Resumen

Se aborda el problema de la estimación lineal óptima por mínimos cuadrados para una clase de sistemas estocásticos lineales multisensor en tiempo discreto con medidas perdidas y ruidos autocorrelacionados y cruzados. Las incertidumbres estocásticas en las medidas procedentes de cada sensor (medidas perdidas) se describen mediante variables aleatorias escalares con una distribución de probabilidad discreta arbitraria en el intervalo [0,1]; por tanto, en cada sensor la información puede perderse parcialmente y los diferentes sensores pueden tener diferentes probabilidades de pérdida. Los supuestos de correlación de ruido considerados son (i) el ruido del proceso y todos los ruidos de los sensores están autocorrelacionados en un paso; (ii) los ruidos de los distintos sensores están correlacionados de forma cruzada en un paso; y (iii) el ruido del proceso y el ruido de cada sensor están correlacionados de forma cruzada en dos pasos. Bajo estos supuestos y mediante un enfoque innovador, se derivan algoritmos recursivos para el filtro lineal óptimo utilizando las dos estructuras básicas de fusión de estimaciones; más concretamente, se proponen algoritmos de estimación de fusión centralizados y distribuidos. La precisión de estos estimadores se mide mediante sus matrices de covarianza de errores, lo que nos permite comparar su rendimiento en un ejemplo de simulación numérica que ilustra la viabilidad de los algoritmos de filtrado propuestos y muestra una comparación con otros filtros existentes.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:paso, mediciones perdidas, ruido de proceso, distribución de probabilidad discreta arbitraria, estructuras básicas de fusión de estimaciones, diferentes probabilidades perdidas, diferentes ruidos de sensores, matrices de covarianza de errores, algoritmos de estimación de fusión, problema de estimación lineal
• Keywords:step, missing measurements, process noise, arbitrary discrete probability distribution, basic estimation fusion structures, different missing probabilities, different sensor noises, error covariance matrices, fusion estimation algorithms, linear estimation problem