收藏本站
《哈尔滨工程大学》 2011年
收藏 | 手机打开
二维码
手机客户端打开本文

自校正观测融合Kalman估值器及其在典型跟踪系统中的应用

郝钢  
【摘要】:当代科学技术发展和应用中,信息广泛存在于通讯、控制、信号处理、数据挖掘、人工智能、生物信息、’航空航天技术、经济预测与调控等社会诸多领域,起着举足轻重的作用。随着信息化时代的迅猛发展,信息越来越趋向于数据量大、来源广、相关层次多等特点。因此,将信号单纯的传送和汇总已经不能满足信息化时代的要求,现代信号处理技术对信息的精度、容错性要求越来越高。信息融合技术作为解决此问题的方法之一应运而生。信息融合作为多源信息综合处理的一项新技术,它能将来自同一目标的多源信息加以智能化合成,产生比单一信息源更精确、更完全、更可靠的估计和判决。 本文主要针对线性和非线性多传感器系统,应用加权观测融合和各种辨识方法,研究了最优和自校正加权观测融合Kalman滤波器,以及最优和自适应加权观测融合UKF。进而针对一类受控的线性离散多传感器系统,研究了基于最优和自校正加权观测融合Kalman滤波器的预测控制问题。本文主要以理论分析结合计算机仿真研究为主,具体研究内容和成果包括以下几个方面: 首先,针对一类带未知噪声统计的线性多传感器系统,结合最小二乘辨识方法、相关函数辨识方法以及多传感器协同辨识方法,提出了几种自适应加权观测融合Kalman滤波器。分三种不同情形,对本文提出的基于多传感器协同辨识的自校正加权观测融合Kalman滤波器进行了具体描述以及仿真分析,并利用随机序列的遍历性证明了协同辨识方法得到的系统噪声统计以概率1收敛于系统真实值,进而利用该方法得到的自校正加权观测融合Kalman滤波器具有渐近全局最优性。 其次,针对一类非线性多传感器系统,提出了加权观测融合UKF滤波器,证明了应用该方得到的UKF滤波器与集中式观测融合UKF滤波器在数值上具有完全等价性,因而具有全局最优性,而加权观测融合UKF滤波器较集中式观测融合UKF滤波器大大减小了计算负担。考虑到这一类非线性多传感器系统具有未知噪声统计的情形,提出了自适应加权观测融合UKF滤波器,该方法将协同辨识方法与自适应滤波方法相结合,提高了单纯自适应UKF滤波器的稳定性、收敛速度以及准确性。 再次,将加权观测融合算法与预测控制算法相结合,提出了加权观测融合预测控制算法。该方法避免了求解复杂的Diophantine方程,利用Kalman滤波算法得到系统状态的预测,减小了计算负担。而加权观测信息融合的引入,则提高了控制系统的稳定性和精度。 最后,考虑到这一类受控的多传感器系统具有未知噪声统计的情形,提出了自适应加权观测融合预测控制算法。该方法运用了本文提出的协同辨识方法,提高了辨识器的稳定性和准确性,从而提高了受控系统的稳定性和准确性。 本文运用了大量的仿真例子证明了上述方法的有效性。
【学位授予单位】:哈尔滨工程大学
【学位级别】:博士
【学位授予年份】:2011
【分类号】:TN713

手机知网App
【相似文献】
中国期刊全文数据库 前10条
1 金元郁,庞中华,崔红;变时滞系统的滚动自校正控制[J];自动化技术与应用;2005年02期
2 刘恒坤;施小红;常文森;;磁悬浮系统的双环自适应控制器设计与仿真[J];计算机仿真;2006年08期
3 张玉珊;基于单片机的水温自校正控制系统设计与研究[J];新乡师范高等专科学校学报;2002年02期
4 贾兰芳;;基于KALMAN算法的盲空时多用户RAKE接收机[J];长治学院学报;2006年05期
5 李争;时变系统的自校正控制[J];控制与决策;1986年02期
6 张彦军;;时变系统时滞跟踪极点配置自校正控制(改进型TPSC)方法[J];吉林化工学院学报;1992年04期
7 马孜,柴天佑;多变量鲁棒自校正解耦直接算法[J];控制与决策;1993年06期
8 丁锋;谢新民;方崇智;;一类非线性系统的加权自校正控制[J];自动化学报;1993年04期
9 刘立志,刘芳;基于自校正控制的水泥配料微机控制系统[J];基础自动化;1994年01期
10 肖师荣,郑宁,陈云龙;自校正控制在石灰竖窑控制系统中的应用[J];福州大学学报(自然科学版);1999年04期
中国重要会议论文全文数据库 前10条
1 ;Reduced Dimension Measurement Fusion Kalman Filtering Algorithm[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
2 高美娟;张帆;田景文;;基于Kalman滤波的氧化还原电位网络传感器[A];第二十七届中国控制会议论文集[C];2008年
3 宋会杰;屈俐俐;;自适应Kalman滤波在钟差数据处理中的应用[A];第三届中国卫星导航学术年会电子文集——S04原子钟技术与时频系统[C];2012年
4 ;An Improved Unscented Kalman Filter for Projectile's Attitude Determination[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
5 ;High Dynamic Carrier Phase Tracking Based on Adaptive Kalman Filtering[A];Proceedings of the 2011 Chinese Control and Decision Conference(CCDC)[C];2011年
6 贾文静;高媛;邓自立;;自校正观测融合Kalman预报器[A];第二十六届中国控制会议论文集[C];2007年
7 ;Application of Adaptive Kalman Filter Technique in Initial Alignment of Strapdown Inertial Navigation System[A];第二十九届中国控制会议论文集[C];2010年
8 潘倩兮;赵龙;张常云;;自适应Kalman滤波算法在小型无人机自主导航中的应用[A];第二届中国卫星导航学术年会电子文集[C];2011年
9 ;Sensor Fusion of Delay and Non-delay Signal using Unscented Kalman Filter with Moving Covariance[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
10 孙小君;邓自立;;带观测时滞的信息融合Kalman滤波器[A];第二十七届中国控制会议论文集[C];2008年
中国重要报纸全文数据库 前2条
1 晓雅;匈牙利罗马尼亚3G牌照待售[N];人民邮电;2004年
2 记者 王华楠;组合导航定位为农机引路[N];中国技术市场报;2011年
中国博士学位论文全文数据库 前10条
1 郝钢;自校正观测融合Kalman估值器及其在典型跟踪系统中的应用[D];哈尔滨工程大学;2011年
2 王邢波;基于Kalman滤波的无线传感器网络目标跟踪算法的研究[D];山东大学;2011年
3 冉陈键;最优和自校正多传感器加权观测融合卡尔曼滤波器[D];黑龙江大学;2011年
4 崔丽梅;基于一个全球谱模式的集合Kalman滤波同化系统研究[D];中国海洋大学;2010年
5 孙晓琳;基于Kalman滤波和BP神经网络的财务危机动态预警模型研究[D];哈尔滨工业大学;2010年
6 王欣;多传感器广义线性系统最优和自校正加权观测融合估计方法研究[D];哈尔滨工程大学;2011年
7 杨建坤;北方小城镇供热模式分析与热网优化控制的研究[D];同济大学;2007年
8 张玫;线性乘性不确定系统的状态估计和信息融合[D];山东大学;2011年
9 宋轶民;基于神经网络的弹性连杆机构振动主动控制理论、方法与实验研究[D];天津大学;1999年
10 白建波;测试室空调系统自适应控制的研究[D];东南大学;2006年
中国硕士学位论文全文数据库 前10条
1 冯园园;基于Kalman滤波算法的状态估计及风电机组可靠性建模与优化研究[D];北京化工大学;2011年
2 张玉丽;Kalman滤波及其抑制超宽带窄带干扰的应用研究[D];重庆理工大学;2012年
3 傅炜娜;基于Vold-Kalman跟踪滤波的旋转机械阶比分析方法研究[D];重庆大学;2010年
4 刘娜;信息融合量化Kalman滤波器[D];黑龙江大学;2012年
5 赵瑞山;改进的Kalman滤波理论在地表变形预测中的应用[D];辽宁工程技术大学;2012年
6 于丹;基于Kalman滤波器的管道泄漏检测与定位方法研究[D];北京化工大学;2010年
7 赵大建;基于FPGA的Kalman滤波器实现研究[D];南京航空航天大学;2012年
8 匡洋;球—杆系统自校正控制研究及其测控设备的USB驱动程序开发[D];中南大学;2010年
9 吴良健;基于Camshift和Kalman滤波的多目标跟踪算法研究[D];中南民族大学;2010年
10 伍锡锈;动态变形监测中的Kalman滤波方法研究[D];中南大学;2011年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026