最优和自校正广义系统信息融合状态估计算法

For the multisensor linear stochastic descriptor system, applying the weighted measurement fuiosn method and the corvariance intersection fusion method, the information fusion state estiamtors of descriptor system are presented. The estimator based on the weighted measurement fusion algorithm is globally optimal, while the estimator based on the corvariance intersection fusion algorithm is globally sub-optimal. They avoid to compute the the cross-variance of the local estimators in order to reduce the computational burden. For the multisensor linear stochastic descriptor system with unknown model parameters and unknown noise variances, the multi-stage information fusion system identification method is presented. Based on these estimates and the optimal information fusion state estimator of the descriptor system, the self-tuning information fusion state estimator is presented. These presented theory and method can be applied to simulation application and research of descriptor system, such as power sytem, Leontief dynamic input-output model,Hop-field neural network model. This project solves the optimal and self-tuning estimation problem of the multisensor descriptor system, and has important theory and application mean.

对于多传感器线性离散定常广义系统，应用加权观测融合算法和协方差交叉融合算法得到相应的广义系统信息融合状态估值器。基于加权观测融合算法的广义系统估值器能得到全局最优的状态估值器，而基于协方差交叉融合的广义系统状态估值器虽然只能得到全局次优的状态估值器，但该方法避免了计算各个局部估值器之间的互协方差，能显著的减少计算负担。对于带未知模型参数和噪声统计的多传感器线性离散随机广义系统，提出了未知模型参数和噪声统计的多段辨识方法。基于这些未知参数估值和最优的多传感器广义系统状态估值器，提出了自校正多传感器信息融合状态估值器。所提出的理论和方法能广泛应用到电力系统、Leontief动态投入产出模型、Hop-field神经网络模型等广义系统的仿真应用研究中。本项目解决了多传感器广义系统最优的和自校正状态估值问题，具有重要理论意义和应用意义。

对于多传感器线性离散随机广义系统，分别应用加权观测融合方法和协方差交叉融合方法，提出了全局最优的多传感器广义系统加权观测融合Kalman滤波理论和全局次优的多传感器广义系统协方差融合Kalman滤波理论。此Kalman滤波理论克服了其他的多传感器广义系统信息融合状态估计方法中需要计算各个局部估值之间互协方差的问题，能显著的减少计算负担和复杂度。在多传感器广义系统加权观测融合和协方差交叉融合的基础上，对于带未知噪声方差的线性离散广义系统，提出了基于自校正Riccati方程的自校正Kalman滤波理论。它是一种满阶的Kalman滤波器，它与降阶Kalman滤波方法不同，降阶的广义系统Kalman滤波算法需要更强的假设条件。且基于动态误差方差分析方法（DVESA）证明了自校正Riccati方程的收敛性，并基于动态方差分析方法（DESA）证明了广义系统自校正Kalman滤波算法的收敛性或是渐近全局最优性。所提出的多传感器广义系统的最优、次优和自校正Kalman滤波算法能广泛应用到Leontief动态投入产出模型、神经网络模型中，具有重要的理论研究和实际应用意义。