隨著信息科學(xué)、人工智能等技術(shù)的飛速發(fā)展,多傳感器網(wǎng)絡(luò)化系統(tǒng)受到廣泛的關(guān)注。然而,由于系統(tǒng)模型的復(fù)雜性和工作環(huán)境中的許多不確定因素,使系統(tǒng)模型具有未知或不確定的參數(shù)。本文研究了帶未知模型參數(shù)、丟失觀測(cè)率或衰減觀測(cè)率的多傳感器系統(tǒng)的自校正融合估計(jì)問(wèn)題。主要研究?jī)?nèi)容如下:針對(duì)帶未知模型參數(shù)和丟失觀測(cè)率多傳感器線性離散隨機(jī)系統(tǒng),利用一組滿(mǎn)足Bernoulli分布的隨機(jī)變量來(lái)描述傳感器的觀測(cè)丟失現(xiàn)象。在模型參數(shù)和觀測(cè)丟失率未知的情形下,分別采用遞推增廣最小二乘(RELS)算法和相關(guān)函數(shù),對(duì)未知模型參數(shù)和丟失觀測(cè)率進(jìn)行在線辨識(shí),提出了未知模型參數(shù)的分布式融合辨識(shí)器。將辨識(shí)后的模型參數(shù)和觀測(cè)收到率代入到最優(yōu)局部濾波器、互協(xié)方差陣和分布式融合濾波算法中,提出了相應(yīng)的自校正濾波算法。應(yīng)用動(dòng)態(tài)方差誤差系統(tǒng)分析(DVESA)方法和動(dòng)態(tài)誤差系統(tǒng)分析(DESA)方法證明了算法的收斂性。仿真例子驗(yàn)證了算法的有效性。針對(duì)帶未知模型參數(shù)和衰減觀測(cè)率多傳感器線性離散隨機(jī)系統(tǒng),在模型參數(shù)和衰減觀測(cè)率未知的情形下,應(yīng)用RELS算法和加權(quán)融合估計(jì)算法提出了未知模型參數(shù)的分布式融合辨識(shí)器。應(yīng)用相關(guān)函數(shù)對(duì)描述衰減觀測(cè)現(xiàn)象的隨機(jī)變量的數(shù)學(xué)期望和方差進(jìn)行在線辨識(shí)。將辨識(shí)后的模型參數(shù)、數(shù)學(xué)期望和方差代入到最優(yōu)分布式融合狀態(tài)濾波器中,獲得了相應(yīng)的自校正融合狀態(tài)濾波算法。應(yīng)用動(dòng)態(tài)誤差系統(tǒng)分析(DESA)方法證明了算法的收斂性。仿真例子驗(yàn)證了算法的有效性。
【學(xué)位單位】：黑龍江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP212.9

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 吳黎明;馬靜;孫書(shū)利;;具有不同觀測(cè)丟失率多傳感器隨機(jī)不確定系統(tǒng)的加權(quán)觀測(cè)融合估計(jì)[J];控制理論與應(yīng)用;2014年02期

2 游科友;謝立華;;網(wǎng)絡(luò)控制系統(tǒng)的最新研究綜述[J];自動(dòng)化學(xué)報(bào);2013年02期

3 陶貴麗;鄧自立;;含未知參數(shù)的自校正融合Kalman濾波器及其收斂性[J];自動(dòng)化學(xué)報(bào);2012年01期

4 鄧自立;顧磊;冉陳鍵;;帶相關(guān)噪聲的觀測(cè)融合穩(wěn)態(tài)Kalman濾波算法及其全局最優(yōu)性[J];電子與信息學(xué)報(bào);2009年03期

5 冉陳鍵;顧磊;鄧自立;;相關(guān)觀測(cè)融合Kalman估值器及其全局最優(yōu)性[J];控制理論與應(yīng)用;2009年02期

6 鄧自立;郝鋼;;自校正多傳感器觀測(cè)融合Kalman估值器及其收斂性分析[J];控制理論與應(yīng)用;2008年05期

7 鄧自立,孫小君;多傳感器分布式協(xié)方差信息融合Kalman濾波理論[J];科學(xué)技術(shù)與工程;2005年12期

8 盛梅,湯玉東,鄒云;具不確定觀測(cè)和相關(guān)噪聲的最優(yōu)遞推濾波[J];宇航計(jì)測(cè)技術(shù);2005年02期

本文編號(hào)：2813337