English
Robust fusion filtering for multi-sensor time-varying uncertain systems_the finite horizon case
文件大小：
2327k
资源说明：在现代先进的系统中，多个同质或异质传感器被空间分布以提供对感兴趣事物的广泛覆盖和多视角观察。如何处理这些传感器采集的大量重叠和互补数据成为一个关键问题。融合滤波技术可以有效地集成这些数据来估计感兴趣的信号。在现有文献中，融合滤波的研究已经成为近年来的一个焦点。大多数现有的研究集中在同质传感器系统上，而在异质传感器系统的研究却相对较少。此外，现有融合方法在传感器数量增加时，往往具有较差的实时性能。
为了处理这一困难，本文在序贯融合框架内提出了一个性能指数函数，该函数被描述为一组包含不定二次不等式的二次不等式集合。通过求解这个二次不等式组，给出了一种序贯鲁棒有限视界H∞融合滤波算法。利用两个时间变化/不变的多传感器系统仿真示例，证明了所提出方法在实时性和滤波精度方面的有效性。
文章首先指出，多个同质或异质传感器的引入在空间分布上提供了对感兴趣事物的大范围覆盖和多样化的视角。这些传感器产生的大量数据中，包含了许多重叠和互补信息，如何处理这些数据成为一个难点。融合滤波技术能够将这些数据有效地集成起来，估计出感兴趣的信号。在文献中，针对同质传感器系统的研究已经进行了广泛探讨，而对异质传感器系统的关注则相对较少。此外，大多数现有的融合方法在传感器数量增加时，实时性能往往不佳。
针对这一问题，文章提出了一个性能指标函数，并将其定义为不定二次不等式。这一问题通过在Krein空间中的投影方法得以解决。基于此，文章提出了一种鲁棒的集中式有限视界H∞融合滤波算法。由于集中式融合方法在传感器数量增多时实时性能较差，因此文章在序贯融合框架内对性能指标函数进行了重新描述，形成了一个不定二次不等式的二次不等式集合，并通过解决这些二次不等式组，给出了序贯鲁棒有限视界H∞融合滤波算法。
文章中还提到了具体的算法实现步骤和相关定理的证明，但由于篇幅限制，这里不再赘述。文章最后通过两个仿真示例展示了所提出方法在实时性和滤波精度方面相对于现有方法的有效性。这两个仿真示例分别针对时间变化和时间不变的多传感器系统，通过仿真验证了算法在处理动态系统时的实际应用效果。
文章所涉及的知识点可以概括为以下几个方面：
1. 多传感器系统的定义及特点：介绍了多传感器系统在现代先进系统中的作用及其数据处理上的复杂性。
2. 融合滤波技术的应用：解释了融合滤波技术如何集成多源数据并估计感兴趣的信号。
3. H∞融合滤波问题的描述：阐述了鲁棒H∞融合滤波问题的数学模型及其在不确定线性时变系统中的应用。
4. Krein空间投影方法：介绍了利用Krein空间中的投影方法求解不定二次不等式。
5. 集中式与序贯式融合滤波算法的区别：阐述了集中式融合滤波算法的局限性以及序贯式融合滤波算法如何克服这一局限。
6. 实时性与滤波精度的权衡：探讨了在多传感器系统中，实时性能与滤波精度之间的平衡问题。
7. 仿真示例与方法验证：通过具体的仿真示例展示了所提出方法的实际应用效果及性能评估。
这些知识点为理解多传感器系统中融合滤波技术的应用提供了重要的理论基础，并为解决工程实践中的实际问题提供了参考方法。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
