信息融合估计理论及其在卫星状态估计中的应用

论文摘要

信息融合估计理论一直是控制、信号处理等领域的基本问题,也是现在研究非常广泛的信息融合理论的一个重要理论基础。结合信息融合技术和状态估计理论,发展基于信息融合的状态融合估计方法是信息融合的一个研究方向,成为高精度、高可靠性状态估计的必由之路。本文的研究工作集中在进一步丰富和发展多传感器信息融合估计理论,分析其在实际多传感器系统应用中存在的问题,并研究相应的解决方法。主要工作和创新点如下:1.系统分析了标准多传感器信息融合系统下的状态融合估计理论:分析了线性最优加权及状态融合估计,讨论了权值对最优融合估计精度的影响;给出了基于均方误差极值化的线性最小方差融合估计和基于拟合误差极值化的加权最小二乘融合估计的形式;根据Bayes分析理论,建立了基于期望融合状态改进量方差极小化的Bayes统计融合模型;讨论了标准多传感器动态系统的滤波理论与算法,给出了不同融合结构下动态系统状态融合估计的形式;给出了多传感器信息统一的线性融合模型描述,并在此基础上分析了最优状态融合估计性能。2.重点研究了实际应用中存在的几类典型非标准多传感器信息融合系统的状态融合估计问题,分别提出了基于参数与半参数建模思想、基于多模型融合思想和基于自适应估计思想等三类解决方案,给出了相应的融合估计模型和算法。(1)针对多传感器测量信息中存在各类非线性不确定误差因素,分别采用小波分析时间序列建模思想和半参数建模思想来研究非标准多传感器信息融合系统下的状态融合估计问题。对于前者,提取动态系统特性,利用参数化表示的数学建模方法,把系统中所涉及到的不确定性处理问题转化为线性或者非线性分析模型的参数估计问题进行研究。对于后者,则采用半参数建模思想分离多传感器信息中由非线性不确定因素引起的模型误差,进而削弱非线性不确定性因素对状态融合估计的影响。(2)针对多传感器信息融合系统模型中存在的非线性性和时变性,利用多模型来逼近系统的动态性能,分别提出了基于模型概率和模型曲率的两类非线性多模型融合估计方法。对于前者,利用多个线性模型的组合来逼近系统复杂非线性时变过程,设计了两种基于模型概率的表示形式,构建了多模型融合估计相应的算法;对于后者,通过非线性模型参数估计均方误差的曲率矩阵的表示,引入模型结构确定最优模型融合权值的选取准则,建立了多模型非线性系统的最优加权理论与相应的参数估计算法。(3)针对多传感器动态系统中存在的局部滤波估计的相关性和系统参数的不确定性,以卡尔曼滤波为理论基础,将最优估计理论、联合滤波理论、自适应控制理论、神经网络等应用于非标准多传感器动态系统的状态融合估计,分别提出了基于信息分配的多信息联合滤波算法和基于神经网络的多信息自适应融合估计算法。给出了各子滤波器相关和不相关时下的融合策略,分析了联合滤波的估计性能,开展了信息分配因子的自适应确定方法研究;建立了基于神经网络补偿的并行融合估计模型结构及其相应的基于UKF(Unscented Kalman Filter)的神经元融合权重在线自适应学习算法。3.结合多传感器信息融合理论在航天领域中的实际应用,开展了信息融合估计理论在卫星轨道和卫星姿态确定中的应用研究,根据以上所提出的几类标准和非标准多传感器信息融合估计方法,分别仿真研究了基于小波变换的卫星轨道摄动时间序列建模方法、基于半参数回归模型的卫星融合定轨方法、基于Bayes统计模型的卫星融合定轨方法、基于模型概率的多模型融合定轨方法、基于多姿态测量信息的融合定姿方法以及基于UKF神经网络的多姿态测量信息自适应融合定姿方法等等。实验结果表明了所研究的融合估计算法能够有效抑制多传感器信息融合系统中存在的各类非标准因素对卫星状态估计性能的影响,最终的卫星轨道和姿态参数的估计精度得到了进一步的提高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 信息融合及其应用背景
• 1.2 信息融合理论的研究现状
• 1.2.1 信息融合的内涵和外延
• 1.2.2 信息融合的数学描述
• 1.2.3 信息融合的主要数学技术和方法
• 1.3 信息融合在卫星状态估计领域的应用
• 1.3.1 卫星轨道确定中的信息融合技术
• 1.3.2 卫星姿态确定中的信息融合技术
• 1.4 论文的结构与主要工作
• 1.4.1 研究内容及论文结构
• 1.4.2 主要创新点
• 第二章 标准多传感器信息融合估计理论
• 2.1 线性最优权值与融合估计精度
• 2.1.1 线性加权融合模型
• 2.1.2 传感器测量方差求解及融合算法流程
• 2.2 经典指标函数极值化准则
• 2.2.1 MSE融合估计
• 2.2.2 WLSE融合估计
• 2.2.3 LMSE融合和WLSE融合估计的关系
• 2.3 基于Bayes统计模型的多传感器最优融合估计
• 2.3.1 Bayes统计分析
• 2.3.2 Bayes概率统计融合模型
• 2.3.3 融合模型的参数估计
• 2.4 标准多传感器动态系统的滤波融合理论与算法
• 2.4.1 离散标准动态系统状态融合估计问题描述
• 2.4.2 滤波估计算法原理
• 2.4.3 状态融合估计系统结构与算法
• 2.5 标准多传感器信息融合的统一描述
• 2.5.1 信息类型的统一描述
• 2.5.2 融合系统结构的统一描述
• 2.5.3 最优状态融合估计性能分析
• 2.5.4 仿真算例及分析
• 2.6 本章小结及非标准多传感器信息融合估计问题的提出
• 第三章 不确定性建模下的非标准多传感器信息融合估计
• 3.1 引言
• 3.2 基于小波变换的系统不确定性时间序列建模
• 3.2.1 系统不确定性信号特征的小波提取
• 3.2.2 残差序列的平稳性检验
• 3.2.3 系统不确定性的时间序列建模
• 3.3 基于半参数建模的非标准多传感器状态融合估计
• 3.3.1 常值系统误差估计
• 3.3.2 半参数回归模型与参数解算
• 3.3.3 基于互迭代半参数回归的状态融合估计算法
• 3.3.4 融合算法精度分析
• 3.4 本章小结
• 第四章 多模型融合下的非标准多传感器信息融合估计
• 4.1 引言
• 4.2 基于模型概率的多模型最优融合估计
• 4.2.1 多模型融合基本原理及其结构
• 4.2.2 模型融合算法
• 4.3 基于模型曲率的多模型最优融合估计
• 4.3.1 模型结构描述及非线性程度度量
• 4.3.2 非线性模型的参数估计及精度分析
• 4.3.3 最优模型融合权值确定
• 4.3.4 仿真算例及分析
• 4.4 本章小结
• 第五章 非标准多传感器动态系统的状态自适应融合估计
• 5.1 引言
• 5.2 基于信息分配的多信息联合滤波融合估计
• 5.2.1 最优融合估计算法
• 5.2.2 联合滤波的结构及工作流程
• 5.2.3 联合滤波器的最优性能分析
• 5.2.4 信息分配因子的自适应确定
• 5.3 基于神经网络的多信息自适应融合估计
• 5.3.1 神经网络模型设计与映射函数
• 5.3.2 基于神经网络补偿的并行融合估计
• 5.3.3 基于UKF的神经元权重在线自适应学习算法
• 5.4 本章小结
• 第六章 信息融合估计理论在卫星轨道确定中的应用
• 6.1 卫星轨道确定基本原理及数学模型
• 6.1.1 天地基观测模型及距离测量数据
• 6.1.2 卫星轨道动力学模型
• 6.1.3 批处理轨道改进算法原理分析
• 6.2 基于小波变换的卫星轨道摄动时间序列建模应用仿真
• 6.2.1 卫星轨道摄动小波时序建模流程
• 6.2.2 基于轨道摄动时序建模的定轨算法仿真及精度分析
• 6.3 基于半参数回归模型的卫星融合定轨精度仿真
• 6.3.1 试验内容和方法设计
• 6.3.2 试验结果与分析
• 6.4 基于Bayes统计模型的卫星融合定轨精度仿真
• 6.4.1 试验内容和方法设计
• 6.4.2 试验结果与分析
• 6.5 基于模型概率的多模型融合定轨精度仿真
• 6.5.1 试验内容和方法设计
• 6.5.2 试验结果与分析
• 6.6 本章小结
• 第七章 信息融合估计理论在卫星姿态确定中的应用
• 7.1 卫星姿态确定基本数学模型
• 7.1.1 陀螺观测模型及系统状态方程的建立
• 7.1.2 姿态敏感器测量方程及映射矩阵
• 7.2 多姿态测量信息融合定姿算法流程及定姿精度仿真
• 7.2.1 多姿态测量信息融合定姿模式与算法流程
• 7.2.2 仿真条件及结果分析
• 7.3 基于UKF神经网络的多姿态测量信息自适应融合定姿仿真
• 7.3.1 自适应融合定姿模式与算法描述
• 7.3.2 仿真条件及结果分析
• 7.4 本章小结
• 第八章 结束语
• 8.1 本文的工作回顾
• 8.2 相关研究工作的展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果