导读:本文包含了带观测噪声系统论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:噪声,系统,卡尔,广义,卷积,算法,信息。
带观测噪声系统论文文献综述
宋婉娟,张剑[1]（2019）在《观测噪声方差变化条件下系统状态估计方法》一文中研究指出针对观测噪声方差时变情况下,非线性系统状态估计精度不高的问题,提出了一种改进的容积卡尔曼滤波方法。该方法首先采用变分贝叶斯滤波对系统的状态和观测噪声进行在线实时估计,保证了最新观测信息对参量的修正作用;接着,将估计的结果引入到传统容积卡尔曼滤波框架内实现非线性系统状态的迭代估计。仿真结果表明,该方法较好地改善了噪声统计特性时变情况下的估计精度,有效扩展了容积卡尔曼滤波在非线性系统状态估计方法中的应用范围。(本文来源于《探测与控制学报》期刊2019年05期）
李恒,李怀敏,李军,曹红兵[2]（2017）在《对于目标跟踪系统的未知观测噪声的信息融合多步估计算法》一文中研究指出对于一个目标跟踪系统,当用多个传感器对其进行跟踪时,针对传感器观测过程中存在的未知观测噪声,该文提出一种信息融合多步估计算法.该算法第1步将状态方程转化为自回归滑动平均模型(ARMA模型)形式,第2步对ARMA模型用递推增广最小二乘法估计出未知参数的估值,第3步用相关函数法得到对未知观测噪声的无偏估计.最后用数学方法证明了估值相对于真实值在数学意义上的收敛性,并用Matlab对一个例子做了仿真.(本文来源于《曲阜师范大学学报(自然科学版)》期刊2017年01期）
李恒,韩波,赵正平,李怀敏[3]（2016）在《对于带未知有色观测噪声的反卷积系统的信息融合辨识》一文中研究指出针对一种反卷积系统,基于自回归滑动平均模型(ARMA模型),当观测噪声为一种特定的有色噪声时,提出一种辨识算法,该算法的核心是用逐阶次讨论相关函数的方法得出相应的有解线性方程组,利用该算法可以得到对有色噪声模型参数的无偏估计.为了提高估计的精确度,多传感器信息融合理论被用在其中.证明了估计的收敛性,并用一个Matlab仿真例子作了说明.(本文来源于《通化师范学院学报》期刊2016年04期）
李恒,王浩,韩波,曹红兵,李怀敏[4]（2016）在《对于一个带未知观测噪声的反卷积系统的信息融合估计算法》一文中研究指出对于一个带未知观测噪声的反卷积系统,在部分参数未知的前提下,提出了一种信息融合估计算法。使用该算法可首先得到对未知参数的无偏融合估计,并可得到对未知观测噪声的无偏融合估计,最后证明估计的收敛性,并用Matlab仿真实例对算法的有效性进行证明。(本文来源于《廊坊师范学院学报(自然科学版)》期刊2016年01期）
曹忠,李钰,王圣伟[5]（2015）在《基于观测噪声实时估计的卡尔曼滤波车窗防夹系统研究》一文中研究指出卡尔曼滤波可有效解决电机参数变化对车窗防夹控制性能的影响。然而,由于观测噪声往往是未知并且随时间变化,这对基于卡尔曼滤波的车窗防夹控制系统性能有着重要的影响。本文利用小波变换可以对信号和噪声进行分离的特性,提出了一种基于观测噪声实时估计的电动车窗防夹控制方法。在Matlab环境下进行了建模和仿真,结果表明本文算法可以有效实现对观测噪声的实时估计,在不同的噪声条件下都达到了较好的控制效果。(本文来源于《华东理工大学学报(自然科学版)》期刊2015年03期）
柳毅,赵振宇,丁全心,李建勋[6]（2013）在《带有色观测噪声的系统状态参数鲁棒估计》一文中研究指出针对非平稳观测系统的噪声,考虑了白噪、色噪声和尖点噪声同时存在的情况,通过变形转化,将系统噪声表示成白噪的形式,首次给出了统一的观测方程。转化后的观测方程在色噪声ARMA辨识基础上,可以直接用于传统的卡尔曼滤波算法,避免了扩维滤波。于是状态参数的稳健估计归结为ARMA参数的辨识问题。通过鲁棒支持向量回归机辨识ARMA参数,根据噪声特性选择合适的损失函数自由参数,从而实现了ARMA参数的鲁棒辨识。(本文来源于《系统仿真学报》期刊2013年02期）
于宇[7]（2010）在《带乘性噪声广义系统观测噪声的最优估计方法研究》一文中研究指出带乘性噪声广义系统是指在其观测方程中既有加性噪声又有乘性噪声的广义系统。研究带乘性噪声随机系统的信号估计方法是信号处理理论的重要内容,本文主要研究带乘性噪声广义系统观测噪声的最优估计算法。观测噪声的估计研究是随着应用研究的需要而开展起来的。估计系统的观测噪声不仅有助于识别不同的噪声源从而为消除噪声提供指导,对于生产生活中的噪声压制研究也具有一定的理论价值和实际意义。不过,以往的工作均是在非广义系统下进行的。在工程实践中,广义系统是一类形式更一般的系统。随着状态估计理论研究的发展,尤其是在其观测系统中引入乘性噪声因子而提出的带乘性噪声广义系统,更能广泛地应用于实际。本文针对带乘性噪声广义系统,应用新息的方法和Hilbert空间的投影定理,对不同条件下观测噪声的最优滤波和平滑估计算法进行了较为深入的探讨,对于其中涉及到的随机信号状态估计问题,也进行了一定的研究。本文主要完成了以下工作。第一,针对带乘性噪声广义系统加性噪声w(k)和v(k)不相关的情况,先采用受限等价变换的方法将系统分解为两个子系统,再使用状态扩维的方法解决变换后的变量相关问题。在已有的滤波算法基础之上,本文提出了观测噪声v(k)的最优滤波算法和最优平滑算法。其中最优平滑算法由于采用直接方法进行推导,算法的形式与以往非广义系统下类似算法有很大不同。此推导过程用于非广义系统观测噪声最优估计算法时将比原有算法明显简化。第二,针对带乘性噪声广义系统加性噪声w(k)和v(k)同时刻相关的情况,通过第二种受限等价变换形式,将广义系统分为不含脉冲模和含脉冲模两种情况进行讨论。由于推导的需要,本文先推导了不含脉冲模的系统状态最优滤波,并补充给出了一种针对含有脉冲模系统的状态次优滤波算法。在此基础上,本文推导出了观测噪声的滤波及平滑算法,值得注意的是,在含有脉冲模和不含有脉冲模的系统中,该观测噪声的估计算法在线性最小方差意义下都是最优的。第叁,基于以往研究非广义系统下类似算法的研究思路,将加性噪声不相关情况视为加性噪声同时刻相关的情况的一种特例,间接地给出观测噪声的另一种平滑估计算法,并与前文采用直接方法所推导出的结果进行了对比分析。第四,通过计算机仿真,验证每种算法在对应情况下的有效性。(本文来源于《中国海洋大学》期刊2010-04-26）
陶贵丽,刘文强,于海英[8]（2010）在《带有色观测噪声的广义系统Kalman滤波器》一文中研究指出对于带自回归滑动平均(ARMA)有色观测噪声的多传感器为广义离散随机线性系统,应用奇异值分解,将其变换为等价的两个降阶多传感器子系统,提出了广义系统多传感器信息融合状态滤波问题。为了提高精度,采用Kalman滤波方法,在线性最小方差按块对角阵最优加权融合准则下,给出了按矩阵加权解耦的分布式Kalman滤波器,可减少计算负担和改善局部滤波精度。为了计算最优加权,提出了局部滤波误差协方差阵的计算公式。一个Monte Carlo仿真例子说明了方法的有效性。(本文来源于《计算机仿真》期刊2010年03期）
褚东升,于宇,张玲[9]（2009）在《带乘性噪声广义系统的观测噪声最优估计算法》一文中研究指出研究带乘性噪声广义系统的观测噪声最优估计问题。在假设系统正则的情况下,针对乘性噪声为一般随机矩阵即各观测通道乘性噪声同时刻相关的情况,通过受限等价变换和状态扩维的方法,给出了线性最小方差意义下的观测噪声最优滤波算法和最优平滑估计算法。数字仿真结果表明了算法的有效性。(本文来源于《中国海洋大学学报(自然科学版)》期刊2009年05期）
庄培栋,吕楠,孙书利[10]（2009）在《带有色观测噪声时滞系统分布式融合滤波》一文中研究指出基于线性最小方差最优加权融合估计算法,对带有色观测噪声的多传感器多重时滞系统给出了分布式信息融合状态滤波器。推得了多重时滞系统的任两个传感器子系统之间的滤波误差互协方差阵。所提出的分布式融合估计比各局部估计具有更高的精度,比增广的集中式最优估计具有更好的可靠性。仿真例子验证了其有效性。(本文来源于《2009中国控制与决策会议论文集（1）》期刊2009-06-17）
带观测噪声系统论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
对于一个目标跟踪系统,当用多个传感器对其进行跟踪时,针对传感器观测过程中存在的未知观测噪声,该文提出一种信息融合多步估计算法.该算法第1步将状态方程转化为自回归滑动平均模型(ARMA模型)形式,第2步对ARMA模型用递推增广最小二乘法估计出未知参数的估值,第3步用相关函数法得到对未知观测噪声的无偏估计.最后用数学方法证明了估值相对于真实值在数学意义上的收敛性,并用Matlab对一个例子做了仿真.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
带观测噪声系统论文参考文献
[1].宋婉娟,张剑.观测噪声方差变化条件下系统状态估计方法[J].探测与控制学报.2019
[2].李恒,李怀敏,李军,曹红兵.对于目标跟踪系统的未知观测噪声的信息融合多步估计算法[J].曲阜师范大学学报(自然科学版).2017
[3].李恒,韩波,赵正平,李怀敏.对于带未知有色观测噪声的反卷积系统的信息融合辨识[J].通化师范学院学报.2016
[4].李恒,王浩,韩波,曹红兵,李怀敏.对于一个带未知观测噪声的反卷积系统的信息融合估计算法[J].廊坊师范学院学报(自然科学版).2016
[5].曹忠,李钰,王圣伟.基于观测噪声实时估计的卡尔曼滤波车窗防夹系统研究[J].华东理工大学学报(自然科学版).2015
[6].柳毅,赵振宇,丁全心,李建勋.带有色观测噪声的系统状态参数鲁棒估计[J].系统仿真学报.2013
[7].于宇.带乘性噪声广义系统观测噪声的最优估计方法研究[D].中国海洋大学.2010
[8].陶贵丽,刘文强,于海英.带有色观测噪声的广义系统Kalman滤波器[J].计算机仿真.2010
[9].褚东升,于宇,张玲.带乘性噪声广义系统的观测噪声最优估计算法[J].中国海洋大学学报(自然科学版).2009
[10].庄培栋,吕楠,孙书利.带有色观测噪声时滞系统分布式融合滤波[C].2009中国控制与决策会议论文集（1）.2009
论文知识图
