• 论文 • 上一篇    下一篇

多传感器广义系统的加权观测融合Kalman预报器

陈建国1,冉陈键2   

  1. 1. 四川绵阳职业技术学院计算机科学系,绵阳 621000; 2. 黑龙江大学电子工程学院,哈尔滨 150080
  • 收稿日期:2012-10-22 出版日期:2013-12-25 发布日期:2014-03-05

陈建国,冉陈键. 多传感器广义系统的加权观测融合Kalman预报器[J]. 系统科学与数学, 2013, 33(12): 1423-1434.

CHEN Jianguo , Ran Chenjian. WEIGHTED MEASUREMENT FUSION KALMAN PREDICTOR FOR THE MULTISENSOR  DESCRIPTOR SYSTEM[J]. Journal of Systems Science and Mathematical Sciences, 2013, 33(12): 1423-1434.

WEIGHTED MEASUREMENT FUSION KALMAN PREDICTOR FOR THE MULTISENSOR  DESCRIPTOR SYSTEM

CHEN Jianguo1 , Ran Chenjian2   

  1. 1. Computer Scinece Department, Mianyang Vocational and Technical College, Mianyang 621000; 2. Electronic Engineering College, Heilongjiang
    University, Harbin 150080
  • Received:2012-10-22 Online:2013-12-25 Published:2014-03-05
对于带相关观测噪声的多传感器线性离散随机广义系统,应用最小二乘法将各个传感器的观测信息融合为一个新的观测.再采用奇异值分解方法将原广义系统转化为两个互耦的子系统,且融合的观测也转化为其中一个状态分量的观测,从而将问题转化为单传感器常规系统的状态估计问题.对于新的降阶常规子系统,提出了全局最优的加权观测融合Kalman预报器及其预报误差方差阵.通过该方法所得广义系统的加权观测融合Kalman预报器的精度比基于状态融合的Kalman预报器的精度高,也高于局部Kalman预报器的精度,且克服了在状态融合方法中要求计算各个局部预报器的估计误差互协方差的局限性.一个多传感器广义系统的数值仿真例子说明其有效性.
For the multi-sensor  descriptor system with correlated measurement noises,the new fused measurement can be obtained by  least square method based on  all measurements. The state equation of the descriptor system can be decomposed into two normal mutual coupling sub-systems by using
  singular value decomposition.  And  the fused  measurement equation  is changed to the measurement of one state component.  Then,   the problem is the state estimation of one-sensor normal system. For the new reduced-order sub-systems,  the weighted measurement fusion  Kalman predictor is presented, by applying   Kalman filtering.    The prediction error variances of the weighted measurement fusion Kalman  predictor for the descriptor system is obtained. This method avoids to compute the cross-variance of  all local predictors, and the accuracy   of fused predictor is higher than that of  local predictors and  state     fusion Kalman predictor. A simulation example of 4-sensor descriptor  system verifies the effectiveness of the method.

MR(2010)主题分类: 

()
[1] 崔玉龙,高利新,陈文海,郑海鹰. 离散时间下广义多智能体系统基于观测器的分布式一致协议[J]. 系统科学与数学, 2016, 36(3): 437-452.
[2] 方桃 ,朱淑倩 ,孟敏 ,张承慧. 正线性时滞系统的${\bm L}_{\bf 1}({\bm l}_1)$-增益性能分析及正控制器设计[J]. 系统科学与数学, 2014, 34(2): 158-170.
[3] 刘蕾,张国山. 基于动态补偿的受扰矩形广义系统最优跟踪控制[J]. 系统科学与数学, 2013, 33(4): 383-397.
[4] 田森平,周秀锦. 一类广义迭代学习控制系统的状态跟踪算法[J]. 系统科学与数学, 2012, 32(6): 731-738.
[5] 刘云龙, 高存臣, 丛心尉. 基于扰动补偿趋近律的非匹配离散广义准滑模控制[J]. 系统科学与数学, 2011, 31(6): 720-730.
[6] 陶贵丽;刘文强;侯九阳. 带ARMA有色噪声的广义系统信息融合Kalman平滑器[J]. 系统科学与数学, 2010, 30(2): 205-217.
[7] 何舒平;刘飞. 具有Markov跳变参数的广义系统鲁棒故障检测[J]. 系统科学与数学, 2009, 29(12): 1579-1592.
[8] 郭继峰;高存臣. 离散多时滞广义不确定系统的变结构控制[J]. 系统科学与数学, 2009, 29(12): 1679-1688.
[9] 高彦平;高存臣. 状态与输出均有滞后的不确定广义系统的非脆弱$H_\infty$控制[J]. 系统科学与数学, 2008, 28(3): 350-359.
[10] 吴健荣. 具有未知扰动的广义系统的故障检测[J]. 系统科学与数学, 2007, 27(2): 314-320.
阅读次数
全文


摘要