發(fā)布時間：2018-12-17 23:53

【摘要】：多新息辨識理論是將新息的修正技術(shù)從單新息擴(kuò)展到了新息向量,從而改善參數(shù)估計(jì)精度的有用信息。當(dāng)系統(tǒng)輸入不可信數(shù)據(jù)時,該算法能跳過壞數(shù)據(jù),避開壞數(shù)據(jù)和損失數(shù)據(jù)對系統(tǒng)參數(shù)估計(jì)的影響,得到更精確的參數(shù)估計(jì)。為了進(jìn)一步增強(qiáng)系統(tǒng)的容錯性和準(zhǔn)確性,我們將多新息辨識理論和多傳感器融合技術(shù)相結(jié)合。多傳感器信息融合是將來自多個傳感器的信息進(jìn)行合成,形成一種對被測對象某一特征的表達(dá)式。信息經(jīng)過融合后比單一傳感器的信息更完善、準(zhǔn)確,從而獲得系統(tǒng)狀態(tài)的最優(yōu)融合估計(jì)。本文應(yīng)用多新息辨識理論和多傳感器信息融合技術(shù),對未知參數(shù)系統(tǒng)的研究主要包括以下幾方面:首先,對帶有未知參數(shù)的狀態(tài)空間模型,給出了估計(jì)未知參數(shù)的多新息最小二乘方法和多新息隨機(jī)梯度方法等。運(yùn)用基于狀態(tài)空間模型與ARMA模型之間的轉(zhuǎn)換,將狀態(tài)分量估計(jì)問題轉(zhuǎn)化為信號的估計(jì)問題,并利用多新息的辨識方法,得到系統(tǒng)的參數(shù)估值。其次,對帶有未知參數(shù)系統(tǒng),給出了自校正多新息Kalman狀態(tài)估值器。首先運(yùn)用多新息辨識理論,得到系統(tǒng)的未知模型參數(shù)估值,再將估出來的估值代入到Kalman濾波器中,從而得到帶未知參數(shù)系統(tǒng)的自校正多新息Kalman濾波器。最后,對帶未知參數(shù)的多傳感器系統(tǒng),給出了自校正多傳感器多新息Kalman狀態(tài)估值器。首先運(yùn)用多新息辨識方法得到系統(tǒng)模型參數(shù)的估值,再基于集中式融合、矩陣加權(quán)融合和CI融合方法,從而得到帶未知參數(shù)系統(tǒng)的自校正多傳感器多新息Kalman濾波器。通過Matlab仿真,驗(yàn)證了估值器的有效性。
[Abstract]:The theory of multi-innovation identification is a useful information to improve the accuracy of parameter estimation by extending the modified technique of innovation from single innovation to innovation vector. When the system input untrusted data, the algorithm can skip the bad data, avoid the influence of bad data and lost data on the system parameter estimation, and get more accurate parameter estimation. In order to further enhance the fault tolerance and accuracy of the system, we combine multi-innovation identification theory with multi-sensor fusion technology. Multi-sensor information fusion is a kind of expression that combines the information from multiple sensors to form a feature of the object under test. The information fusion is more perfect and accurate than that of a single sensor, and the optimal fusion estimation of system state is obtained. In this paper, using the theory of multi-innovation identification and multi-sensor information fusion, the research of unknown parameter system mainly includes the following aspects: firstly, the state space model with unknown parameters is studied. The multi-innovation least square method and the multi-innovation random gradient method for estimating unknown parameters are given. Based on the transformation between state space model and ARMA model, the state component estimation problem is transformed into the signal estimation problem, and the parameter estimation of the system is obtained by using the multi-innovation identification method. Secondly, a self-tuning multi-innovation Kalman state estimator is given for the system with unknown parameters. First, using the theory of multi-innovation identification, the parameter estimates of the unknown model of the system are obtained, and then the estimated estimates are added to the Kalman filter to obtain the self-tuning multi-innovation Kalman filter for the system with unknown parameters. Finally, a self-tuning multi-sensor multi-innovation Kalman state estimator is presented for multi-sensor systems with unknown parameters. The estimation of system model parameters is obtained by using multi-innovation identification method, and then based on centralized fusion, matrix weighted fusion and CI fusion, a self-tuning multi-sensor multi-innovation Kalman filter with unknown parameters is obtained. The effectiveness of the estimator is verified by Matlab simulation.
【學(xué)位授予單位】：黑龍江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP212;TN713

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 樊亞文;馬娟;;基于黑板結(jié)構(gòu)的信息融合專家系統(tǒng)在水質(zhì)監(jiān)測中的應(yīng)用[J];安徽水利水電職業(yè)技術(shù)學(xué)院學(xué)報(bào);2006年02期

2 吳才成;測試系統(tǒng)中的數(shù)據(jù)融合技術(shù)[J];車輛與動力技術(shù);2005年03期

3 秦志強(qiáng);數(shù)據(jù)融合技術(shù)及其應(yīng)用[J];兵工自動化;2003年05期

4 黃濤,夏佩倫;潛艇多信息源目標(biāo)融合識別模型[J];兵工自動化;2004年03期

5 安振宙;魯小強(qiáng);岳潤峰;;基于模糊評判模型的射擊成績評價方法[J];兵工自動化;2006年05期

6 唐大全;畢波;王旭尚;李飛;沈?qū)?;基于BP神經(jīng)網(wǎng)絡(luò)的艦載機(jī)著艦信號融合方法[J];兵工自動化;2011年02期

7 胡士強(qiáng),張?zhí)鞓?多傳感器在線自適應(yīng)加權(quán)融合跟蹤算法[J];北京理工大學(xué)學(xué)報(bào);2002年01期

8 陳文頡,竇麗華,陳杰,杜麗輝;融合多特征信息的模式識別方法[J];北京理工大學(xué)學(xué)報(bào);2002年02期

9 劉耦耕,賀素良,羅飛,舒小華;信息融合技術(shù)及其在包裝工業(yè)中的應(yīng)用[J];包裝工程;2004年02期

10 鄭文恩,孫堯;基于多源信息融合的潛艇目標(biāo)識別方法研究[J];船舶工程;2004年02期

相關(guān)博士學(xué)位論文 前10條

1 孟凡彬;基于隨機(jī)集理論的多目標(biāo)跟蹤技術(shù)研究[D];哈爾濱工程大學(xué);2010年

2 湯春瑞;水下目標(biāo)聲圖像多分辨率分析及識別研究[D];哈爾濱工程大學(xué);2009年

3 姜延吉;多傳感器數(shù)據(jù)融合關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2010年

4 李先鋒;基于特征優(yōu)化和多特征融合的雜草識別方法研究[D];江蘇大學(xué);2010年

5 王志穎;復(fù)雜裝備智能機(jī)內(nèi)測試技術(shù)研究[D];電子科技大學(xué);2011年

6 張壽明;基于冶煉過程及終點(diǎn)判斷技術(shù)的煙化爐智能控制系統(tǒng)研究[D];昆明理工大學(xué);2009年

7 趙雷剛;發(fā)動機(jī)臺架試驗(yàn)過程實(shí)時監(jiān)測與預(yù)警方法研究[D];武漢理工大學(xué);2010年

8 鄢煜塵;基于信息融合的中文筆跡鑒別研究[D];武漢大學(xué);2009年

9 勾軼;基于免疫算法和多傳感器信息融合的電機(jī)故障綜合診斷方法研究[D];沈陽工業(yè)大學(xué);2010年

10 朱航;基于多源遙感信息融合的作物營養(yǎng)狀況監(jiān)測與噴灑控制系統(tǒng)的研究[D];吉林大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 何慧娟;基于多傳感器的移動機(jī)器人障礙物檢測與定位研究[D];安徽工程大學(xué);2010年

2 李超;基于手機(jī)浮動車的高速公路交通流監(jiān)控系統(tǒng)研究與設(shè)計(jì)[D];山東科技大學(xué);2010年

3 焉杰;多傳感器時滯系統(tǒng)信息融合及其仿真[D];山東科技大學(xué);2010年

4 張明軍;基于小波包最優(yōu)樹的圖像融合技術(shù)研究[D];山東科技大學(xué);2010年

5 李朋勇;基于全矢高階譜的故障診斷方法及其應(yīng)用研究[D];鄭州大學(xué);2010年

6 裴銀肖;貝葉斯博弈信息融合模型及算法的研究和應(yīng)用[D];鄭州大學(xué);2010年

7 王宏磊;SNMP安全態(tài)勢信息獲取及分析技術(shù)[D];哈爾濱工程大學(xué);2010年

8 王玉波;基于基本概率賦值調(diào)整的數(shù)據(jù)融合方法及應(yīng)用[D];大連理工大學(xué);2010年

9 胡雅馨;基于粗糙集與證據(jù)理論的瓦斯傳感器故障診斷技術(shù)的研究[D];遼寧工程技術(shù)大學(xué);2009年

10 朱留軍;車輛導(dǎo)航系統(tǒng)中GPS/DR/MM組合定位技術(shù)的研究[D];遼寧工程技術(shù)大學(xué);2009年

，

本文編號：2384964