多传感器观测下带乘性噪声的最优卡尔曼滤波.pdfVIP

多传感器观测下带乘性噪声的最优卡尔曼滤波 王志胜 南京航空航天大学自动化学院，江苏，南京，210016 摘要：研究了多传感器观测下带乘性噪声的最优卡尔曼滤波问题。为方便乘性噪声的处理，给出了 随机矩阵的协方差计算方法。通过把乘性噪声转化为加性噪声后，基于数据融合的统一线性模型得 到带乘性噪声的最优卡尔曼滤波算法。本算法可用于不确定性系统的鲁棒滤波，与同类算法相比， 本算法不需要对不确定问题的结构作假设，不需要参数选择技巧，算法简单，且仿真计算表明本算 法滤波性能优于同类算法[8]。 关键词: 多传感器；卡尔曼滤波；乘性噪声；不确定系统；鲁棒滤波 中图分类号：TP13 文献标识码：A 通常，量测噪声不仅与传感器自身精度有关，而且还与被量测信号的幅值大小有关，前者 属于加性噪声，后者属于乘性噪声。对这类系统信号估计理论的研究在石油地震勘探[1]、通讯 工程[2] [3] 、语言处理 等应用领域都具有重大意义。 最初研究含乘性噪声系统的滤波[1`3] ，都是假定乘性噪声为一维随机变量序列；近年来， 褚东升等人研究了多维乘性噪声情况[4~6]，且假定乘性噪声为对角矩阵的情况。本文研究乘性 噪声为任意随机矩阵的情况。通过把乘性噪声转化为加性噪声，从而利用数据融合理论的统一 融合模型[7]获得带乘性噪声的最优卡尔曼滤波算法。对于不确定系统的最优鲁棒滤波[8~11]，只要将 系统参数不确定性当作乘性噪声，就可以采用本文提出的算法，且通过仿真算例说明本算法比现 有鲁棒滤波算法更简单、有效。 为方便乘性噪声处理，首先研究随机矩阵的有关计算；然后基于数据融合定理，推导带乘性 噪声的最优卡尔曼滤波算法；最后讨论不确定系统的鲁棒滤波，并给出一个仿真算例。 1 预备知识 1.1 矩阵的叉乘及其运算 n m× n m× m×1 m×1 设A ∈R ，B ∈R ，X ∈R 和Y ∈R 。定义矩阵的叉乘运算为 A B A⎡B T T A B T ⎤ 1 1 2 1 m 1 ⋅ ⋅ ⎢⋅ ⋅ T T ⋅ ⋅ T ⎥ A B A B A B ⎢ m m ⎥n×n ×m×( ) 1 2 2 2 2 ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ∈R (1) A=×B ⎢ ⎥ ⎢ ⎥ T T T A B A B A B ⎢ 1 m 2 m m m ⎥ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⎦ ⎣ × 式中， 为矩阵叉乘符号。 1