多传感器最优估计理论及其应用

本书是关于多传感器数据融合很优估计理论及其应用的一部专著，主要汇集了作者闫莉萍、夏元清、刘宝生、付梦印近十几年来在多传感器数据融合、多速率系统滤波、很优估计理论、组合导航等方面的代表性研究成果。本书涉及的理论和方法有：Kalman滤波及其各种改进算法，异步多速率线性系统、非线性系统的滤波与融合方法，观测数据存在不可靠、随机丢包等故障条件下的数据融合状态估计方法，噪声相关环境下的数据融合方法，以及对上述各种情况鲁棒的组合导航算法等。本书可作为控制科学与工程、信息与通信工程等专业研究生的教学参考书，同时对从事多源信息融合技术研究、目标跟踪与导航算法设计与开发的广大科研工作者和工程技术人员也具有一定的参考价值。

前言
第1章 绪论 1
1.1背景与意义 1
1.2多传感器数据融合的体系结构 2
1.2.1多传感器数据融合的定义 2
1.2.2多传感器数据融合的原理与体系结构 3
1.2.3多传感器数据融合的优缺点 7
1.3多传感器数据融合估计算法分类综述 8
1.3.1采样率系统 9
1.3.2单采样率多传感器数据融合状态估计算法 11
1.3.3多采样率多传感器数据融合状态估计算法 14
1.3.4异步多传感器数据融合估计算法 19
1.3.5噪声相关环境下的数据融合估计算法 20
1.3.6网络环境下的滤波和融合问题 22
1.3.7非线性系统数据融合估计算法 27
1.4组合导航系统与方法概述 30
1.5当前研究热点、难点与未来的研究方向 33
1.6本书的主要内容及章 节安排 34
1.7本章小结 35
第2章 随机离散动态系统的Kalman滤波 36
2.1问题的提出 36
2.2很优均方估计 37
2.2.1很优均方估计的定义 37
2.2.2绒性很优均方估计 38
2.3 Kalman很优滤波基本方程 40
2.3.1系统描述 40
2.3.2离散时间Kalman滤波基本方程 42
2.3.3离散时间Kalman滤波基本方程的直观推导 44
2.3.4离散时间Kalman滤波基本方程的投影法证明 48
2.4Kalman很优预测基本方程 52
2.4.1状态的预测估计 52
2.4.2状态预测估计的修正 53
2.4.3很优增益阵 54
2.4.4误差的无偏性及误差方差阵 55
2.4.5离散系统Kalman很优预测基本方程 56
2.5Kalman很优平滑基本方程 57
2.5.1固定区间很优平滑 58
2.5.2固定点很优平滑 58
2.5.3固定滞后很优平滑 60
2.6扩展Kalman滤波 61
2.6.1围绕标称轨道线性化滤波方法 62
2.6.2围绕滤波值线性化滤波方法 65
2.7本章小结 67
第3章 变速率非均匀采样系统的Kalman滤波 68
3.1引言 68
3.2问题描述 68
3.3非均匀采样系统的Kalman滤波算法 70
3.4算法性能分析 78
3.5仿真实例 80
3.6本章小结 83
第4章 多尺度Kalman滤波及基于多尺度测量预处理的数据融合 84
4.1引言 84
4.2小波分析概述 85
4.2.1小波变换的定义与基本性质 85
4.2.2多尺度分析 88
4.2.3Mallat算法 92
4.3多尺度Kalman滤波 96
4.4基于多尺度测量预处理的数据融合 100
4.4.1系统描述 100
4.4.2信号的多尺度表示 101
4.4.3基于小波变换的多尺度测量预处理 102
4.4.4基于多传感器多尺度测量预处理的信号去噪方法 103
4.5仿真实例 104
4.6本章小结 107
第5章 基于线性系统的多速率传感器数据融合估计 108
5.1引言 108
5.2问题描述 108
5.3线性动态系统的多速率多传感器数据融合估计 110
5.3.1基于状态分块的融合估计算法 110
5.3.2两种分布式数据融合状态估计算法 114
5.4仿真实例 121
5.5本章小结 124
第6章 随机丢包情况下多速率传感器鲁棒融合估计 125
6.1引言 125
6.2问题描述 125
6.3基于不接近观测数据的多速率传感器融合估计算法 126
6.3.1模型约简 126
6.3.2融合算法 130
6.4仿真实例 131
6.5本章小结 136
第7章 时不变线性系统的异步多速率传感器数据融合估计 137
7.1引言 137
7.2问题描述 138
7.3尺度递归融合估计算法 139
7.3.1多尺度状态空间模型 139
7.3.2尺度递归状态融合估计算法141
7.4基于混合式结构的融合估计算法 150
7.5两种分布式融合估计算法 155
7.5.1递归朕邦分布式融合估计 156
7.5.2有反馈分布式融合估计 160
7.6仿真实例 164
7.6.1尺度递归融合估计算法仿真164
7.6.2混合式融合估计算法仿真 168
7.6.3分布式融合估计算法仿真 170
7.7本章小结 175
第8章 时不变系统异步多速率间歇数据的鲁棒融合估计 176
8.1引言 176
8.2问题描述 176
8.3随机丢包下的异步多速率传感器数据融合算法 177
8.4仿真实例 188
8.4.1圆周运动的机动目标跟踪 188
8.4.2目标跟踪系统的状态估计 192
8.5本章小结 196
第9章 时变线性系统的异步多速率传感器数据融合估计 197
9.1引言 197
9.2问题描述 197
9.3基于速率归一化和联邦Kalman滤波的分布式融合估计 198
9.3.1异步多速率系统的速率归一化数学建模 199
9.3.2基于联邦Kalman滤波的数据融合估计 203
9.4异步多速率数据的顺序式融合估计- 205
9.5仿真实例 211
9.5.1基于联邦Kalman滤波的融合估计算法仿真 211
9.5.2顺序式融合估计算法仿真 217
9.6本章小结 219
第10章 异步多速率传感器线性系统的建模与容错融合估计 220
10.1引言 220
10.2问题描述 222
10.3很优状态估计算法 223
10.3.1异步多速率多传感器系统建模 223
10.3.2无故障情况下的数据融合估计 226
10.3.3存在不可靠观测情况T的状态容错融合估计算法 229
10.4状态容错融合估计算法的性能分析 230
10.5仿真实例 233
10.6本章小结 241
第11章 相关噪声环境下的多传感器数据融合 243
11.1引言 243
11.2问题描述 243
11.3很优融合算法 244
11.3.1很优集中式融合 244
11.3.2很优顺序式融合 244
11.3.3很优分布式融合 247
11.4仿真实例 251
11.5本章小结 255
第12章 相关噪声环境下多速率传感器融合估计 257
12.1引言 257
12.2问题描述 258
12.3序贯式融合估计算法 259
12.4分布式融合估计算法 267
12.5仿真实例 274
12.5.1序贯式融合估计算法仿真 274
12.5.2分布式融合估计算法仿真 278
12.6本章小结 282
第13章 噪声统计特性未知情况下的多源信息融合估计 283
13.1引言 283
13.2相关多源信息融合估计算法简述 283
13.2.1广义凸组合融合算法 283
13.2.2基于集合论的松弛切比雪夫中心协方差交叉算法 286
13.2.3基于信息论的快速协方差交叉算法 288
13.2.4容错广义凸组合融合算法 292
13.3两种改进的多源信息融合估计算法 296
13.3.1改进的松弛切比雪夫协方差交叉融合算法 296
13.3.2改进的快速协方差交叉算法 298
13.4仿真实例 299
13.4.1Kalman滤波算法得到局部估计值 299
13.4.2RCC-CI、IT-FCI，DCI仿真分析 300
13.4.3FGCC、CI/CU仿真分析 305
13.4.4改进算法的仿真分析 308
13.5本章小结 310
第14章 非线性系统异步多速率传感器数据融合估计 312
14.1引言 312
14.2问题描述 313
14.3状态融合估计算法 314
14.3.1基于SPKF方法估计非线性时变系统的状态 315
14.3.2基于STF方法估计非线性时变系统的状态 320
14.3.3非线性系统状态估计新算法：SPSTF 324
14.4仿真实例 331
14.5本章小结 339
第15章 非线性系统异步多速率传感器数据容错融合估计 340
15.1引言 340
15.2问题描述 341
15.3异步多速率传感器数据容错融合估计算法 342
15.4仿真实例 348
15.5本章小结 356
第16章 多传感器很优估计理论在导航系统中的应用 357
16.1引言 357
16.2组合导航系统模型 357
16.3多速率系统的鲁棒Kalman滤波及在导航系统中的应用 361
16.4仿真实例 365
16.5本章小结 367
参考文献 368