ARMA信号分布式信息融合估计

论文摘要

信号处理问题在通信和控制方面都有广泛的应用。ARMA(autoregressive moving average)信号可广泛应用于时间序列分析、系统建模、反卷积和系统预报等领域。信号估计可作为状态估计的一种特殊形式,例如ARMA信号估计可转化成一个状态分量的估计问题。由于多传感器在时间和空间上能够提供更丰富的信息,因而,多传感器信息融合信号处理技术得到了广泛的研究和应用。本文研究了多传感器多通道ARMA信号信息融合Wiener估值器,多传感器ARMA信号信息融合反卷积滤波器,以及带观测滞后ARMA信号的信息融合估值器。对于多传感器多通道ARMA信号系统,通过将ARMA模型转化成状态空间模型,将信号估计问题转化为状态分量的估计问题,或白噪声估计和输出预报问题。基于线性最小方差加权最优融合算法,利用观测白噪声估值器和输出预报器给出了带相关噪声多通道ARMA信号的分布式融合Kalman估值器和Wiener估值器,并且推导了任两个局部估计误差之间的互协方差阵的计算公式。最优加权融合算法将应用于多传感器ARMA信号分布式融合反卷积估值器。通过ARMA模型和状态空间模型之间的转化,将提出基于线性最小方差估计准则的多通道ARMA信号的分布式信息融合反卷积滤波器,并给出任两传感器之间的滤波误差互协方差阵的计算公式。对带多步观测滞后的系统,通过状态增广将带多步观测滞后的系统转化为不带观测滞后的等价系统,然后利用已有的结果进行处理。其次,对带一步观测滞后的系统,通过模型转化为系统噪声和观测噪声在相邻时刻相关的正常系统,利用射影理论可直接获得基于每个传感器的线性最小方差局部估计。然后,推导了任两个局部估计误差之间的互协方差阵的计算公式。最后,基于分布式矩阵加权最优融合估计算法,给出了分布式加权融合Kalman估值器。

论文目录

• 中文摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景和意义
• 1.2 多传感器信息融合技术
• 1.2.1 信息融合技术的国内外研究状况
• 1.2.2 信息融合的结构
• 1.2.3 信息融合的方法
• 1.2.4 信息融合中的状态估计
• 1.3 信号估计问题概况
• 1.4 主要研究内容
• 第2章 预备知识
• 2.1 引言
• 2.2 三种最优加权信息融合算法及其计算量比较
• 2.3 基于正常系统的多传感器 Kalman 估值器
• 2.4 基于正常系统的局部及多传感器 Wiener 估值器
• 2.5 本章小结
• 第3章 多传感器多通道 ARMA 信号信息融合估值器
• 3.1 引言
• 3.2 多传感器多通道 ARMA 信号信息融合 Kalman 估值器
• 3.2.1 问题的阐述
• 3.2.2 模型转化
• 3.2.3 局部单传感器 Kalman 估值器
• 3.2.4 任两个传感器子系统之间的估计误差互协方差阵的计算
• 3.3 多传感器多通道 ARMA 信号信息融合 Wiener 估值器
• 3.3.1 问题的阐述
• 3.3.2 局部单传感器 Wiener 估值器
• 3.3.3 任两个传感器子系统之间的互协方差阵的计算
• 3.3.4 分布式加权信息融合 Wiener 估值器
• 3.4 仿真实例
• 3.5 本章小结
• 第4章 多传感器 ARMA 信号信息融合反卷积滤波器
• 4.1 引言
• 4.2 多传感器 ARMA 信号信息融合反卷积 Kalman 滤波器
• 4.2.1 问题的阐述
• 4.2.2 局部单传感器 Kalman 估值器
• 4.2.3 预报误差互协方差阵的计算
• 4.2.4 最优信息融合反卷积滤波器
• 4.3 仿真实例
• 4.4 本章小结
• 第5章 带观测滞后的 ARMA 信号信息融合估值器
• 5.1 引言
• 5.2 带多步观测滞后的ARMA 信号信息融合Kalman 估值器
• 5.2.1 问题的阐述
• 5.2.2 系统转化
• 5.3 带一步观测滞后的ARMA 信号信息融合Kalman 估值器
• 5.3.1 问题的阐述
• 5.3.2 系统转化
• 5.3.3 基于单传感器的局部 Kalman 估值器
• 5.3.4 任两个传感器子系统之间的互协方差阵的计算
• 5.3.5 分布式加权信息融合估值器
• 5.4 仿真实例
• 5.5 本章小结
• 结语
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文