多传感器系统中的稳健估计融合

目前国际上对于多传感器估计融合研究主要集中于线性估计为理论基础的融合，并且假设模型精确知道。为了适应现代高科技、经济、社会、军事等领域迅速发展中出现的各种信息融合问题，迫切需要研究多传感器系统中模型参数信息不确定，或只知道部分统计信息的稳健性参数估计融合。这与传统的信息融合研究的条件、面临的困难和研究手段都不一样。由于模型参数具有不确定性信息（如只知道模型参数隶属的有界集合），我们只能考虑待估参数的稳健性估计。本项目将充分利用国际上稳健估计最新成果，尤其是近年来国际上顶级数学家发展起来的稳健最优化理论和方法，并对本项目中多传感器网络背景带来的新挑战加以创新，结合我们所在团队在前几轮信息融合基金项目研究中积累下来的成功研究方法和成果，采用国际通用和实际常用的极小极大（均方误差或绝对误差）准则，发挥我们在应用数学和信息科学交叉领域多年的优势，力争获得多传感器稳健估计融合创新性成果。

本项目按照原计划研究内容全部完成，主要成果如下：利用最优化理论尤其是半定规划，首先解决了多传感器系统中模型只知道部分统计信息的稳健性参数估计及其融合问题（见成果文章列表国际期刊论文[1]和会议论文[2]）；我们在最小化绝对误差的标准下建立不确定系统最优融合模型，进而将问题转化为凸优化问题。基于多传感器和多算法组合给出了极小化欧氏绝对误差、偏差未知动态系统的状态估计递推算法（已经发表在信息科学顶级学报IEEE Trans. Information Theory（见成果文章列表国际期刊论文[3]））；严格分析了两传感器串联贝叶斯判决系统的传感器通讯方向对系统整体性能的影响，不仅发现了前人文献中仿真得到的，并与工程界“直观”符合的现象不是一般性结论，并通过严格解析方法证明，当信号和噪声都是正态分布时，噪声能量大的传感器向噪声能量小的传感器通信的系统性能并不是总是比相反方向的通信的系统性能好。该结果不仅具有理论意义，而且对传感器系统通讯方向的设计具有明显的指导价值（已经发表在信息科学顶级学报IEEE Trans. Information Theory，见成果文章列表国际期刊论文[4]））；当各传感器有不同步的失序观测，推导出了中心式的当前状态全局最优更新Kalman滤波融合理论及算法，该结果包含了各传感器不同步有序观测为特例（详见国际刊物论文（见成果文章列表国际期刊论文[5]））。对一般的相关传感器律的分布式检测融合系统，严格分析出最优传感器律和最优的融合律同时满足全局或局部最优解的必要条件及统一目标函数，从而给出同时搜索最优传感器律和最优融合律的迭代算法。该系列成果已经在IEEE T. Aerospace and Electronic Systems和Automatica 发表（见成果文章列表国际刊物论文[6]）。