论文部分内容阅读
Kalman滤波理论是一种对动态系统进行数据处理的有效方法,它利用观测向量来估计随时间不断变化的状态向量,被广泛应用于各种动态测量系统中。我们常见的滤波是线性模型的标准Kalman滤波。这种线性模型,需要严格的系统条件。如果这些条件在实际中不满足,将使滤波结果失去最优性。当状态转移矩阵和观测矩阵定位不准确时,将使状态估计发生偏倚,影响估计的精度。实际中,由于各种随机因素的影响,线性模型中状态转移矩阵和观测矩阵可能是随机矩阵,具有不确定性。在这种情况下,用标准的Kalman滤波方法将会出现较大的偏移。
状态转移矩阵和量测矩阵是随机阵的线性离散系统出现在许多领域,比如化学过程的数字控制、经济系统和随机抽样的数控系统。上述的系统可转化为一个具有确定系数矩阵的线性动态系统,只是转化后的系统的过程噪声和量测噪声均依赖于状态。由于过程噪声和量测噪声对状态的依赖,标准的卡尔曼滤波条件被破坏,不能直接利用已知的卡尔曼滤波定理得出W.L.De Koning[1]的递推公式。本文证明了在一定的假设下,转化后的系统仍满足标准卡尔曼滤波的三个条件,因此,其状态的最小方差估计问题仍有卡尔曼滤波形式。更重要的是,我们发现该结果可以应用到许多有关卡尔曼滤波的实际问题中。比如应用到具有随机观测的线性系统以及多模型动态过程,得到状态的最优估计,并给出了每种情况下的数值模拟结果。最后,考虑估计融合的问题。各分站是线性模型的情况下,如果各传感器之间的观测噪声彼此无关,最优分布式融合的效果与中心式融合等价。本文证明了当各分站动态系统的系数矩阵是随机阵时,最优分布式随机卡尔曼滤波融合与中心式融合仍等价。