×
刘文涛;郑嘉仪;窦、银峰;冉、陈健

具有不确定方差噪声和丢包的多传感器广义系统的鲁棒融合滤波器。 （英语） Zbl 1531.93418号

最佳方案。控制应用程序。方法 43，第5期，1401-1421（2022）.
摘要：对于具有不确定方差噪声和丢包的多传感器线性随机广义系统，基于奇异值分解（SVD）方法和增广状态方法，得到了新的降阶增广状态的标准状态空间模型。应用最小最大鲁棒估计原理和卡尔曼滤波理论，提出了降阶增广状态和虚拟过程噪声的局部鲁棒时变卡尔曼滤波器。然后，根据降阶增广状态与原始状态的关系，给出了原始广义系统的局部鲁棒时变滤波器。并提出了分布式和协方差交集（CI）融合的鲁棒时变滤波器，得到了实际和保守的滤波误差方差。此外，应用李亚普诺夫方程方法证明了局部鲁棒滤波器和融合鲁棒滤波器的鲁棒性，并分析了它们之间的精度关系。一个电路系统的仿真实例表明了该方法的有效性和适用性。
｛©2022 John Wiley&Sons有限公司｝

引用于2文件

MSC公司：

93E11号机组 随机控制理论中的滤波
93B35型 灵敏度（稳健性）
93立方厘米05 控制理论中的线性系统

关键词：

多传感器描述符系统;数据包丢失;鲁棒融合滤波器;不确定方差噪声
PDF格式BibTeX公司 XML格式引用
\textit{W.Liu}等人，Optim。控制应用程序。方法43，No.5，1401-1421（2022；Zbl 1531.93418）
全文： 内政部

参考文献：

[1] DuanGR段。广义线性系统的分析与设计。施普林格；2010. ·Zbl 1227.93001号
[2] 邓家乐、高毅、陶高乐。通过块对角矩阵加权的降阶稳态描述子卡尔曼融合器。信息融合。2008;9(2):300‐309.
[3] DouYF、SunS、RanCJ。多传感器广义系统的自校正全阶WMF卡尔曼滤波器。IET控制理论应用。2017;11(3):359‐368.
[4] 邓志乐、徐毅。描述性维纳状态估计器。自动化。2000;36(11):1761‐1766. ·Zbl 0978.93076号
[5] ZhangHS、XieLH、SohYC。奇异随机离散时间系统的最优递归滤波、预测和平滑。IEEE Trans Automat控制。1999;44(11):2154‐2158. ·Zbl 1136.93451号
[6] 谢赫CS。基于未知输入滤波方法的广义系统状态估计。自动化。2013;49(5):1281‐1286. ·Zbl 1319.93074号
[7] 卡尔曼群岛。线性滤波和预测问题的新方法。基础工程J，1960年；82（D系列）：35-45。
[8] HashmiAJ、EftekharA、AdibiA、AmoozegarF。一种用于深空光通信链路中望远镜阵列接收器的基于卡尔曼滤波器的同步方案。Opt Commun（可选通信）。2012;285(24):5037‐5043.
[9] KimJH、OhJH。使用独立GPS的陆地车辆跟踪算法。控制工程实践。2000;8(10):1189‐1196.
[10] LigginsME、HallDL、LlinasJ。多传感器数据融合手册：理论与实践。Artech House雷达库。2008;39(5):180‐184.
[11] SalahshoorK、MosallaeiM、BayatM。基于自适应扩展卡尔曼滤波算法的数据融合集中和分散过程和传感器故障监测。测量。2008;41(10):1059‐1076.
[12] HarrisCJ甘克。基于卡尔曼滤波的多传感器数据融合的两种测量融合方法的比较。IEEE Trans-Aerosp电子系统。2001;37(1):273‐280.
[13] YuanG、RanC、SunX、DengZ。最优和自校正加权测量融合卡尔曼滤波器及其渐近全局最优性。国际J自适应控制信号处理。2010;24(11):982‐1004. ·Zbl 1202.93161号
[14] SunSL。多传感器最优信息融合卡尔曼滤波器及其应用。Aerosp科技公司。2004;8(1):57‐62. ·Zbl 1060.93096号
[15] 邓家乐、高毅、毛利、李毅、浩。信息融合新方法稳态卡尔曼滤波。自动化。2005;41:1695‐1770. ·Zbl 1087.93056号
[16] Julier SJ、Uhlmann JK。存在未知相关性的非发散估计算法。美国控制会议记录；1997:2629‐2634; 新墨西哥州阿尔伯克基。
[17] Anderson B、MooreJB、EslamiM。最佳滤波。IEEE Trans Syst Man Cybern。2007;12(2):235‐236.
[18] WangZD、HoDWC、LiuXH。具有缺失测量的不确定随机系统的方差约束滤波。IEEE Trans Automat控制。2003;48(7):1254‐1258. ·Zbl 1364.93814号
[19] SunS、XieL、XiaoW、SohYC。多丢包系统的最优线性估计。自动化。2008;44(5):1333‐1342. ·Zbl 1283.93271号
[20] 纳希恩。观测不确定的最优递推估计。IEEE Trans-Inf理论。1969;15(4):457‐462. ·Zbl 0174.51102号
[21] SunSL、LinHL、MaJ、LiXY。多传感器分布式融合估计及其在网络系统中的应用：综述论文。信息融合。2017;38:122‐134.
[22] 刘易斯FL、谢莉、丹普。最优和稳健估计：随机控制理论简介。CRC出版社2010；30(4): 103‐106.
[23] 邓高义。具有随机一步传感器延迟、不确定方差乘法和加性白噪声的网络化多传感器混合不确定系统的鲁棒加权融合卡尔曼估值器。IEEE Sens J.2019；19(22):10935‐10946.
[24] RanC、DengZ。网络化混合不确定系统的鲁棒集中式和综合协方差交集融合卡尔曼估值器。国际J鲁棒非线性控制。2020;30(15):6298‐6329. ·Zbl 1525.93457号
[25] RanC、DengZ。具有随机一步测量延迟、缺失测量、乘性噪声和不确定噪声方差的网络混合不确定系统的鲁棒融合卡尔曼估值器。信息科学。2020;534:27‐52. ·Zbl 1461.93508号
[26] RanCJ、SunSL、DouYF。多传感器广义系统的WMF降阶鲁棒估计。IET控制理论应用。2018;12(16):2232‐2244.
[27] ShenH、DouY、RanC。具有随机一步测量延迟的广义系统的鲁棒时变估计器。光电控制应用方法。2021.数字对象标识代码：10.1002/oca.2764·Zbl 1485.93572号
[28] QiWJ、Zhang P、DengZL。噪声方差不确定的多传感器时变系统的鲁棒加权融合卡尔曼滤波器。信号处理。2014;99:185‐200.
[29] Anderson BDO，MooreJB公司。最优滤波。普伦蒂斯·霍尔公司；1979. ·Zbl 0688.93058号
[30] 邓志林、张鹏、齐文杰、袁刚、刘建飞。多传感器协方差交集融合器与三种加权融合器的精度比较。信息融合。2013;14(2):177‐185.
[31] 杜伊，RanC。多传感器奇异系统的WMF自校正卡尔曼估值器。国际系统科学杂志。2019;50(10):1873‐1888. ·Zbl 1483.93622号
[32] 刘易斯FL、谢勒X、波帕D。最优稳健估计。第二版，CRC出版社；2008. ·Zbl 1133.93040号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。