分布式广义系统融合滤波器：自校正与稳态分析

本文主要探讨了在广义系统中如何实现信息融合稳态和自校正满阶Kalman滤波器的设计。针对带有多个传感器和相关噪声的广义系统，作者提出了一个分布式标量加权融合稳态满阶Kalman滤波器的方案。该方案利用线性最小方差标量加权融合算法和射影理论，能够处理具有不同传感器数据的融合问题。 首先，文章介绍了如何推导任意两个传感器子系统之间的稳态满阶滤波误差互协方差阵。这个互协方差阵的解可以通过选择任意初值进行离线迭代计算，从而降低了在线计算的复杂性，减少了实时计算的负担。通过这种方式，提出的稳态融合滤波器避免了每个时间步都需要计算协方差阵和融合权重的问题。 当系统存在未知模型参数时，文章进一步提出了一种两段融合自校正状态滤波器的方法。第一段融合阶段，利用递推增广最小二乘算法来获取未知参数的融合估计，这有助于提高参数估计的准确性。第二段融合阶段，结合前面得到的参数估计，实现分布式自校正融合状态滤波器，进一步优化系统状态的估计。 对比传统的局部估计和加权平均融合估计，该文提出的标量加权融合参数估计和自校正状态估计方法显示出更高的精度。这表明，这种融合策略能够有效地整合来自多个传感器的信息，提高系统的整体性能。 通过仿真研究，这些理论分析和设计得到了验证，证明了所提方法的有效性和优越性。在实际应用中，尤其是在需要高精度估计和处理复杂系统动态的场景下，这样的融合滤波技术将具有广泛的应用潜力。 这篇论文深入研究了广义系统的信息融合问题，并提出了一套创新的滤波器设计方法，不仅解决了系统稳态融合的问题，还能够自我校正，提高了估计精度，对于理解和改进多传感器系统的数据融合处理具有重要的理论和实践价值。