤波器的设计考虑了传感器采样周期与状态更新周期的关系，确保了数据的同步性。 其次，通过预测这些局部滤波器的状态，可以在状态更新点生成局部估计器。这种方法减少了在高采样率下进行复杂计算的需求，从而提高了实时性能。局部估计器提供了一个近似的系统状态，即使在噪声存在的情况下也能保持一定的准确性。 接下来，研究者计算了这些局部估计器之间的互协方差矩阵。这个步骤对于理解不同传感器估计之间的关系至关重要，有助于识别和减小由于噪声引起的不一致性。 最后，他们提出了一种基于线性最小方差准则的融合策略。这种矩阵加权方法选择最优权重来合并各个传感器的局部估计，以生成全局最优的融合估计。通过这种方式，可以综合所有传感器的信息，同时最小化由噪声引起的误差。 通过一个实际示例，研究证明了所提出的分布式融合估计算法在处理随机观测乘性噪声时的有效性和优越性。这种方法对于多传感器系统的设计和优化，特别是在存在复杂噪声环境的场合，具有重要的理论和实践价值。