模型参数未知系统的信息融合估计问题研究

论文摘要

对于带未知参数的系统模型,直接进行状态估计是无法实现的。因为系统模型进行状态估计需要模型参数和噪声方差是已知的,因此在进行状态估计之前要对系统模型中的未知参数进行辨识,把参数辨识的结果,带入到系统模型中,然后对系统模型进行状态估计。本论文针对带未知参数的系统模型采用不同的参数辨识方法,以提高参数辨识的精度,其中多新息辨识理论是将新息从单新息扩展到了多新息,以提高数据的利用率来提高参数辨识精度。但是,现在单传感器采集到的信息有时不准确、不全面,无法真实反映系统的特性,所以多传感器信息融合技术在状态估计问题中起着重要作用。多传感器信息融合是将来自多个传感器的采集信息在某种准则下进行融合估计,使信息经过融合后比单一传感器的估计精度更高,抗干扰能力更强,从而获得多传感器系统的最优融合估计结果。本文针对不同类型的带未知参数的多传感器系统的研究主要做了包括以下几方面工作:首先,针对系统矩阵Φ带有未知参数的能观能控典范型多传感器系统模型,基于状态空间模型转化为ARMA模型的公式和给出了一般递推最小二乘参数辨识算法,为了提高参数辨识精度,提出了多新息递推最小二乘算法和改进多新息最小二乘算法。在此基础上给出了基于本模型参数辨识结果的Kalman滤波、预报和平滑估计器,并且,给出了分布式状态融合估值器和集中式观测融合估值器的算法。其次,针对系统矩阵Φ和输入矩阵B含有未知参数的能观受控型多传感器系统模型,给出了用于估计系统模型未知参数的递推增广最小二乘算法和迭代最小二乘算法并且给出了基于本章模型的Kalman滤波和预报状态估值器。在此基础上我们给出了基于迭代最小二乘算法的Kalman滤波状态估值器和基于迭代最小二乘算法的Kalman预报状态估值器。为了提高状态估计精度,我们采用加权观测融合算法,给出了多传感器加权观测融合迭代最小二乘算法Kalman滤波估值器和Kalman预报估值器算法的公式。最后,针对带未知参数的非典范型系统多传感器模型给出了用于模型未知参数辨识的一般辨识算法(recursive general identification algorithm,RGIA)。再次基础上给出了RGIA算法在SISO系统模型的参数辨识算法和RGIA算法在状态空间系统模型的参数辨识算法,在参数辨识结果基础上得到状态估计结果以及RGIA在多传感器系统的状态估计问题。通过若干仿真例子验证了以上算法的有效性及正确性。

论文目录

文章来源

类型: 硕士论文

作者: 赵科

导师: 石莹

关键词: 多新息,迭代最小二乘,多传感器信息融合,算法

来源: 黑龙江大学

年度: 2019

分类: 基础科学,信息科技

专业: 非线性科学与系统科学,自动化技术

单位: 黑龙江大学

分类号: TP212;N945.14

DOI: 10.27123/d.cnki.ghlju.2019.000692

总页数: 93

文件大小: 2113K

下载量: 33

相关论文文献

• [1].具有不完整互相关信息分布式系统的稳健融合估计[J]. 后勤工程学院学报 2017(04)
• [2].能量约束下的分布式一致性融合估计算法研究[J]. 计算机仿真 2019(12)
• [3].面向智能船舶的容错卡尔曼融合估计方法[J]. 船舶工程 2018(04)
• [4].乏信息多传感器压力数据自助模糊融合估计[J]. 北京航空航天大学学报 2013(11)
• [5].面向节能的无线多传感器H_∞融合估计[J]. 浙江工业大学学报 2014(03)
• [6].非标准多传感器信息融合下的状态融合估计[J]. 系统工程与电子技术 2008(08)
• [7].基于动态权值分配的无人机高度融合估计方法[J]. 兵工自动化 2015(03)
• [8].不受约束的全局最优加权观测融合估计[J]. 计算机工程与应用 2010(24)
• [9].单传感器多尺度状态融合估计算法[J]. 信号处理 2013(08)
• [10].基于异步多传感器采样量测的最优状态融合估计[J]. 电子学报 2010(07)
• [11].靶场弹道融合估计模型求解的信赖域方法[J]. 火力与指挥控制 2012(08)
• [12].多尺度递归融合估计在组合导航系统中的应用[J]. 中国惯性技术学报 2009(01)
• [13].基于信息融合估计的离散线性系统预见控制[J]. 自动化学报 2010(02)
• [14].对于一个带未知观测噪声的反卷积系统的信息融合估计算法[J]. 廊坊师范学院学报(自然科学版) 2016(01)
• [15].对于反卷积系统的未知输入噪声的信息融合估计算法[J]. 华北科技学院学报 2016(01)
• [16].时滞非线性离散动态系统最优控制的信息融合估计方法[J]. 控制理论与应用 2008(03)
• [17].通信受限下网络化多传感器系统的Kalman融合估计[J]. 自动化学报 2015(01)
• [18].反馈式多目标多传感器系统误差融合估计技术[J]. 宇航学报 2011(01)
• [19].不同环境下的GPS/IMU数据融合[J]. 青岛大学学报(工程技术版) 2009(02)
• [20].基于最小二乘融合估计的双星时频差定位[J]. 电讯技术 2012(04)
• [21].多传感器多目标系统误差融合估计算法[J]. 北京航空航天大学学报 2012(06)
• [22].基于EKF的集中式融合估计研究[J]. 自动化学报 2013(06)
• [23].基于最大熵的机动目标状态融合估计[J]. 指挥信息系统与技术 2011(02)
• [24].应用于状态监测的多传感器融合估计[J]. 控制理论与应用 2009(03)
• [25].具有不同观测丢失率多传感器随机不确定系统的加权观测融合估计[J]. 控制理论与应用 2014(02)
• [26].基于小波分析和鲁棒最小二乘的信息融合估计算法[J]. 微电子学与计算机 2012(03)
• [27].带相关噪声的加权观测融合估计算法及其全局最优性[J]. 系统工程与电子技术 2010(10)
• [28].基于多模型迭代的车辆状态融合估计方法[J]. 农业机械学报 2018(06)
• [29].基于不确定融合的GPS/INS组合导航滤波算法[J]. 控制与决策 2015(07)
• [30].一种新的异类多传感器系统误差融合估计算法[J]. 西南交通大学学报 2011(04)

标签：多新息论文;  迭代最小二乘论文;  多传感器信息融合论文;  算法论文;