李慧;严丽萍;周玉琴;夏元庆;史晓迪 重尾噪声马尔可夫跳跃系统的序列融合估计。 （英语） Zbl 1520.93550 国际期刊系统。科学。，普林克。申请。系统。集成。 54，第9期，1910-1925（2023）. 摘要：我们研究了带有重尾噪声的马尔可夫跳变多传感器系统的序列融合估计问题。通过将噪声建模为Student（t）分布，利用交互多模型方法和Bayes规则设计了一种序列融合估计算法。为了提高对测量重尾噪声引起的测量野值的鲁棒性，设计了一种F分布检测策略来检测和剔除测量野值。仿真结果表明，所设计的序贯融合估计算法能够有效地融合来自多个传感器的测量值，并且所设计算法的精度优于现有的交互式多模型Student’s（t）批融合算法和单模型自适应Student当存在具有重尾特性的模型切换和扰动时的批处理融合算法。 引用于1文件 理学硕士： 93E10型 随机控制理论中的估计与检测 93B70型 网络控制 第60页 统计学在工程和工业中的应用；控制图 关键词：顺序融合;马尔可夫跳跃系统;重尾噪声;传感器网络;学生的分布 PDF格式BibTeX公司 XML格式引用 \textit{H.Li}等人，国际期刊系统。科学。，普林克。申请。系统。集成。54，第9期，1910--1925（2023；Zbl 1520.93550） 全文： 内政部 参考文献： [1] Abosekeen，A。；伊克巴尔，美国。；努雷尔丁，A。；Korenberg，M.J.，《一种用于具有挑战性的全球导航卫星系统环境的新型多级集成导航系统》，IEEE智能交通系统汇刊，22，8，4838-48852（2020）·doi:10.1109/TITS.2020.2980307 [2] Ackerson，G。；Fu，K.，关于交换环境中的状态估计，IEEE自动控制汇刊，15，1，10-17（1970）·doi:10.1109/TAC.1970.1099359 [3] 巴蒂斯特利，G。；Chisci，L.，Kullback-Leibler平均，概率密度共识，保证稳定性的分布式状态估计，Automatica，50，3，707-718（2014）·Zbl 1298.93311号 ·doi:10.1016/j.automatica.2013.1.042 [4] Blom，H.A。；Bar-Shalom，Y.，具有马尔可夫切换系数的系统的交互式多模型算法，IEEE自动控制汇刊，33，8，780-783（1988）·Zbl 0649.93065号 ·doi:10.1109/9.1299 [5] Bloomer，L.和Gray，J.（2002年）。更多的模型更好吗？模型转换矩阵对IMM滤波器的影响。《第三十四届东南系统理论研讨会论文集》（目录号：02ex540）（第20-25页）。数字对象标识： [6] Cheng，G.R。；马，M.C。；Tan，L.G。；Song，S.M.，基于观测噪声估计的具有相关噪声的非线性多传感器系统的事件触发序列融合滤波器，IEEE传感器杂志，22，9，8818-8829（2022）·doi:10.1109/JSEN.2022.3161802 [7] 高，S。；赵，S。；栾，X。；Liu，F.，使用变分贝叶斯学习的连续发酵罐智能状态估计，IEEE工业信息学报，17，12，8429-8437（2021）·doi:10.10109/TI.2021.3057421 [8] 耿，H。；刘，H。；马，L。；Yi，X.，《受限网络环境下多传感器滤波融合满足删失测量：进展、挑战和前景》，《国际系统科学杂志》，52，16，3410-3436（2021）·Zbl 1483.93643号 ·doi:10.1080/00207721.2021.2005178 [9] 耿，H。；王，Z。；陈，Y。；Yi，X。；Cheng，Y.，具有拒绝服务攻击和随机通信协议的非线性网络物理系统的方差约束滤波融合，IEEE/CAA自动化杂志，9，6，978-989（2022）·doi:10.1109/JAS.2022.105623 [10] 耿，H。；王，Z。；胡，J。；Dong，H。；Cheng，Y.，随机接入协议下传感器网络的分布式递归滤波：当状态饱和满足删失测量时，IEEE控制论汇刊，1-13（2022）·doi:10.10109/TCB.2022.3209793文件 [11] 胡，Z。；胡，J。；Tan，H。；黄，J。；Cao，Z.，round-robin协议下具有随机传感器延迟的非线性系统的分布式弹性融合滤波，国际系统科学杂志，53，13，2786-2799（2022）·Zbl 1504.93376号 ·doi:10.1080/00207721.2022.2062802 [12] 黄，Y。；Zhang，Y.，具有重尾过程和测量噪声的非线性系统的鲁棒学生基于t的随机容积滤波器，IEEE Access，57964-7974（2017）·doi:10.1109/ACCESS.2017.2700428 [13] 黄，Y。；Zhang，Y。；Chambers，J.A.，一种新型的基于Kullback-Leibler发散最小化的自适应学生t滤波器，IEEE信号处理学报，67，20，5417-5432（2019）·Zbl 07123441号 ·doi:10.1109/TSP.78 [14] 黄，Y。；Zhang，Y。；李，N。；钱伯斯，J.，《稳健学生的基于t的非线性滤波器和平滑器》，《IEEE航空航天和电子系统汇刊》，52，5，2586-2596（2016）·doi:10.1109/TAES.2016.150722 [15] 黄，Y。；Zhang，Y。；李，N。；吴，Z。；钱伯斯，J.A.，一种新型稳健的基于t的学生卡尔曼滤波器，IEEE航空航天和电子系统汇刊，53，3，1545-1554（2017）·doi:10.1109/TAES.2017.2651684 [16] 黄，Y。；Zhang，Y。；徐，B。；吴，Z。；Chambers，J.，《用于合作定位的新离群-ROB学生基于t的高斯近似滤波器》，IEEE/ASME机电学报，22，5，2380-2386（2017）·doi:10.1109/TMECH.2017.2744651 [17] Jin，H。；Sun，S.，具有随机传感器激活、延迟和数据包丢失的传感器网络的分布式卡尔曼滤波，《国际系统科学杂志》，53，3，575-592（2022）·Zbl 1498.93742号 ·doi:10.1080/00207721.2021.1963502 [18] 李强。；Ben，Y。；Naqvi，S.M。；Neasham，J.A。；Chambers，J.A.，Robust student’s t-based cooperative navigation for autonomous underwater vehicles，IEEE Transactions on Instrumentation and Measurement，67，8，1762-1777（2018年）·doi:10.1109/TIM.2018.2809139 [19] 李·T。；胡，Z。；刘，Z。；Wang，X.，多传感器次优融合学生t滤波器，IEEE航空航天与电子系统汇刊，1-9（2022）·doi:10.10109/TAS.2022.3210157 [20] 李伟（Li，W.）。；Jia，Y.，《交互多模型估计的信息论方法》，IEEE航空航天与电子系统汇刊，51，3，1811-1825（2015）·doi:10.1109/TAES.2015.140542 [21] Lin，H。；Lam，J。；陈明珠。；舒，Z。；Wu，Z.G.，网络控制系统的交互多模型估计器：稳定性、收敛性和性能，IEEE自动控制汇刊，64，3，928-943（2018）·Zbl 1482.93604号 ·doi:10.1109/TAC.2018.2831620 [22] Lin，H。；Sun，S.，具有相关噪声的多传感器异步采样系统的分布式融合估计，《国际系统科学杂志》，48，5，952-960（2017）·Zbl 1362.93150号 ·doi:10.1080/00207721.2016.1224953 [23] Lin，H。；Sun，S.，随机参数扰动、衰落测量和相关噪声下的最优序列融合估计，IEEE信号处理汇刊，66，13，3571-3583（2018）·兹比尔1415.94165 ·doi:10.1109/TSP.78 [24] Lin，H。；Sun，S.，《具有相互关联噪声的多传感器系统的全局最优序贯和分布式融合状态估计》，Automatica，101，128-137（2019）·Zbl 1415.93250号 ·doi:10.1016/j.automatica.2018.11.043 [25] Lin，H。；Sun，S.，异步采样离散时间系统的最优序列估计，IEEE信号处理汇刊，68，6117-6127（2020）·Zbl 07591165号 ·doi:10.1109/TSP.2020.3031388 [26] Loebis，D。；萨顿，R。；Chudley，J.，《多传感器数据融合技术及其在自主水下航行器导航中的应用综述》，《海洋工程与技术杂志》，1，1，3-14（2002）·doi:10.1080/20464177.2002.11020159 [27] 马，J。；Sun，S.，具有不同丢包率的多传感器系统的信息融合估计器，信息融合，12，3，213-222（2011）·doi:10.1016/j.inffus.2010.11.003 [28] 马云（Ma，Y.）。；赵，S。；Huang，B.，基于变分贝叶斯推理的多模型状态估计，IEEE自动控制事务，64，4，1679-1685（2018）·Zbl 1482.93606号 ·doi:10.1109/TAC.9 [29] 奥尔森，E。；伦纳德·J·J。；Teller，S.，《稳健的单距离信标定位》，IEEE海洋工程杂志，31，4，949-958（2006）·doi:10.1109/JOE.2006.880386 [30] Orguner，美国。；Demirekler，M.，跳跃马尔可夫线性系统转移概率估计的在线序列算法，Automatica，42，10，1735-1744（2006）·Zbl 1114.93103号 ·doi:10.1016/j.automatica.2006.05.002 [31] Roth，M.（2013）。非线性系统和重尾噪声的卡尔曼滤波器[未发表的博士论文]。林雪平大学电子出版社。 [32] Roth，M.、Özkan，E.和Gustafsson，F.（2013）。用于重尾过程和测量噪声的Student’s t滤波器。IEEE声学、语音和信号处理国际会议（第5770-5774页）。数字对象标识： [33] ⑩ahin Bozgan，伊利诺伊州。(2019). 异常鲁棒滤波器及其多模型扩展[未发表的硕士论文]。中东技术大学。 [34] 沈，C。；徐，D。；黄，W。；Shen，F.，使用变分贝叶斯方法进行非高斯噪声状态估计的交互式多模型方法，亚洲控制杂志，17，4，1424-1434（2015）·Zbl 1338.93360号 ·doi:10.1002/asjc.v17.4 [35] 施，P。；Li，F.，《马尔科夫跳跃系统的调查：建模与设计》，《国际控制、自动化与系统杂志》，13，1，1-16（2015）·doi:10.1007/s12555-014-0576-4 [36] Simon，D.，《最优状态估计：卡尔曼、H无穷大和非线性方法》（2006），John Wiley&Sons [37] Song，W。；Wang，J。；赵，S。；Shan，J.，事件触发协同无迹卡尔曼滤波及其在多无人机系统中的应用，Automatica，105264-273（2019）·Zbl 1429.93390号 ·doi:10.1016/j.automatica.2019.03.029 [38] Sun，S。；Lin，H。；马，J。；Li，X.，《网络系统中应用的多传感器分布式融合估计：综述论文》，信息融合，38，122-134（2017）·文件编号：10.1016/j.infus.2017.03.006 [39] Sun，S.L。；邓振林，多传感器最优信息融合卡尔曼滤波器，Automatica，40，6，1017-1023（2004）·Zbl 1075.93037号 ·doi:10.1016/j.automatica.2004.01.014 [40] 田，T。；Sun，S.，带丢包补偿和相关噪声的多传感器多速率系统的分布式融合估计，IEEE系统、人与控制论汇刊：系统，51，9，5762-5772（2021）·doi:10.1109/TSMC.2019.2956259 [41] 王，G。；王，X。；Zhang，Y.，未知噪声协方差JMS的变分贝叶斯IMM-filter，IEEE航空航天和电子系统汇刊，56，2，1652-1661（2019）·doi:10.1109/TAES.7 [42] Wang，T。；罗，H。；贾伟。；刘，A。；Xie，M.，MTES：基于传感器云的工业物联网智能信任评估方案，IEEE工业信息学汇刊，16，3，2054-2062（2019）·doi:10.1109/TII.9424 [43] Yan，L。；Di，C。；吴琼。；Xia，Y.，非高斯噪声下多传感器系统的序列融合估计，科学中国信息科学，63，12，1-13（2020）·doi:10.1007/s11432-019-2725-8 [44] Yan，L。；Di，C。；吴庆杰。；Xia，Y.，具有重尾噪声和不可靠测量的多速率多传感器系统的顺序融合，IEEE系统、人与控制论汇刊：系统，52，1，523-532（2020）·doi:10.1109/TSMC2020.3003645 [45] Yan，L。；江，L。；夏，Y。；Wu，Q.J.，相关噪声下的事件触发序列融合估计，ISA Transactions，102，154-163（2020）·doi:10.1016/j.isatra.2019.07.029 [46] Yan，L。；Li，X.R。；夏，Y。；Fu，M.，交叉相关噪声中状态估计的最优顺序和分布式融合，Automatica，49，12，3607-3612（2013）·Zbl 1315.93079号 ·doi:10.1016/j.automatica.2013.09.013 [47] 杨，F。；Shi，L。；梁，Y。；Zheng，L.，具有互相关测量噪声的集群传感器网络序贯测量融合下的全局状态估计，Automatica，142（2022）·Zbl 1495.93078号 ·doi:10.1016/j.automatica.2022.110392 [48] 杨，F。；Shi，L。；Zheng，L.，变贝叶斯聚类无线传感器网络的事件触发全局序列融合估计，IEEE传感器杂志，21，18，20273-20282（2021）·doi:10.1109/JSEN.2021.3092888 [49] 杨，X。；张伟安。；陈明珠。；Yu，L.，异步传感器网络目标跟踪的混合序列融合估计，IEEE控制系统技术汇刊，25，2，669-676（2016）·doi:10.1109/TCST.2016.2558632 [50] Yang，Y。；秦，Y。；潘，Q。；Yang，Y。；Li，Z.，具有多步相关噪声和乘性随机参数的马尔可夫跳跃线性系统的递归线性最优滤波器，国际系统科学杂志，50，4，749-763（2019）·Zbl 1482.93641号 ·doi:10.1080/0207721.2019.1568607 [51] 姚，Y。；Xu，X。；Yang，D。；Xu，X.，《IMM-UKF辅助的水下航行器SINS/USBL校准解决方案》，IEEE车辆技术汇刊，69，4，3740-3747（2020）·doi:10.1109/TVT.25 [52] Youn，W。；黄，Y。；Myung，H.，使用时差测量的载人飞机基于Outlier鲁棒学生t的IMM-VB定位，IEEE/ASME机电一体化汇刊，25，31646-1658（2020）·doi:10.1109/TMECH.3516 [53] 张伟安。；陈，B。；Chen，M.Z.，集群异步传感器网络的分层融合估计，IEEE自动控制汇刊，61，10，3064-3069（2015）·Zbl 1359.93475号 ·doi:10.1109/TAC.2015.2498701 [54] 张伟安。；Shi，L.，集群传感器网络的序列融合估计，Automatica，89，358-363（2018）·Zbl 1388.93090号 ·doi:10.1016/j.automatica.2017.12.038 [55] 张伟安。；周，K。；杨，X。；Liu，A.，网络化多传感器非线性系统的序列融合估计，IEEE工业电子学报，67，6，4991-4999（2019）·doi:10.1109/TIE.41 [56] 张，X。；他，B。；Gao，S.，浅海应用中小型AUV的组合导航方法，IEEE车辆技术汇刊，1-15（2022）·doi:10.1109/TVT.2022.3216003 [57] 赵，Z。；王，Z。；Zou，L.，均匀量化多速率复杂网络的序列融合估计：分区集成员方法，IEEE神经网络和学习系统汇刊，1-14（2022）·doi:10.1109/TNNLS.2022.3209135 [58] 赵，Z。；王，Z。；邹，L。；刘，H。；Alsaadi，F.E.，《一次丢弃协议下混合延迟的分区域多传感器融合估计：集合成员框架》，信息融合，91，681-693（2023）·doi:10.1016/j.inffus.2022.11.1012 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。