本文考虑非高斯噪声下传感器网络的状态估计问题.在机动目标跟踪、室内定位、水声导航等应用中,传感器的非高斯噪声会造成针对高斯噪声设计的常规状态估计算法精度下降.在现有针对单传感器系统的基于多变量Laplace(Multivariate Laplace...本文考虑非高斯噪声下传感器网络的状态估计问题.在机动目标跟踪、室内定位、水声导航等应用中,传感器的非高斯噪声会造成针对高斯噪声设计的常规状态估计算法精度下降.在现有针对单传感器系统的基于多变量Laplace(Multivariate Laplace,ML)鲁棒状态估计(Robust State Estimation based on ML,RSE-ML)算法基础上,本文借助信息滤波的特点,推导了针对多传感器系统的集中式RSE-ML(Centralized RSE-ML,CRSE-ML)算法,进一步利用一致性平均得到分布式RSE-ML(Distributed RSE-ML,DRSE-ML)算法.本文提出的DRSE-ML算法中利用ML建模非高斯噪声,借助变分贝叶斯方法估计噪声和状态参数,采用一致性算法进行分布式信息交互,克服了集中式算法通信和计算负担重的缺点,且具有自由参数少、估计精度高的特点.仿真结果表明,所提出的DRSE-ML算法估计精度优于现有相关算法,且能逼近集中式CRSE-ML算法的估计精度.展开更多
为降低实际应用中由强未知干扰和仪器故障对观测造成的影响,减轻随机和未建模干扰对系统的侵蚀,从而提升系统在非高斯噪声环境下的状态估计精度,提高滤波器的鲁棒性能,提出了一种基于高斯-重尾切换分布的鲁棒卡尔曼滤波器(Gaussian-heav...为降低实际应用中由强未知干扰和仪器故障对观测造成的影响,减轻随机和未建模干扰对系统的侵蚀,从而提升系统在非高斯噪声环境下的状态估计精度,提高滤波器的鲁棒性能,提出了一种基于高斯-重尾切换分布的鲁棒卡尔曼滤波器(Gaussian-heavy-tailed switching distribution based robust Kalman filter,GHTSRKF)。首先,通过自适应学习高斯分布和一种重尾分布之间的切换概率将噪声建模为GHTS(Gaussian-heavy-tailed switching)分布,所设计的GHTS分布可以通过在线调整高斯分布和新的重尾分布之间的切换概率来对非平稳重尾噪声进行建模,具有虚拟协方差的高斯分布用于处理协方差矩阵不准确的高斯噪声。其次,引入两个分别服从Categorical分布与伯努利分布的辅助参数将GHTS分布表示为一个分层高斯形式,进一步利用变分贝叶斯方法推导了GHTSRKF。最后,利用一个仿真场景对几种不同的RKFs(robust Kalman filters)进行了对比验证。结果表明,所提出的GHTSRKF算法的估计精度对初始状态的选取不敏感,精度优于其他RKFs,它的RMSEs最接近噪声信息准确的KFTNC(KF with true noise covariances)的RMSEs(root mean square errors),且当系统与量测噪声是未知时变高斯噪声时,相比于现有的滤波器,GHTSRKF具有更好的估计性能,从而验证了GHTSRKF的有效性。展开更多
文摘本文考虑非高斯噪声下传感器网络的状态估计问题.在机动目标跟踪、室内定位、水声导航等应用中,传感器的非高斯噪声会造成针对高斯噪声设计的常规状态估计算法精度下降.在现有针对单传感器系统的基于多变量Laplace(Multivariate Laplace,ML)鲁棒状态估计(Robust State Estimation based on ML,RSE-ML)算法基础上,本文借助信息滤波的特点,推导了针对多传感器系统的集中式RSE-ML(Centralized RSE-ML,CRSE-ML)算法,进一步利用一致性平均得到分布式RSE-ML(Distributed RSE-ML,DRSE-ML)算法.本文提出的DRSE-ML算法中利用ML建模非高斯噪声,借助变分贝叶斯方法估计噪声和状态参数,采用一致性算法进行分布式信息交互,克服了集中式算法通信和计算负担重的缺点,且具有自由参数少、估计精度高的特点.仿真结果表明,所提出的DRSE-ML算法估计精度优于现有相关算法,且能逼近集中式CRSE-ML算法的估计精度.
文摘为降低实际应用中由强未知干扰和仪器故障对观测造成的影响,减轻随机和未建模干扰对系统的侵蚀,从而提升系统在非高斯噪声环境下的状态估计精度,提高滤波器的鲁棒性能,提出了一种基于高斯-重尾切换分布的鲁棒卡尔曼滤波器(Gaussian-heavy-tailed switching distribution based robust Kalman filter,GHTSRKF)。首先,通过自适应学习高斯分布和一种重尾分布之间的切换概率将噪声建模为GHTS(Gaussian-heavy-tailed switching)分布,所设计的GHTS分布可以通过在线调整高斯分布和新的重尾分布之间的切换概率来对非平稳重尾噪声进行建模,具有虚拟协方差的高斯分布用于处理协方差矩阵不准确的高斯噪声。其次,引入两个分别服从Categorical分布与伯努利分布的辅助参数将GHTS分布表示为一个分层高斯形式,进一步利用变分贝叶斯方法推导了GHTSRKF。最后,利用一个仿真场景对几种不同的RKFs(robust Kalman filters)进行了对比验证。结果表明,所提出的GHTSRKF算法的估计精度对初始状态的选取不敏感,精度优于其他RKFs,它的RMSEs最接近噪声信息准确的KFTNC(KF with true noise covariances)的RMSEs(root mean square errors),且当系统与量测噪声是未知时变高斯噪声时,相比于现有的滤波器,GHTSRKF具有更好的估计性能,从而验证了GHTSRKF的有效性。
