多传感器估计与决策融合

【摘要】： 多传感器数据融合分两大类：估计融合，决策融合。在估计融合问题中，讨论了估计融合的中心式，分布式和混合融合结构；介绍了三种结构的统一线性模型和基本框架及中心式，分布式融合律；研究了分布式与中心式对线性无偏估计(BLUE)，最优加权极小方差估计(WLS)性能比；给出了最优分布式与中心式性能等价的充要条件和分布式融合与中心式融合相对效率比的测度量。文还研究了扩展遗忘因子递推LS估计方法，解决了卡尔曼滤波存在的问题，此估计方法同样具有分布式最优融合律，且存在递推算法。 在多传感器决策融合问题中，研究了相关观测噪音情况下多传感器Neyman-Pearson型序贯判决；得出了固定融合率下的最优传感器压缩率。它是固定融合率下，新型中心式Neyman-Pearson型序贯判决结果的扩展。新判决方法与传统Wald序贯判决相比具有以下优点： ◇更充分利用两个允许犯错误概率，使停时期望更小； ◇确保判决停时依概率1存在有限上界。 计算机模拟结果对理论分析是有力的例证。