对于带未知模型参数和噪声方差的多传感器系统,基于分量按标量加权最优融合准则,提出了自校正解耦融合Kalman滤波器,并应用动态误差系统分析(Dynamic error system analysis,DESA)方法证明了它的收敛性.作为在信号处理中的应用,对带有...对于带未知模型参数和噪声方差的多传感器系统,基于分量按标量加权最优融合准则,提出了自校正解耦融合Kalman滤波器,并应用动态误差系统分析(Dynamic error system analysis,DESA)方法证明了它的收敛性.作为在信号处理中的应用,对带有色和白色观测噪声的多传感器多维自回归(Autoregressive,AR)信号,分别提出了AR信号模型参数估计的多维和多重偏差补偿递推最小二乘(Bias compensated recursive least-squares,BCRLS)算法,证明了两种算法的等价性,并且用DESA方法证明了它们的收敛性.在此基础上提出了AR信号的自校正融合Kalman滤波器,它具有渐近最优性.仿真例子说明了其有效性.展开更多
针对带有外生变量的自回归移动平均模型(Autoregressive moving average with exogenous variable,ARMAX)的参数辨识问题提出一种两阶段辨识方法.首先通过偏差消除最小二乘方法辨识带有外生变量的自回归部分(Autoregressive part with e...针对带有外生变量的自回归移动平均模型(Autoregressive moving average with exogenous variable,ARMAX)的参数辨识问题提出一种两阶段辨识方法.首先通过偏差消除最小二乘方法辨识带有外生变量的自回归部分(Autoregressive part with exogenous variable,ARX),然后采用Durbin方法将移动平均部分(Moving average,MA)的参数辨识问题转换成一个长自回归模型(Long autoregressive,LAR)的参数辨识问题,并利用MA与等价LAR的参数对应关系直接得到MA参数,最后利用辨识出的MA参数计算出噪声方差.与扩展最小二乘法的数值仿真比较验证了这种两阶段辨识方法的有效性.展开更多
文摘针对带有外生变量的自回归移动平均模型(Autoregressive moving average with exogenous variable,ARMAX)的参数辨识问题提出一种两阶段辨识方法.首先通过偏差消除最小二乘方法辨识带有外生变量的自回归部分(Autoregressive part with exogenous variable,ARX),然后采用Durbin方法将移动平均部分(Moving average,MA)的参数辨识问题转换成一个长自回归模型(Long autoregressive,LAR)的参数辨识问题,并利用MA与等价LAR的参数对应关系直接得到MA参数,最后利用辨识出的MA参数计算出噪声方差.与扩展最小二乘法的数值仿真比较验证了这种两阶段辨识方法的有效性.
