导读:本文包含了自校正信息融合论文开题报告文献综述及选题提纲参考文献，主要关键词:组合导航,信息融合,自校正
自校正信息融合论文文献综述
缪祥琎,杨富林,杨勇,钱兵,曾昕展[1]（2018）在《信息融合和自校正滤波技术在组合导航中的应用》一文中研究指出导航技术要求高精度和高可靠性。信息融合是一门前沿学科,自校正滤波技术是一种新兴技术,其理论和方法已经被应用导航领域,派生出了基于信息融合和自校正技术的组合导航方法。本文对该组合导航方法的理论体系和应用内容进了综述。(本文来源于《计算机产品与流通》期刊2018年01期）
窦寅丰[2]（2017）在《多传感器广义系统的最优、鲁棒和自校正信息融合估计研究》一文中研究指出广义系统已经广泛应用到大系统理论、奇异摄动理论、电路系统控制理论、计量经济学、决策理论等领域中。而多传感器信息融合技术由于其更广的空间和时间覆盖范围、更强的系统生存能力、和更高的可信度等使其已经得到了相当广泛的应用。将传统的广义系统的估计问题和数据融合技术相结合,可以提高广义系统的状态估计的精度。本论文对于多传感器线性离散随机定常广义系统,深入研究了当噪声统计已知和未知不确定时的信息融合估计问题,主要的工作包括如下几个方面:首先,对于带已知噪声统计的多传感器线性离散随机广义系统,利用满秩分解得到加权融合观测方程,再根据叁种不同奇异值分解标准型,将原广义系统降阶处理为两个子系统。这叁种不同的降阶子系统都是带相关噪声的正常系统(非广义系统),因此可以利用经典Kalman滤波理论得到降阶状态分量的加权观测融合最优Kalman估值器。再根据降阶子系统和原始广义系统之间的关系得到广义系统的加权观测融合最优Kalman估值器及其估值误差方差阵。其次,对于带相关噪声的多传感器线性离散广义系统,利用加权观测融合方法得到融合的观测,同时将广义系统的状态方程也作为状态量的“观测”。基于极大似然估计准则,得到该新“观测量”的估值器,所得到的估值器也即原多传感器广义系统的满阶滤波器及其滤波误差方差阵。所得到的滤波误差方差阵满足广义Riccati方程。对于广义系统的满阶平滑器问题则是在增广状态方法的基础上转化为增广状态的满阶滤波器问题求解。再次,对于不确定噪声统计的多传感器广义系统,当不确定噪声统计存在其上界方差矩阵时,在极大极小鲁棒设计原理的基础上提出了鲁棒满阶滤波和平滑算法。定义带上界方差的噪声和估值初值上界的多传感器广义系统为其保守广义系统。对于该多传感器保守广义系统,利用第一和第二部分所提出的算法得到相应的保守加权观测融合和协方差交叉融合满阶滤波器和平滑器。将原多传感器广义系统的实际观测代入到保守滤波器和平滑器中得到鲁棒满阶滤波器和平滑器。该滤波器和平滑器的估值误差方差阵称为实际估值误差方差阵。利用Lyapunov方程方法证明所得到的实际估值误差方差阵存在一个上界方差,且所提出的鲁棒满阶滤波器和平滑器是鲁棒的。最后,对于带未知噪声方差的多传感器广义系统,先利用相关函数方法得到所有未知噪声方差的信息融合一致性估计。将这些一致性估计代入到当噪声统计已知时的信息融合降阶和满阶估值器中得到相应的自校正信息融合降阶和满阶估值器及其估值误差方差阵。利用动态误差方差分析方法和动态误差分析方法证明了多传感器广义系统的自校正估值误差方差阵和自校正估值器的收敛性。(本文来源于《黑龙江大学》期刊2017-05-20）
廖维国[3]（2015）在《多传感器ARMA信号自校正加权信息融合Wiener滤波器》一文中研究指出本文对于含有未知模型参数和噪声统计的ARMA模型信号,运用现代时间序列分析方法,在递推增广最小二乘法的基础上,对ARMA新息模型参数进行在线辨识,辨识得到未知模型参数。噪声统计的在线估计是通过求解相关矩阵方程组的方法来完成的。基于按标量加权最优融合准则,本文推导出了ARMA模型信号分布式自校正加权信息融合Wiener滤波器。(本文来源于《电子技术与软件工程》期刊2015年22期）
马静,孙书利[4]（2011）在《广义系统信息融合稳态与自校正满阶Kalman滤波器》一文中研究指出基于线性最小方差标量加权融合算法和射影理论,对带多个传感器和带相关噪声的广义系统,提出了分布式标量加权融合稳态满阶Kalman滤波器.推得了任两个传感器子系统之间的稳态满阶滤波误差互协方差阵,其解可任选初值离线迭代计算.所提出的稳态融合滤波器避免了每时刻计算协方差阵和融合权重,减小了在线计算负担.当系统含有未知模型参数时,基于递推增广最小二乘算法和标量加权融合算法,提出了一种两段融合自校正状态滤波器.其中第1段融合获得未知参数的融合估计;第2段融合获得分布式自校正融合状态滤波器.与局部估计和加权平均融合估计相比,所提出的标量加权融合参数估计和自校正状态估计都具有更高的精度.仿真研究验证了其有效性.(本文来源于《控制理论与应用》期刊2011年09期）
王强[5]（2011）在《自校正信息融合Wiener滤波器在信号处理中的应用研究》一文中研究指出多传感器信息融合已成为许多高科技领域的关键技术,目前已成为倍受人们关注的热门领域。本文对于含有未知模型参数和未知观测噪声的单通道AR信号,应用Kalman滤波方法,基于AR模型参数RIV算法的在线辨识,提出了采用状态空间模型的AR信号自校正信息融合Wiener滤波器,并在信号处理中的应用进行了研究。(本文来源于《数字技术与应用》期刊2011年05期）
王伟[6]（2010）在《多传感器伴随形系统自校正信息融合滤波器及其应用》一文中研究指出多传感器信息融合(也称多源信息融合或多传感器数据融合)是一门新兴学科,它涉及到自动控制理论、计算机科学、数学、军事科学、人工智能、通信技术、电子技术等多学科交叉。广泛应用于国防、制导、跟踪、通信、信号处理、GPS定位和机器人等高科技领域。多传感器信息融合是使用多个传感器对同一目标进行检测,克服了单个传感器的局限性,从而提供更加全面准确的信息。多传感器信息融合估计作为多源信息综合处理的一项新技术,能够融合来自某一目标的多传感器检测数据或融合来自每个传感器的局部估计,产生比单一信息源更精确的估计。对带未知模型参数和未知噪声方差的多传感器伴随形、伴随形并联、伴随形串联系统,基于递推辅助变量算法(RIV)提出了等价的自回归滑动平均(ARMA)和自回归(AR)模型未知AR参数的在线信息融合估值器；利用相关方法提出了未知噪声方差的在线信息融合估值器；利用带死区的G-W算法提出了ARMA模型的滑动平均(MA)参数的在线信息融合估值器。它们具有一致性。将未知模型参数和噪声方差的在线信息融合估值器代入按分量标量加权的最优融合Kalman滤波器和Wiener滤波器中,提出了自校正信息融合Kalman滤波器和Wiener滤波器,且其精度高于每个局部自校正滤波器。用动态误差系统分析(DESA)方法,证明了这些自校正融合滤波器按实现收敛于最优融合滤波器,因而具有渐近最优性。将上述结果应用于信号处理,对于带未知模型参数和噪声方差的多传感器AR或ARMA信号,利用ARMA模型与状态空间模型的相互转化,将信号估计问题转化为状态估计问题。将未知模型参数和噪声方差的在线融合估值器带入到最优融合Wiener滤波器,提出了自校正信息融合Wiener滤波器。应用DESA方法,证明了这些自校正融合滤波器按实现收敛于最优融合滤波器,因而具有渐近最优性。大量的仿真例子证明了所提出结果的正确性和有效性。(本文来源于《黑龙江大学》期刊2010-04-19）
孙小君[7]（2010）在《最优和自校正多传感器信息融合白噪声反卷积估值器》一文中研究指出随着信息时代的到来,多传感器信息融合因其能有效地提高和优化基于单传感器的估计、识别或决策(控制)性能而得到了日趋广泛的重视和应用,其应用领域遍及军事和民用领域的方方面面。作为其中的一个分支,最优和自校正信息融合滤波理论分别是针对模型参数和／或噪声统计已知和未知两种情况下的多传感器系统的状态或信号的融合估计问题研究。系统的输入白噪声信号估计问题即白噪声反卷积估计问题在石油地震勘探和通信系统有重要应用背景。本文应用Kalman滤波方法和现代时间序列分析方法两种方法论,基于多传感器加权状态融合和加权观测融合两种融合方法,结合系统辨识方法,分别进行最优和自校正多传感器信息融合白噪声反卷积估值器的研究。主要工作包括以下四个方面：首先,应用Kalman滤波方法,基于Riccati方程,对带不同局部模型和带相关噪声多传感器系统给出统一的加权融合最优和稳态最优白噪声反卷积估值器。为了计算最优加权,给出了计算局部估计误差互协方差的两种公式。其次,应用现代时间序列分析方法,基于ARMA新息模型,对带不同局部模型和带相关噪声多传感器系统给出统一的稳态最优白噪声估值器。对带相同或不同局部动态模型的多传感器时滞系统,提出了的最优加权状态融合白噪声反卷积估值器。为了计算最优加权,分别给出了计算局部估计误差互协方差的公式。再次,应用Kalman滤波方法,基于Riccati方程,对于带相同观测阵和相关观测噪声或带不同观测阵和相关观测噪声或带相同观测阵和相关噪声的多传感器时变系统,分别提出了最优加权观测融合白噪声反卷积估值器,并证明其与相应的集中式融合白噪声反卷积估值器的完全功能等价性和全局最优性。同时作为特殊情况又给出了相应的定常系统稳态最优加权观测融合白噪声反卷积估值器。最后,应用Kalman滤波方法,基于Riccati方程,对带未知噪声统计的多传感器定常系统,应用基于相关函数方法的信息融合噪声统计的估值器,提出了自校正加权观测融合白噪声反卷积估值器。对带未知模型参数和带未知噪声统计的多传感器单通道AR和ARMA系统,应用相关函数方法、递推辅助变量算法和Gevers-Wounters算法给出了模型参数和噪声统计估值器,进而提出了自校正加权观测融合白噪声反卷积估值器。并基于动态误差系统分析方法证明了其收敛于相应的稳态加权观测融合白噪声反卷积估值器,即它们具有渐近全局最优性。以上结论均通过仿真例子给出验证,证明了理论的有效性。上述结果在多传感器信息融合滤波、石油地震勘探、信号处理和状态估计等领域有重要的理论和应用价值。(本文来源于《黑龙江大学》期刊2010-03-01）
邓自立,王伟玲,王强[8]（2009）在《自校正信息融合Wiener预报器及其收敛性》一文中研究指出对带相关观测噪声和未知噪声统计的多传感器系统,用相关方法得到噪声统计在线估值器.在按分量标量加权线性最小方差最优信息融合准则下,用现代时间序列分析方法,基于滑动平均(moving average)新息模型的辨识,提出了自校正解耦融合Wiener预报器.用动态误差系统分析(dynamic error system analysis)方法证明了自校正融合Wiener预报器收敛于最优融合Wiener预报器,因而它具有渐近最优性.它的精度比每个局部自校正Wiener预报器精度都高.它的算法简单,便于实时应用.一个目标跟踪系统的仿真例子说明了其有效性.(本文来源于《控制理论与应用》期刊2009年11期）
王伟玲[9]（2009）在《基于ARMA新息模型的自校正信息融合滤波器》一文中研究指出多传感器信息融合估计作为多源信息综合处理的一项新技术,使用多个传感器对同一目标进行检测,避免了单个传感器的局限性,可以提供更加全面准确的信息,进而合成来自这个目标的多源信息,产生比单一信息源更精确的估计。对带相关观测噪声和未知模型参数及噪声统计的多传感器系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型,提出了一种多段辨识算法,其中用递推增广最小二乘法(RELS)和Gevers-Wouters(G-W)算法得到未知模型参数在线估值器,用求解相关函数矩阵方程组的方法得到噪声统计在线估值器。对未知噪声统计多传感器系统,在按分量标量加权线性最小方差最优信息融合准则下,分别提出了自校正信息融合Kalman和Wiener滤波器及预报器。对带未知模型参数和噪声统计的单通道ARMA信号,提出了一种自校正信息融合Wiener滤波器。推广了收敛性分析的动态误差系统分析(Dynamic Error System Analysis)方法,其中提出和证明了Lyapunov方程稳定性的两个判别准则,进而证明了上述自校正融合器的收敛性,即自校正融合估值器以概率1收敛于相应的稳态最优融合估值器,因而它们具有渐近最优性。一些跟踪系统的仿真例子说明了其正确性和有效性。(本文来源于《黑龙江大学》期刊2009-04-20）
王强[10]（2009）在《基于Riccati方程的自校正信息融合滤波方法研究》一文中研究指出多传感器信息融合滤波重要方法之一是利用多个传感器对同一目标进行检测,从而获得其状态的局部估计,并在一定最优融合准则下,组合或加权局部估计,从而获得最优融合估计,其精度要比每一个局部估计更精确。自校正信息融合滤波是用来处理含未知模型参数和噪声统计多传感器系统的信息融合滤波问题,它是最优信息融合滤波与系统辨识两个科学的交叉,具有重要理论和应用意义。对带有未知模型参数和噪声统计的多传感器线性离散随机系统,应用递推辅助变量(RIV)算法和求解相关函数矩阵方程方法,得到模型参数估值器和噪声统计估值器。对带相关观测噪声和未知噪声统计系统,用经典Kalman滤波方法,基于Riccati方程,在按分量标量加权线性最小方差最优信息融合准则下,分别提出了自校正分量解耦信息融合Kalman和Wiener估值器。对带有未知模型参数和噪声统计的AR信号提出了自校正信息融合Wiener滤波器。用动态误差系统分析(Dynamic Error System Analysis)方法证明了自校正信息融合估值器的收敛性。几个跟踪系统的仿真例子说明了其正确性和有效性。(本文来源于《黑龙江大学》期刊2009-04-10）
自校正信息融合论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
广义系统已经广泛应用到大系统理论、奇异摄动理论、电路系统控制理论、计量经济学、决策理论等领域中。而多传感器信息融合技术由于其更广的空间和时间覆盖范围、更强的系统生存能力、和更高的可信度等使其已经得到了相当广泛的应用。将传统的广义系统的估计问题和数据融合技术相结合,可以提高广义系统的状态估计的精度。本论文对于多传感器线性离散随机定常广义系统,深入研究了当噪声统计已知和未知不确定时的信息融合估计问题,主要的工作包括如下几个方面:首先,对于带已知噪声统计的多传感器线性离散随机广义系统,利用满秩分解得到加权融合观测方程,再根据叁种不同奇异值分解标准型,将原广义系统降阶处理为两个子系统。这叁种不同的降阶子系统都是带相关噪声的正常系统(非广义系统),因此可以利用经典Kalman滤波理论得到降阶状态分量的加权观测融合最优Kalman估值器。再根据降阶子系统和原始广义系统之间的关系得到广义系统的加权观测融合最优Kalman估值器及其估值误差方差阵。其次,对于带相关噪声的多传感器线性离散广义系统,利用加权观测融合方法得到融合的观测,同时将广义系统的状态方程也作为状态量的“观测”。基于极大似然估计准则,得到该新“观测量”的估值器,所得到的估值器也即原多传感器广义系统的满阶滤波器及其滤波误差方差阵。所得到的滤波误差方差阵满足广义Riccati方程。对于广义系统的满阶平滑器问题则是在增广状态方法的基础上转化为增广状态的满阶滤波器问题求解。再次,对于不确定噪声统计的多传感器广义系统,当不确定噪声统计存在其上界方差矩阵时,在极大极小鲁棒设计原理的基础上提出了鲁棒满阶滤波和平滑算法。定义带上界方差的噪声和估值初值上界的多传感器广义系统为其保守广义系统。对于该多传感器保守广义系统,利用第一和第二部分所提出的算法得到相应的保守加权观测融合和协方差交叉融合满阶滤波器和平滑器。将原多传感器广义系统的实际观测代入到保守滤波器和平滑器中得到鲁棒满阶滤波器和平滑器。该滤波器和平滑器的估值误差方差阵称为实际估值误差方差阵。利用Lyapunov方程方法证明所得到的实际估值误差方差阵存在一个上界方差,且所提出的鲁棒满阶滤波器和平滑器是鲁棒的。最后,对于带未知噪声方差的多传感器广义系统,先利用相关函数方法得到所有未知噪声方差的信息融合一致性估计。将这些一致性估计代入到当噪声统计已知时的信息融合降阶和满阶估值器中得到相应的自校正信息融合降阶和满阶估值器及其估值误差方差阵。利用动态误差方差分析方法和动态误差分析方法证明了多传感器广义系统的自校正估值误差方差阵和自校正估值器的收敛性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自校正信息融合论文参考文献
[1].缪祥琎,杨富林,杨勇,钱兵,曾昕展.信息融合和自校正滤波技术在组合导航中的应用[J].计算机产品与流通.2018
[2].窦寅丰.多传感器广义系统的最优、鲁棒和自校正信息融合估计研究[D].黑龙江大学.2017
[3].廖维国.多传感器ARMA信号自校正加权信息融合Wiener滤波器[J].电子技术与软件工程.2015
[4].马静,孙书利.广义系统信息融合稳态与自校正满阶Kalman滤波器[J].控制理论与应用.2011
[5].王强.自校正信息融合Wiener滤波器在信号处理中的应用研究[J].数字技术与应用.2011
[6].王伟.多传感器伴随形系统自校正信息融合滤波器及其应用[D].黑龙江大学.2010
[7].孙小君.最优和自校正多传感器信息融合白噪声反卷积估值器[D].黑龙江大学.2010
[8].邓自立,王伟玲,王强.自校正信息融合Wiener预报器及其收敛性[J].控制理论与应用.2009
[9].王伟玲.基于ARMA新息模型的自校正信息融合滤波器[D].黑龙江大学.2009
[10].王强.基于Riccati方程的自校正信息融合滤波方法研究[D].黑龙江大学.2009