4) combined states estimation
联合状态估计
1.
To avoid the problems brought by the sensors installation, a novel combined states estimation method is proposed, which can estimate the rotation speed, load torque and rotor flux of the two motors simultaneously.
为避免传感器安装带来的问题,提出一种新型的联合状态估计方法实现双电机转速、转矩和磁链的同时估计。
5) Estimation Fusion
估计融合
1.
Estimation Fusion of Integrated Navigation Based on Simple Convex Combination;
基于简单凸联合的组合导航估计融合方法
2.
Application of Decision Fusion for Sensor Data Quantization in Estimation Fusion and Decision Fusion with Fading Channels;
决策融合在估计融合传感器量化问题中的应用及衰减信道下的决策融合问题
3.
The adaptive Kalman filter is used to track a maneuvering target under the system of the distributed estimation fusion.
针对多传感器分布式估计融合系统,利用这种自适应技术给出了一种自适应Kalman滤波的融合方法,它具有与中心式相近的跟踪性能。
6) fusion estimation
融合估计
1.
By combining the strong tracking filtering theory with data fusion estimation approaches, we put forward a new fusion estimation algorithm of multi sensor based on strong tracking filter.
将强跟踪滤波理论与多传感器数据融合估计方法相结合 ,提出基于强跟踪滤波器的多传感器数据融合估计新算法。
2.
By combining the model_based multiscale analysis with multisensor data fusion techniques, based on a state model given at a certain scale and multisensor distributing dynamic models, we proposed a new algorithm on multiscale fusion estimation.
将信号的多尺度分析方法与多传感器数据融合技术相结合 ,基于某一尺度上给定的状态模型和在不同尺度上拥有不同采样率的多传感器分布式动态系统 ,提出了一种新的基于Kalman滤波的多尺度融合估计算法 ;在最细尺度上获得了基于全局信息的融合估计值 ;计算机仿真验证了算法的有效性 。
3.
By combining the strong tracking filtering theory with data fusion estimation technology,a new joint state and parameter estimation algorithm of multisensor based on strong tracking filter is proposed.
本文将强跟踪滤波理论与多传感器数据融合技术相结合 ,提出基于强跟踪滤波器的多传感器状态与参数联合估计新算法 ;对拥有相同采样率的分布式多传感器单模型非线性动态系统 ,应用强跟踪滤波器 ,得到目标状态基于全局信息融合估计结果 ,并利用计算机仿真结果对算法的有效性进行了验证 ;这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题 ,从而丰富和发展了多源信息融合理
补充资料：分散系统的状态估计
对分散系统中受噪声干扰的状态量在一定的统计意义下作出最优估计的信息处理技术，简称分散状态估计或分散卡尔曼滤波。对含有随机扰动和测量噪声的分散系统进行控制,要解决两个问题：一是状态估计,一是最优控制。对于这类系统用集中的方法进行状态估计和最优控制是有困难的。通常是把大系统分解为若干子系统用分散的方法解决。这就出现了分散状态估计问题。在有些要求进行状态估计的应用场合，用整体卡尔曼滤波时要求的计算量过大，集中信息有实际困难，可以人为地将问题转换为分散滤波来解决。
受噪声干扰的状态量是个随机量，不可能测得精确值，但可对它进行一系列观测，并依据一组观测值，按某种统计观点对它进行估计。使估计值尽可能准确地接近真实值，这就是最优估计。真实值与估计值之差称为估计误差。若估计值的数学期望与真实值相等，这种估计称为无偏估计。估计值的方差越小，表示估计值取其数学期望的概率越大。因此，分散系统状态估计问题就是：设计一个分散滤波器，它由若干个局部滤波器组成，每一局部滤波器均有自已的输入，要求确定各局部滤波器的输出，使某种整体的性能指标为最小（见图）。图中局部滤波器的输入y包括系统模型数据和在线测量数据。局部滤波器的输出 憫即为状态估计，它是无偏估计。x为状态量，u为从其他子系统来的耦合量。图为两个子系统的情况。通常，人们常用估计误差的方差作为整体的性能指标。
所选用的滤波器的信息结构不同就构成不同的滤波器。信息结构是完全集中模式时,对应的滤波器称为整体卡尔曼滤波器。这时没有信息流的约束，可利用系统模型和在线信息的全部数据，因而滤波性能最好。性能指标值记为JG。但除非确能实现集中模式，否则它只能作为与其他型式滤波器进行比较的标准。当信息结构是完全分散时,对应的滤波器称为确实局部无偏滤波器。这时只采用描述本子系统模型的信息和在线信息，各局部滤波器之间没有信息交换。这种滤波器的结构简单，要求的信息量最少。但滤波性能因缺少整体信息而下降。性能指标值记为JSLU。当局部滤波器可使用整体系统模型信息但只能用本局部滤波器在线信息时，对应的滤波器称为局部化整体动态滤波器。这种滤波器因使用整体模型信息，性能较好，但滤波器复杂，不易实现，而且需要有一个大容量的数据库，用以存储整体系统模型的数据。性能指标记为JLGD。一种较可取的信息结构是允许局部滤波器之间有部分信息交换(图中用s表示),即在确实局部无偏滤波器的基础上扩充各局部滤波器占有的信息，互相交换彼此的输入和输出值。对应的滤波器称为扩充确实局部无偏滤波器。这样既能基本上保持确实局部无偏滤波器的结构简单,又能适当改善滤波性能。性能指标记为JESLU。比较上面四种滤波器的性能可得JG≤JLGD≤JSLU，JG≤JESLU≤JSLU。至于选择JLGD还是JESLU，则取决于系统的特点和扩充时提出的特定要求。
计算最优分散滤波器如不用简化模型是很困难的，因为这时会产生二次推测现象(见大系统分散控制理论)。求解方法通常与标准卡尔曼-布什滤波方法相似。先根据所选的信息结构简化模型，写出并求解卡尔曼滤波方程，再通过解矩阵黎卡提方程而求得滤波增益表示式中的估计误差协方差矩阵。但这样得到的结果是次优的。还有一种颇有吸引力的整体滤波器的分散算法，它使用一种递阶结构。在线性高斯情况下，利用整体滤波器的递推性质和正交投影的方法，对低阶子系统依次逐个地进行正交化计算。利用这样的逐次正交化程序，可节省大量的计算量。系统维数越高作用越显著。
参考书目
M.G.辛格著，李敉安、邝硕等译，陈珽校：《大系统的动态递阶控制》，科学出版社，北京，1983。（M.G.Singh， Dynamical Hierarchical Control， North-Holland Publ.Co., Amsterdam, 1980.）
受噪声干扰的状态量是个随机量，不可能测得精确值，但可对它进行一系列观测，并依据一组观测值，按某种统计观点对它进行估计。使估计值尽可能准确地接近真实值，这就是最优估计。真实值与估计值之差称为估计误差。若估计值的数学期望与真实值相等，这种估计称为无偏估计。估计值的方差越小，表示估计值取其数学期望的概率越大。因此，分散系统状态估计问题就是：设计一个分散滤波器，它由若干个局部滤波器组成，每一局部滤波器均有自已的输入，要求确定各局部滤波器的输出，使某种整体的性能指标为最小（见图）。图中局部滤波器的输入y包括系统模型数据和在线测量数据。局部滤波器的输出 憫即为状态估计，它是无偏估计。x为状态量，u为从其他子系统来的耦合量。图为两个子系统的情况。通常，人们常用估计误差的方差作为整体的性能指标。
所选用的滤波器的信息结构不同就构成不同的滤波器。信息结构是完全集中模式时,对应的滤波器称为整体卡尔曼滤波器。这时没有信息流的约束，可利用系统模型和在线信息的全部数据，因而滤波性能最好。性能指标值记为JG。但除非确能实现集中模式，否则它只能作为与其他型式滤波器进行比较的标准。当信息结构是完全分散时,对应的滤波器称为确实局部无偏滤波器。这时只采用描述本子系统模型的信息和在线信息，各局部滤波器之间没有信息交换。这种滤波器的结构简单，要求的信息量最少。但滤波性能因缺少整体信息而下降。性能指标值记为JSLU。当局部滤波器可使用整体系统模型信息但只能用本局部滤波器在线信息时，对应的滤波器称为局部化整体动态滤波器。这种滤波器因使用整体模型信息，性能较好，但滤波器复杂，不易实现，而且需要有一个大容量的数据库，用以存储整体系统模型的数据。性能指标记为JLGD。一种较可取的信息结构是允许局部滤波器之间有部分信息交换(图中用s表示),即在确实局部无偏滤波器的基础上扩充各局部滤波器占有的信息，互相交换彼此的输入和输出值。对应的滤波器称为扩充确实局部无偏滤波器。这样既能基本上保持确实局部无偏滤波器的结构简单,又能适当改善滤波性能。性能指标记为JESLU。比较上面四种滤波器的性能可得JG≤JLGD≤JSLU，JG≤JESLU≤JSLU。至于选择JLGD还是JESLU，则取决于系统的特点和扩充时提出的特定要求。
计算最优分散滤波器如不用简化模型是很困难的，因为这时会产生二次推测现象(见大系统分散控制理论)。求解方法通常与标准卡尔曼-布什滤波方法相似。先根据所选的信息结构简化模型，写出并求解卡尔曼滤波方程，再通过解矩阵黎卡提方程而求得滤波增益表示式中的估计误差协方差矩阵。但这样得到的结果是次优的。还有一种颇有吸引力的整体滤波器的分散算法，它使用一种递阶结构。在线性高斯情况下，利用整体滤波器的递推性质和正交投影的方法，对低阶子系统依次逐个地进行正交化计算。利用这样的逐次正交化程序，可节省大量的计算量。系统维数越高作用越显著。
参考书目
M.G.辛格著，李敉安、邝硕等译，陈珽校：《大系统的动态递阶控制》，科学出版社，北京，1983。（M.G.Singh， Dynamical Hierarchical Control， North-Holland Publ.Co., Amsterdam, 1980.）
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条