多传感器信息融合滤波技术研究通信与信息系统专业论文.docxVIP

中北大学学位论文 中北大学学位论文 information fusion criterion is presented based on linear minimum variance estimation and linear least square estimation. The algorithm can obtain optimal estimation under linear minimum variance. Compared with other three weighted criteria, the new algorithm can increase the fusion precision and reduce computation burden at same time. The typical movement simulation example shows its validity. Key Words: Multi-sensor System;Fusion algorithms;Kalman Filter;UKF I I 目 录 1 绪论 1 1.1 课题背景及其研究意义 1 1.2 信息融合技术国内外发展与现状 2 1.3 多传感器信息融合的概述 4 1.3.1 多传感器信息融合的基本原理 4 1.3.2 多传感器信息融合的定义 5 1.3.3 多传感器信息融合的优点 6 1.4 论文结构安排 6 2 多传感器信息融合基本理论 8 2.1 多传感器信息融合系统的功能模型和结构模型 8 2.1.1 信息融合的功能模型 8 2.1.2 信息融合的结构模型 8 2.1.3 信息融合的层次 9 2.2 多传感器信息融合的方法 11 2.3 卡尔曼滤波理论 12 2.3.1 线性系统数学模型描述 12 2.3.2 Kalman 滤波算法 13 2.3.3 滤波算法稳健性分析 15 2.3.4 分析滤波误差及滤波发散问题 16 2.4 小结 16 HYPERLINK \l _TOC_250000 3 基于 Kalman 滤波的多传感器融合算法 17 3.1 基于信息融合理论的 Kalman 滤波算法 17 3.1.1 集中式卡尔曼滤波算法 17 3.1.2 分布式卡尔曼滤波算法 19 3.2 过程噪声为有色噪声的 Kalman 滤波融合 20 3.2.1 算法描述 20 3.2.2 仿真实验 22 3.3 观测噪声非白噪声时的 Kalman 滤波算法 23 3.3.1 多传感器动态系统算法描述 23 3.3.2 实验仿真 24 3.4 动态方程中过程噪声和观测噪声均为有色噪声的 Kalman 滤波算法 25 3.5 过程噪声与观测噪声相关时的 Kalman 滤波算法 26 3.5.1 算法描述 26 3.5.2 实验仿真 27 3.6 小结 28 4 基于 UKF 的信息融合滤波 30 II II 4.1 非线性系统中的滤波算法 30 4.1.1 EKF 滤波原理与算法 30 4.1.2.UKF 算法原理 32 4.2 基于 UKF 的多传感器信息融合滤波 35 4.2.1 基于 UKF 的多传感器信息融合算法 37 4.2.2 实验仿真 38 4.3 小结 41 5 多传感器最优信息融合算法 42 5.1 统一的线性融合模型 42 5.2 统一的最优融合规则 42 5.2.1 有完全先验知识的线性最小方差融合估计 43 5.2.2 无先验知识的最优线性无偏估计 43 5.2.3 有不完整先验知识的最优线性无偏估计融合 44 5.2.4 最优加权最小二乘融合 45 5.2.5 最优通用加权最小二乘融合 46 5.3 多传感器线性最小方差最优信息融合准则 46 5.3.1 按矩阵加权线性最小方差最优融合准则和算法 46 5.3.2 按标量加权线性最小方差最优信息融合准则和算法 48 5.3.3 按对角阵加权线性最小方差最优融合估计准则和算法 50 5.4 修正加权最优信息融合估计算法 51 5.5 仿真性能分析 53 5.6 小结 54 6 总结与展望 56 参考文献 攻读学位期间本人公开发表的论文 致谢 PAGE PAGE 14 1 绪论 多传感器信息融合(Multi-sensor Information Fusion，MSIF)，是在二十世纪七十年代 初因军事需求而发展起来的一个新兴研究领域。由于科学技术的迅猛发展以及各式先进 武器的频频出现，军事战争的复杂度骤然变大，数据繁杂、信息过载等众多问题迫切需 要通过新技术途