为了解决加性噪声模型不能准确描述实际观测模型的问题，采用了带乘性噪声的系统模型进行建模。实际系统中，由于多传感器网络的应用，传统的乘法噪声滤波算法已不能满足实际需求。
文件提出了通过强跟踪和具有反馈和乘性噪声的分布式多传感器顺序的单独滤波器融合方法。了有效解决复杂环境中非线性系统的最优状态估计问题。
算机仿真实验表明，该算法具有良好的估计精度，在多传感器目标跟踪应用中具有良好的应用前景。
REKalman在1960年代提出的Kalman滤波器（KF）使用最小均方误差作为估计标准，并使用递归反馈估计最佳状态，这大大降低了时间和空间复杂度算法并广泛应用于目标。控，导弹制导，智能运输等实际工程应用[1]。
典的KF算法及其扩展的一系列非线性KF算法，例如扩展的Kalman滤波器，无味的Kalman滤波器和强大的跟踪滤波器，仅考虑包含加性噪声的观测模型[2]。-3]。
实际工程中，由于环境的复杂性以及观测模型参数的不确定性，以前的系统观测模型无法准确地表征系统的观测环境。了更真实地反映系统观测模型，历史时期出现了具有乘法噪声的系统模型。
本质上是对经典线性卡尔曼滤波系统的概括和优化，并且在此基础上开发了一系列滤波算法[4-6]，这些方法没有充分利用考虑到单个传感器盒。了提高目标状态估计的精度，基于传感器网络的融合系统和方法被广泛使用[7-9]。
感器阵列融合系统可以有效地获得可靠的观测数据，但是由于运动模型的不确定性，环境的复杂性以及传感器的多样性，算法难以实现。具有乘法噪声的电流进行滤波，以准确估算系统的最佳状态。此，本文提出了一种基于乘性噪声系统模型和固体跟踪滤波技术的分布式顺序多传感器融合方法，以解决复杂环境下多传感器网络的非线性融合问题。
常，非线性系统使用扩展卡尔曼滤波（EKF）进行状态估计。是，在实际的技术应用过程中，由于存在大量不确定因素，例如噪声统计特性不准确或模型参数不确定，使得降低EKF的鲁棒性能无法估算。效的系统状态。了克服这些限制，引入了功能强大的跟踪滤波器（STF）。本思想是在EKF中引入衰落因子。
衰落因子λk引入预测误差协方差中，以减弱历史数据对当前滤波的影响，从而提高模型的不确定鲁棒性和跟踪状态突变的能力[2] 。1和图2中的实线和红色虚线分别表示两个子传感器的位移分量的值及其相应的估计误差协方差，蓝色线表示分布和顺序融合后的位移分量的值及其相应的估计误差。
方差从图中可以看出，对于乘法噪声系统模型，本文提出的分布式融合融合的融合滤波性能和强顺序多传感器滤波数据明显优于每个子传感器的过滤。实际的系统中，由于系统精度要求的不断提高和多传感器网络收集的数据的普及，以前仅包含加性噪声的系统模型无法满足实际系统要求。
文提出了一种合并强传感器和多传感器分布式顺序跟踪滤波数据的方法，恒温阀芯以有效解决复杂环境中非线性系统的最优状态估计问题。经典算法用于验证和分析该算法。查算法的有效性和实用性。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com