[01362296]最优和自校正广义系统信息融合状态估计算法
交易价格:
面议
所属行业:
类型:
非专利
交易方式:
资料待完善
联系人:
所在地:
- 服务承诺
- 产权明晰
-
资料保密
对所交付的所有资料进行保密
- 如实描述
技术详细介绍
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、op-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、op-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。