带乘性噪声系统多尺度最优滤波融合算法研究.pdfVIP

带乘性噪声系统的多尺度最优滤波融合算法研究 摘 要 带乘性噪声系统的最优估计理论及多传感器数据融合技术在石油地震勘探、水 下II标探测、语音信号处理等诸多领域都有重要的应用价值。本文主要针对带乘性 噪声系统的多传感器最优滤波融合估计算法作进一步研究。 以往针对带乘性噪声系统的多传感器数据融合算法局限在不同的传感器必须具 有相同的尺度(采样率)。但是在自然界和工程实践中，许多现象或过程都具有多尺 度特征或多尺度效应，同时人们对现象或过程的观察往往也是在不同尺度上进行的， 因此解决多尺度(不同采样率)传感器的数据融合问题有其重要的意义。 近年来，小波分析成为一门迅速发展起来的新兴学科。其中在多尺度分析方面， 多尺度信号表示和多尺度信号处理算法的研究日益成为国内外的研究热点。 本文运用多尺度分析的思想，将基于模型的动态分析方法和基于统计特性的多 尺度信号变换方法相结合，针对不同尺度上拥有不同特征的多传感器对同一目标状 态进行观测的带乘性噪声系统，建立了单通道和多通道两种情况下带乘性噪声系统 的多尺度分布式最优滤波融合算法。在最细尺度上获得了基于全局信息的融合估计 值。本文所说的最优均是建立在线性最小方差意义上的。 本文主要的工作如下： 第一，回顾了带乘性噪声系统的最优估计理论的发展和现状，并简单介绍了多 传感器数据融合技术及小波变换的基础知识。 第二，分别针对不同尺度的多传感器观测下单通道和多通道两类带乘性噪声系 统，利用小波变换作为连接不同尺度之间信息的桥梁，推导出多尺度分布式最优滤 波融合算法。在此基础上，对算法的延时性进行了改进，提出了实时的多尺度分布 式最优滤波融合算法。另外，还讨论了在某些尺度观测数据残缺的情况下，构造等 效观测数据的方法，使该算法更具实用价值。 第三，本文进行了大量仿真研究，仿真结果验证了上述各算法的有效性。 关键词：乘性噪声，多传感器数据融合，多尺度分析，线性最小方差，最优估计 l，； ofllluIti—scaIe Study Fi Fusion OptimaI AIgorithms Itering for with Systems icativeNoises MuItiPI ‘ ABSTRACT estimationandmulti—sensordata for Signal theory fusion discrete technology stochastic with in systemsmultiplicativenoises(SMN)areveryimportantmany suchasoil seismic remote detectionand applications exploration，underwater targets