分布式融合滤波器设计：处理未知输入与多传感器系统

本文主要探讨了传感器带未知输入的离散随机线性系统的分布式融合滤波问题。针对含有不确定输入和相关噪声的系统，研究者在没有关于未知输入的先验信息情况下，设计了一种线性最小方差无偏状态滤波器。这种滤波器的目的是在面对复杂环境中的不确定性时，有效地估计系统的状态。 当系统由多个传感器构成时，文章进一步推导出了任两个传感器子系统滤波误差之间的互协方差阵，这是一个关键的概念，它反映了不同传感器观测数据的精度和一致性。这个互协方差矩阵在信息融合中起着核心作用，因为它被用于衡量和优化信息的融合权重，以提高整体滤波性能。 基于多传感器线性最小方差标量加权融合算法，文中提出了一种标量加权的分布式融合状态滤波器。这种滤波器不仅能够利用所有传感器的数据，而且通过分布式的方式分散计算压力，提高了实时性和容错能力。与集中式滤波方法相比，分布式滤波器的并行特性使其在处理大量数据和处理网络故障方面更具优势。 文章中提到的卡尔曼滤波器（如Carlson [5]的工作）和极大似然最优信息融合准则（Ki m [6]的工作）都是分布式滤波的重要理论基础，但这些方法在处理实际问题时可能需要考虑实际情况，如局部估计误差的相关性。Li [7]等人则提出了一种统一的线性模型，试图综合集中式、分布式和混合滤波的优势，以达到更精确的状态估计。 通过仿真研究，作者验证了所设计的分布式融合滤波器的有效性，这证明了在实际应用中，即使面对未知输入和复杂噪声环境，该方法也能提供准确、实时且鲁棒的状态估计。因此，本文的研究对于多传感器系统中的状态估计和信息融合技术具有重要的理论和实践价值。