多传感器离散随机系统分布式融合估计研究.pdf

摘 要 多源信息融合，又称多传感器信息融合，是近年来兴起的一门新的边缘交叉 学科．信息融合估计理论是信息融合理论的一个重要分支，是其重要基础理论部 分．传统的估计理论有两大分支：针对非随机系统的观测器理论和针对随机系统 的滤波理论．在信息融合领域中主要讨论随机系统，故针对随机系统的融合估计 理论，又称为信息融合滤波理论． 融合估计有两种基本方式．一种方式是将所有传感器的观测方程合并成一个 高维的观测方程，再去处理．该方式称为集中式融合．另一种方式为各传感器先 利用自身的量测数据得到局部的估计，再将局部估计送到融合中心；融合中心利 用各局部估计及局部估计间的相关信息得到融合估计．该方式称为分布式融合． 综合而言，分布式融合比集中式融合更有优势，因而也是目前研究融合估计问题 采用的主要方式． 本文研究了几类带多传感器的线性离散随机系统的分布式融合估计问题， 主要内容和创新点如下： 一．针对一类多传感器线性离散奇异系统，研究了其分布式融合全阶状态估 计问题．所研究的这类系统的噪声相关情形比较复杂：不仅过程噪声与量测噪声 是相关的，各传感器的量测噪声也是相关的．本文没有采用经典的结构分解的方 法，而是通过一个变换，将带多传感器的原奇异系统化为一个非奇异系统组，然 后对这个组内的每个子系统进行状态估计．利用子系统状态与原系统状态的关 系，得到原系统状态的局部估计、局部估计误差方差和局部估计误差互协方差， 进而利用线性最小方差意义下的最优加权融合算法，得到原系统状态的融合估 计． 二．针对一类有时滞的多传感器线性离散奇异系统，研究了其分布式融合状 态估计问题．这类系统不仅在状态方程含有多个时滞项，在输出方程也含有多个 时滞项．其中时滞量是定常的，且为已知．和第一个问题类似，首先通过一个变 换，将带多传感器的原系统化为一个非奇异系统组．然后对这个组内的每个子系 统通过射影方法进行状态估计，并利用子系统状态与原系统状态的关系，得到原 系统状态的局部估计、局部估计误差方差和局部估计误差互协方差，再利用最优 加权融合算法，可得到原系统状态的融合估计． 三．针对三类有数据丢包的多传感器线性离散系统，研究了其分布式最优融 合状态估计问题．这三类系统各有不同的丢包模型．对这几类系统，得到了各局 多传感器离散随机系统的分布式融合估计研究 部估计、局部估计误差方差和局部估计误差互协方差．在此基础上，利用线性最 小方差意义下的最优加权融合算法，得到了系统状态的分布式最优融合状态估 计． 四．针对四类有不确定参数的多传感器线性离散系统，研究了其分布式融合 估计问题．首先，对多面体型参数不确定多传感器系统，讨论了其分布式融合鲁 棒恐和风滤波问题；其次，对带随机参数的多传感器系统，讨论了其分布式最 优融合滤波问题；然后，对带随机参数且有数据丢包的多传感器系统，讨论了其 分布式最优融合滤波问题；最后，对参数不确定满足“二次和约束”的系统，讨 论了其分布式融合玩滤波问题．对这几类系统，分别得到了各自的分布式融合 估计问题的解． 五．针对一类状态受约束的多传感器线性离散系统，研究了其状态融合估计 问题．首先，通过“状态投影”方法，得到受限的系统状态的局部估计和估计误差 方差，在求得受限的局部估计之间的估计误差互协方差后，利用线性最小方差意 义下的加权融合算法，得到了受限的原系统状态的分布式最优融合滤波器．理论 分析和仿真算例均表明，融合滤波器优于每一个局部滤波器． 关键词：多传感器系统：信息融合；分布式估计；Kalman滤波；奇异系统：丢包；时 滞：参数不确定；约束． Abstract informationknownasmulti-sensorinformationfusionor Multi—sourc：e fusion，also multi-sensordata recent in- fusion，is觚emergingtechnology．Inyears，multi-sensor formationfusionhasreceived attentionandhasbeen to and