内容简介: 《鲁棒融合估计理论及应用》系统地介绍了由邓自立教授等提出的混合不确定多传感器网络化系统的鲁棒融合估计新方法、新理论及应用。新方法包括基于虚拟噪声技术和广义Lyapunov方程的极大极小鲁棒融合Kalman滤波方法和改进的协方差交叉融合鲁棒Kalman滤波方法。新理论包括通用的极大极小鲁棒融合Kalman滤波理论;通用的协方差交叉融合鲁棒Kalman滤波理论;鲁棒融合白噪声反卷积滤波理论;鲁棒融合估值器按实现收敛性理论。内容包括局部、集中式和分布式融合,状态融合与观测融合,加权融合,协方差交叉融合鲁棒Kalman估值器,以及它们的鲁棒性分析、精度分析、收敛性分析和算法复杂性分析。
《鲁棒融合估计理论及应用》反映了鲁棒融合估计领域的新研究成果,并含有大量仿真应用例子,可作为高等学校信息科学与技术和控制科学与工程有关专业研究生的教材或参考书,且对在信号处理、控制、航天、深空探测、导航、制导、目标跟踪、无人机、机器人、卫星定位、遥感、移动通信、石油地震勘探等领域从事不确定网络化系统鲁棒融合估计理论及应用的科研和工程技术人员也有重要参考价值。
前言
1960年美国学者R.E.Kalman创立了基于时域状态空间模型和投影理论的最优递推滤波(Kalman滤波)理论。由于滤波算法是递推的,便于实时应用,因而立刻受到工程界的重视。它已被成功且广泛地用于包括阿波罗登月计划和C-5A飞机导航系统设计等许多领域,成为信号处理和系统状态估计的基本工具。
但是经典最优Kalman滤波局限性是要求假设系统的数学模型(包括模型参数和噪声方差)是精确已知的。然而在许多实际应用问题中,由于建模误差或未建模动态、随机干扰等原因,系统不可避免地存在建模不确定性。所谓不确定性是指对系统了解不全面,只知道不准确的、片面的或不完整的信息。对确定参数的随机扰动(乘性噪声)称为随机的参数不确定性,而噪声方差的不确定性可用确定的不确定性来描写,即它是不确定的,但有已知确定的保守上界。对不确定系统应用经典Kalman滤波器将引起滤波性能变坏,甚至导致滤波发散。因此,近20年来对不确定系统的鲁棒滤波理论的研究受到特别关注。它的目的是设计一个固定的滤波器,对所有容许(可能)的不确定性,其实际滤波误差方差都满足期望的性能(例如有最小上界,或满足预置的精度指标等)。这种滤波器称为鲁棒滤波器,这种保持期望性能的不变性称为鲁棒性(Robustness)或稳健性。稳寓意不变,而健寓意保持。中国古代孙子兵法中军事谋略以静待哗就体现了稳健性。这是指处变不惊,静观其变,用镇定法对付敌军的躁动。鲁棒性是指系统的某种性能在不确定干扰下的不变性。
鲁棒滤波器具有以不变应万变的性质。所谓以不变是指滤波器保持期望的性能不变,应万变是指对所有容许的不确定性。鲁棒性也可形象地比喻为任凭风浪起,稳坐钓鱼船。任凭风浪起是指所有容许的不确定性,稳坐钓鱼船是比喻滤波器保持期望的性能不变,不受不确定性影响。用集合论观点解释,例如对带不确定乘性噪声、过程噪声和观测噪声方差系统,对每一组容许的噪声方差,都规定了系统的一个数学模型,相应于所有容许的不确定噪声方差,不确定系统可用相应的一族数学模型(模型的集合)来描写。因此,鲁棒滤波的研究对象不是一个数学模型,而是由不确定性引起的一族数学模型。这从本质上区别于经典Kalman滤波。经典Kalman滤波的研究对象是一个精确已知的数学模型。设计鲁棒滤波器的目的是设计一个固定的滤波器,使其对这个模型族中的每一个数学模型,都有相应的实际滤波误差方差满足期望的性能。
目录
第1章 绪论
1.1 引言
1.2 多传感器最优信息融合Kalman滤波
1.2.1 集中式融合与分布式融合方法
1.2.2 状态融合与观测融合方法
1.3 不确定系统鲁棒Kalman滤波
1.3.1 系统的不确定性
1.3.2 噪声方差不确定性
1.3.3 模型参数不确定性
1.3.4 系统观测不确定性
1.3.5 鲁棒性
1.4 鲁棒Kalman滤波方法
1.4.1 Riccati方程方法
1.4.2 线性矩阵不等式(LMI)方法
1.4.3 极大极小鲁棒滤波方法
1.4.4 最优鲁棒滤波方法
1.4.5 协方差交叉(CI)融合鲁棒Kalman滤波方法
1.5 鲁棒Kalman滤波研究现状
1.5.1 仅含不确定噪声方差系统鲁棒Kalman滤波
1.5.2 仅含范数有界不确定参数系统鲁棒Kalman滤波
1.5.3 仅含乘性噪声系统鲁棒Kalman滤波
1.5.4 混合不确定网络化系统最优鲁棒Kalman滤波
1.5.5 混合不确定网络化系统极大极小鲁棒融合Kalman滤波
1.6 极大极小鲁棒融合估计理论及应用、方法论、主要贡献和创新
1.6.1 本书最新研究成果
1.6.2 主要贡献和创新
1.7 面临的挑战性问题
参考文献
第2章 最优估计方法
2.1 WLS估计方法
2.2 LUMV估计方法
2.3 LMV估计方法正交投影方法,新息分析方法
2.4 最优加权状态融合估计方法
2.4.1 按矩阵加权最优状态融合估计方法
2.4.2 按标量加权最优状态融合估计方法
2.4.3 按对角阵加权最优状态融合估计方法
2.5 最优加权观测融合估计方法
2.5.1 加权观测融合数据压缩准则
2.5.2 加权观测融合算法
2.5.3 加权观测融合算法的全局最优性
参考文献
……
第3章 最优Kalman滤波
第4章 鲁棒融合Kalman滤波新方法和关键技术
第5章 不确定系统改进的CI融合鲁棒Kalman估值器
第6章 带混合不确定性网络化系统加权状态融合鲁棒Kalman估值器
第7章 不确定多模型系统加权状态融合鲁棒Kalman估值器
第8章 带乘性噪声和丢包的混合不确定网络化系统鲁棒Kalman滤波
第9章 带乘性噪声和丢失观测的混合不确定网络化系统鲁棒融合器
第10章 混合不确定系统鲁棒融合白噪声反卷积
第11章 混合不确定网络化系统保性能鲁棒融合稳态Kalman滤波