第5章多传感器系统的融合估计理论基础.docxVIP

多传感器融合估计理论基础引言考虑这样的问题，我们使用了30个传感器的测量来估计海水浓度，这30个传感器被分成10组，每组3个，考虑第1章提到的分布式方法，我们如何构建融合节点和融合中心，来充分地使用这些数据得到好的估计结果呢？我们可以这样来考虑，假设海水的浓度不变，也就是说待估计量是一个不变量，在已知测量方程的情况下，我们可以使用第3章的最小二乘方法来估计。当然，我们也可以使用第4章的Kalman滤波器来估计，因为不变待估计量可以看做是第4章研究的随着时间变换的量的特殊情况。而如果海水的浓度是随着时间做含有噪声的变化时，我们当然可以使用Kalman滤波器来估计了，因此在以后我们利用测量数据对某未知量进行估计时，不失一般性，我们就使用Kalman进行估计。总结一下，一个动态目标被N个分散的传感器跟踪，每个传感器都有不同的测量动态和噪声特性。我们如何融合多传感器测量数据获得比单个传感器估计更好的融合状态向量估计？有多种传感器数据融合方法可以解决这个问题，Kalman滤波是最重要方法的之一，我们将其称为融合估计问题。融合估计的目的是利用多个传感器的测量值对待估计量进行估计，得到更为准确的结果。本章主要介绍在多传感器系统中广泛应用的基于Kalman滤波器的状态融合估计理论，这是多传感器系统状态融合估计的基本要素。下面我们先给出离散系统的过程状态方程如下： (5.1.1)其中是时刻系统状态，