模型参数未知系统的信息融合估计问题研究
对于带未知参数的系统模型，直接进行状态估计是无法实现的。因为系统模型进行状态估计需要模型参数和噪声方差是已知的，因此在进行状态估计之前要对系统模型中的未知参数进行辨识，把参数辨识的结果，带入到系统模型中，然后对系统模型进行状态估计。本论文针对带未知参数的系统模型采用不同的参数辨识方法，以提高参数辨识的精度，其中多新息辨识理论是将新息从单新息扩展到了多新息，以提高数据的利用率来提高参数辨识精度。但是，现在单传感器采集到的信息有时不准确、不全面，无法真实反映系统的特性，所以多传感器信息融合技术在状态估计问题中起着重要作用。 多传感器信息融合是将来自多个传感器的采集信息在某种准则下进行融合估计，使信息经过融合后比单一传感器的估计精度更高，抗干扰能力更强，从而获得多传感器系统的最优融合估计结果。 本文针对不同类型的带未知参数的多传感器系统的研究主要做了包括以下几方面工作: 首先，针对系统矩阵φ带有未知参数的能观能控典范型多传感器系统模型，基于状态空间模型转化为ARMA模型的公式和给出了一般递推最小二乘参数辨识算法，为了提高参数辨识精度，提出了多新息递推最小二乘算法和改进多新息最小二乘算法。在此基础上给出了基于本模型参数辨识结果的Kalman滤波、预报和平滑估计器，并且，给出了分布式状态融合估值器和集中式观测融合估值器的算法。 其次，针对系统矩阵φ和输入矩阵B含有未知参数的能观受控型多传感器系统模型，给出了用于估计系统模型未知参数的递推增广最小二乘算法和迭代最小二乘算法并且给出了基于本章模型的Kalman滤波和预报状态估值器。在此基础上我们给出了基于迭代最小二乘算法的Kalman滤波状态估值器和基于迭代最小二乘算法的Kalman预报状态估值器。为了提高状态估计精度，我们采用加权观测融合算法，给出了多传感器加权观测融合迭代最小二乘算法Kalman滤波估值器和Kalman预报估值器算法的公式。 最后，针对带未知参数的非典范型系统多传感器模型给出了用于模型未知参数辨识的一般辨识算法(recursive general identification algorithm，RGIA)。再次基础上给出了RGIA算法在SISO系统模型的参数辨识算法和RGIA算法在状态空间系统模型的参数辨识算法，在参数辨识结果基础上得到状态估计结果以及RGIA在多传感器系统的状态估计问题。 通过若干仿真例子验证了以上算法的有效性及正确性。
多传感器;信息融合;参数辨识;迭代最小二乘;RGIA算法;状态估计
黑龙江大学
硕士
控制理论与控制工程
石莹
2019
中文
TP212
2019-08-23（万方平台首次上网日期，不代表论文的发表时间）