Resumen

Para los sistemas estocásticos discretos lineales con múltiples sensores y estadísticas de ruido desconocidas, se diseñan estimadores en línea de las varianzas del ruido y las covarianzas cruzadas utilizando retroalimentación de medición, descomposición de rango completo y teoría de mínimos cuadrados ponderados. Además, se presenta un filtro de Kalman de fusión de medidas ponderadas autoajustable. Se utiliza la fórmula de Fadeeva para establecer un modelo de innovación ARMA con estadísticas de ruido desconocidas. La función correlacionada de muestreo del modelo de innovación ARMA estacionario y reversible se utiliza para identificar las estadísticas de ruido. Se demuestra que el filtro de Kalman de fusión de medidas ponderadas autoajustable presentado converge al filtro de Kalman de fusión de medidas ponderadas óptimo, lo que significa su optimalidad global asintótica. El resultado de la simulación del sistema de seguimiento de radar muestra la efectividad del algoritmo presentado.

• Materias:Modelado matemático Sistemas estocásticos Productos gráficos Ecuaciones matriciales Métodos de descomposición
• Subjects:Mathematical modeling Stochastic systems Graph products Matrix equations Decomposition methods
• Palabras claves:Lineal; Discreto; Estocástico; Sistemas; Ruido; Filtro de Kalman
• Keywords:Linear; Discrete; Stochastic; Systems; Noise; Kalman filter