(完整版)多传感器分布式航迹融合综述
《多传感器船只目标跟踪与融合算法》范文
《多传感器船只目标跟踪与融合算法》篇一一、引言在现代的海洋领域，精确的船只目标跟踪技术至关重要，不仅关乎航运安全和高效，也对海事管理和船舶监控起到了重要作用。
本文介绍了一种多传感器船只目标跟踪与融合算法，旨在通过集成多种传感器数据，提高船只目标跟踪的准确性和实时性。
二、背景与意义随着传感器技术的不断发展，多种传感器已经被广泛应用于船舶监测与定位系统。
例如雷达、激光扫描器、摄像头以及各种类型的声纳传感器等。
每一种传感器都有其独特的优点和局限。
如雷达可以远距离探测目标，但可能受到天气条件的影响；而激光扫描器则能提供高精度的三维信息，但受限于探测范围。
因此，通过融合多种传感器的数据，可以优势互补，提高船只目标跟踪的准确性。
三、多传感器船只目标跟踪技术1. 传感器数据采集：利用雷达、激光扫描器、摄像头等传感器，实时采集船只周围环境的数据。
2. 数据预处理：对采集到的原始数据进行去噪、滤波等预处理操作，以提高数据的信噪比。
3. 目标检测与跟踪：利用预处理后的数据，通过计算机视觉、模式识别等技术，实现船只目标的检测与跟踪。
4. 轨迹预测：根据历史轨迹和当前运动状态，预测船只的未来轨迹。
四、多传感器数据融合算法多传感器数据融合算法是本算法的核心部分。
其主要思想是将不同传感器的数据进行整合和优化，以得到更加准确的目标状态估计。
具体步骤如下：1. 数据配准：将不同传感器采集到的数据进行时间和空间上的配准，以保证数据的同步性。
2. 特征提取：从配准后的数据中提取出有用的特征信息，如船只的大小、速度、方向等。
3. 权重分配：根据每种传感器的性能和当前的环境条件，为每种传感器分配合适的权重。
4. 数据融合：将加权后的传感器数据进行融合，得到船只目标的状态估计。
五、算法实现与优化多传感器船只目标跟踪与融合算法的实现需要借助计算机视觉、模式识别、信号处理等技术。
在实际应用中，还需要考虑算法的实时性、鲁棒性以及计算复杂度等问题。
《船只目标多传感器数据融合算法研究》范文
《船只目标多传感器数据融合算法研究》篇一一、引言随着海洋经济的快速发展和海洋资源的日益重要，船只目标的监测和识别技术显得尤为重要。
多传感器数据融合技术作为一种有效的信息处理手段，在船只目标监测和识别中发挥着重要作用。
本文旨在研究船只目标多传感器数据融合算法，以提高船只目标的监测和识别精度，为海洋资源的合理开发和利用提供技术支持。
二、背景及意义船只目标多传感器数据融合是指将来自不同传感器（如雷达、红外、可见光摄像头等）的数据进行综合处理，以获得更准确、全面的船只目标信息。
这种技术可以有效地提高船只目标的监测和识别精度，对于海洋资源的开发、海洋环境的保护、海上安全等方面具有重要意义。
三、相关技术综述目前，多传感器数据融合技术已经广泛应用于军事、民用等领域。
在船只目标监测和识别方面，多传感器数据融合技术可以通过融合不同传感器的数据，提高目标的检测和识别能力。
同时，随着人工智能、机器学习等技术的发展，多传感器数据融合算法也在不断优化和改进。
四、船只目标多传感器数据融合算法研究4.1 算法原理船只目标多传感器数据融合算法主要包括数据预处理、特征提取、数据融合和目标识别四个步骤。
首先，对不同传感器的数据进行预处理，包括数据格式的统一、噪声的消除等；然后，提取出各个传感器的特征信息；接着，利用数据融合算法将不同传感器的特征信息进行融合，得到更加准确、全面的船只目标信息；最后，通过目标识别算法对融合后的数据进行识别和分类。
4.2 算法实现船只目标多传感器数据融合算法的实现需要借助计算机技术和相关软件工具。
首先，需要采集不同传感器的数据，并进行预处理和格式转换；然后，通过特征提取算法提取出各个传感器的特征信息；接着，利用数据融合算法将不同传感器的特征信息进行融合，得到融合数据；最后，通过目标识别算法对融合数据进行处理和分类，得到最终的船只目标信息。
4.3 算法优化为了提高船只目标多传感器数据融合算法的准确性和效率，需要进行算法优化。
航空器的多传感器数据融合
航空器的多传感器数据融合在现代航空领域，确保航空器的安全、高效运行是至关重要的目标。
而实现这一目标的关键之一，就在于对航空器上多种传感器所收集的数据进行有效的融合与处理。
想象一下，一架航空器就像是一个复杂而精密的机器“巨人”，其身上装备了各种各样的传感器，如同“巨人”的“眼睛”和“耳朵”，时刻感知着周围的环境和自身的状态。
这些传感器包括但不限于雷达、惯性导航系统、GPS 接收器、气压高度计、风速传感器等等。
它们各自以独特的方式获取着不同类型的信息，然而，单独依靠某一个传感器所提供的数据往往是不够全面和准确的。
例如，雷达能够探测到远距离的目标，但在某些天气条件下可能会受到干扰；惯性导航系统可以提供连续的位置和姿态信息，但随着时间的推移会产生累积误差；GPS 接收器在开阔的天空中能够提供高精度的定位，但在信号受到遮挡的区域可能会出现信号丢失的情况。
这时，多传感器数据融合的重要性就凸显出来了。
多传感器数据融合的过程就像是一场精心编排的“信息交响乐”。
首先，需要对来自各个传感器的原始数据进行预处理。
这包括去除噪声、校准误差以及将数据转换为统一的格式和单位。
就好比不同乐器在演奏前需要调好音准一样。
接下来，是特征提取的环节。
从预处理后的数据中提取出有意义的特征，这些特征能够反映出数据的本质和关键信息。
这有点像从复杂的音符组合中找出旋律的主题。
然后，通过合适的融合算法将这些特征进行融合。
常见的融合算法有卡尔曼滤波、贝叶斯估计、DS 证据理论等。
卡尔曼滤波就像是一个聪明的“协调者”，能够根据传感器数据的预测值和测量值进行最优估计；贝叶斯估计则像是一个基于概率的“推理者”，根据先验知识和新的证据来更新对状态的估计；DS 证据理论则适用于处理不确定性和冲突的信息。
在融合的过程中，还需要考虑传感器的可靠性和权重。
可靠性高的传感器所提供的数据在融合时应给予更大的权重，就如同在交响乐中，主奏乐器的声音往往更突出。
同时，也要处理好不同传感器数据之间的时间同步问题。
飞行器导航系统的多传感器融合
飞行器导航系统的多传感器融合在当今科技飞速发展的时代，飞行器的导航系统变得日益复杂和精密。
为了实现更准确、可靠和高效的导航，多传感器融合技术逐渐成为了关键。
想象一下，飞行器在广袤的天空中飞行，需要准确地知道自己的位置、速度、姿态等信息，才能安全地抵达目的地。
这就好比我们在陌生的城市中行走，需要依靠各种线索和指示来找到正确的方向。
对于飞行器来说，单一的传感器就像是我们在城市中依赖的某一个路标，可能会因为各种因素而出现偏差或不准确。
而多传感器融合，则相当于综合了多个路标的信息，从而让我们更全面、更准确地了解自己所处的位置和前进的方向。
那么，什么是多传感器融合呢？简单来说，就是将来自多个不同类型传感器的数据进行整合和处理，以获得更全面、更准确的导航信息。
这些传感器可以包括惯性导航系统、卫星导航系统、视觉传感器、雷达、气压高度计等等。
惯性导航系统是飞行器导航中常用的一种传感器。
它通过测量飞行器的加速度和角速度，来计算出飞行器的位置、速度和姿态。
但是，惯性导航系统存在着误差累积的问题，随着时间的推移，其测量结果会逐渐偏离真实值。
卫星导航系统，如 GPS、北斗等，则可以提供非常精确的位置和速度信息。
然而，卫星信号可能会受到遮挡、干扰等因素的影响，导致在某些情况下无法正常工作。
视觉传感器，比如摄像头，可以通过对周围环境的图像识别和分析，获取飞行器的相对位置和姿态信息。
但视觉传感器在恶劣天气或光照条件不好的情况下，性能会大打折扣。
雷达可以测量飞行器与周围物体的距离和相对速度，对于避障和目标跟踪非常有用。
不过，雷达的测量范围和精度也存在一定的限制。
气压高度计则可以测量飞行器的高度，但同样容易受到大气压力变化等因素的影响。
正是由于这些单一传感器各自存在的局限性，多传感器融合的重要性就凸显出来了。
通过将这些传感器的数据进行融合，可以充分发挥它们各自的优势，弥补彼此的不足，从而提高导航系统的整体性能。
在多传感器融合的过程中，数据的预处理是第一步。
分布式多传感器关联航迹的数据融合与处理
分布式多传感器关联航迹的数据融合与处理李刚;董建国;鱼佳欣【期刊名称】《微处理机》【年(卷),期】2015(000)003【摘要】对多传感器关联航迹的数据融合是多传感器数据融合技术的重要方面。
首先对各观测传感器的观测数据进行目标航迹提取，采用一种基于曲线拟合的时间对准算法对不同观测站数据进行时间配准，在分析观测站相关数据精度的基础之上，采用极大似然的航迹融合模型对于关联航迹进行数据融合分析。
研究表明，关联航迹的数据能够较好的融合。
%The data fusion of multi -sensor track correlations is an important aspect of multi -sensor data fusion technology.Firstly,the target track of the observation sensor's data is extracted,the time is registered by a time alignment algorithm based on curve fitting different observation data,and on the basis of the analysis of the observatory data precision,the data fusion of the track correlations is analyzed by the maximum likelihood of track fusion model.The study shows that the data of track correlation has good convergence.【总页数】5页(P60-63,68)【作者】李刚;董建国;鱼佳欣【作者单位】中国洛阳电子装备试验中心，济源 459000;中国洛阳电子装备试验中心，济源 459000;中国洛阳电子装备试验中心，济源 459000【正文语种】中文【中图分类】TN953.7【相关文献】1.应用K-means聚类的分布式多传感器航迹关联算法 [J], 李素;王运锋2.分布式传感器网络中一种新的模糊航迹关联算法 [J], 范恩;谢维信;刘宗香;李鹏飞3.分布式多传感器多目标航迹关联处理算法研究 [J], 张丙军;何红;张冲;张永明4.分布式多传感器航迹数据融合 [J], 王凡5.分布式传感器数据融合中的双门限航迹相关算法 [J], 何友;彭应宁因版权原因，仅展示原文概要，查看原文内容请购买。
飞行器的多传感器融合技术
飞行器的多传感器融合技术在现代航空航天领域，飞行器的性能和安全性至关重要。
为了实现更精确的导航、更可靠的控制以及更全面的态势感知，多传感器融合技术应运而生。
这一技术如同为飞行器装上了多双敏锐的“眼睛”，使其能够在复杂的环境中更加自信地翱翔。
多传感器融合技术，简单来说，就是将来自多个不同传感器的信息进行整合和处理，以获得更全面、更准确、更可靠的关于飞行器状态和周围环境的认识。
这些传感器就像是一个个独立的信息源，各自有着独特的优势和局限性。
常见的用于飞行器的传感器包括惯性导航系统（INS）、全球定位系统（GPS）、气压高度计、雷达、激光测距仪、视觉传感器等等。
惯性导航系统能够在短时间内提供高精度的位置、速度和姿态信息，但它的误差会随着时间累积。
全球定位系统则可以提供非常精确的位置信息，但在信号受到干扰或遮挡的情况下可能会失效。
气压高度计能够测量飞行器的相对高度，但容易受到大气条件的影响。
雷达可以探测到远距离的目标，但分辨率可能有限。
视觉传感器能够提供丰富的图像信息，但在恶劣的光照条件下性能会下降。
正是由于每个传感器都存在这样或那样的不足，多传感器融合技术的价值就凸显了出来。
通过将这些传感器的数据进行融合，可以取长补短，从而获得更全面和更可靠的信息。
多传感器融合的过程并非简单地将数据叠加在一起。
它需要一系列复杂的算法和技术来实现。
首先是数据预处理，这包括对各个传感器采集到的数据进行校准、去噪和归一化等操作，以确保数据的质量和一致性。
然后是特征提取，从预处理后的数据中提取出有用的特征信息，例如目标的位置、速度、形状等。
接下来是数据关联，确定来自不同传感器的测量数据之间的对应关系。
最后是融合估计，利用合适的融合算法，如卡尔曼滤波、贝叶斯估计等，将关联后的数据进行融合，得到最终的融合结果。
在实际应用中，多传感器融合技术为飞行器带来了诸多好处。
在导航方面，融合了惯性导航系统和全球定位系统的数据，可以在全球定位系统信号丢失的情况下，依靠惯性导航系统保持一定时间的高精度导航，同时在全球定位系统信号恢复后，及时修正惯性导航系统的累积误差，从而实现连续、准确的导航。
航空器的多传感器数据处理与融合
航空器的多传感器数据处理与融合在现代航空领域，航空器的安全、高效运行离不开先进的技术支持。
多传感器数据处理与融合技术便是其中至关重要的一环。
它就像航空器的“智慧大脑”，能够将来自多个传感器的信息进行整合、分析和处理，为飞行员和地面控制人员提供准确、全面、及时的态势感知，从而保障飞行安全，提高飞行效率。
要理解航空器的多传感器数据处理与融合，首先得知道航空器上都有哪些传感器。
常见的航空器传感器包括但不限于惯性导航系统、全球定位系统（GPS）、气象雷达、气压高度计、空速传感器、姿态传感器等等。
这些传感器各自承担着不同的测量任务，为航空器提供了丰富的飞行状态和环境信息。
惯性导航系统是航空器内部的一种重要传感器，它通过测量加速度和角速度来计算航空器的位置、速度和姿态。
然而，惯性导航系统存在着误差累积的问题，随着时间的推移，其测量结果的准确性会逐渐降低。
GPS 则是通过接收卫星信号来确定航空器的位置和速度，具有高精度和全球性覆盖的优点。
但 GPS 信号容易受到干扰，比如在山区、高楼林立的城市或者恶劣天气条件下，可能会出现信号丢失或不准确的情况。
气象雷达能够探测前方的气象状况，帮助飞行员提前避开危险的气象区域。
气压高度计通过测量大气压力来计算航空器的飞行高度，空速传感器则用于测量航空器相对于空气的速度。
姿态传感器则负责监测航空器的俯仰、滚转和偏航角度。
这么多传感器各自为政可不行，这就需要多传感器数据处理与融合技术来发挥作用了。
多传感器数据处理与融合的过程就像是一场精心编排的“信息交响乐”。
首先，各个传感器采集到的数据会被进行预处理，这包括去除噪声、校准和转换等操作，以确保数据的质量和准确性。
接下来，就是数据融合的关键步骤。
数据融合的方法有很多种，比如卡尔曼滤波、贝叶斯估计、加权平均等等。
以卡尔曼滤波为例，它能够根据传感器的测量误差和历史数据，对当前的状态进行最优估计。
通过不断地更新和修正，融合后的结果能够更加准确地反映航空器的真实状态。
船舶导航系统的多传感器融合
船舶导航系统的多传感器融合在广阔无垠的海洋上，船舶的安全、高效航行离不开精准可靠的导航系统。
随着科技的不断进步，多传感器融合技术在船舶导航领域发挥着日益重要的作用。
船舶导航的目的是为了让船舶能够准确地沿着预定的航线行驶，避开障碍物，并及时应对各种复杂的海洋环境和气象条件。
传统的船舶导航系统往往依赖于单一的传感器，如GPS（全球定位系统）、罗盘、陀螺仪等。
然而，单一传感器存在着局限性和不足之处。
例如，GPS信号可能会受到干扰或遮挡，导致定位不准确；罗盘在受到磁场干扰时也会出现偏差。
为了克服这些问题，多传感器融合技术应运而生。
多传感器融合，简单来说，就是将多个不同类型、不同原理的传感器所获取的信息进行综合处理和分析，以获得更全面、更准确、更可靠的导航信息。
在船舶导航中，常见的传感器包括 GPS、惯性导航系统（INS）、雷达、声呐、风速风向仪、电子海图等。
GPS 是目前船舶导航中最常用的定位传感器之一，它能够提供较为精确的船舶位置信息。
但如前所述，GPS 存在信号不稳定的情况。
此时，惯性导航系统就可以发挥作用。
INS 不依赖外部信号，通过测量船舶的加速度和角速度来推算船舶的位置和姿态。
然而，INS 存在误差积累的问题，长时间使用会导致定位偏差增大。
雷达在船舶导航中主要用于探测周围的船舶和障碍物，提供相对距离和方位信息。
声呐则可以用于探测水下的物体和地形。
风速风向仪能够为船舶的航行提供风的信息，帮助船舶优化航行路线，节省燃料。
电子海图则包含了丰富的海洋地理和航行信息，为船舶的规划航线提供参考。
将这些传感器的信息融合在一起，需要解决一系列的技术问题。
首先是数据的同步问题。
由于不同传感器的采样频率和更新时间不同，需要对数据进行时间同步处理，以确保它们在同一时刻的有效性。
其次是数据的校准和误差修正。
每个传感器都有其自身的误差特性，需要通过校准和误差模型来修正这些误差，提高数据的准确性。
在多传感器融合的算法方面，常见的有卡尔曼滤波、粒子滤波、模糊逻辑等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多传感器航迹融合综述在20年代70年代初，R. A. Singer等人首次提出航迹融合问题，其推导了表征两航迹关联概率的“相关方程”，其实就是计算两条航迹间的玛氏距离：将关联概率小于门限值的航迹视为待融合的航迹，这即是一个假设检验问题；但其后续的航迹融合有一个隐含假设：来自同一目标、不同传感器的两个局部估计误差是相互独立的[1][2]。
[1] R. A. Singer and A. J. Kanyuck, “Computer control of multiple site track correlation”, Automatica, vol. 7, pp. 455-463, July 1971.[2] R. A. Singer and A. J. Kanyuck, “Correlation of Multiple-Site Track Data”, IEEE Transactions on Aerospace and Electronic System, vol. 6, No. 2, pp. 180-187, March 1970.而实际情况中，尽管不考虑目标机动性或量测噪声，过程噪声是相同的，因此局部估计误差往往是高度相关的，因此相关性不容忽视。
1979年，J．Speyer在多传感器分布式估计问题中将估计间的相关性考虑其中，但其不适用于假设检验问题[3]。
此外，Willsky等人也在其研究中考虑了相关性等问题[4]。
[3] J. L. Speyer, “Computation and Transmission Requirements for a Decentralized Linear- Quadratic-Gaussian Control Problem”, IEEE Transactions on Automatic Control, vol. 24 no. 2 pp. 266-269, 1979.[4] A. Willsky, M. Bello, D. Castanon, B. Levy, G. Verghese, “Combining and Updating of Local Estimates and Regional Maps Along Sets of One-Dimensional Tracks”, IEEE Transactions on Automatic Control, vol. 27, no. 4, pp. 799-813, 1982.1981年,Y. Bar-shalom等人推导了两局部估计误差互相关的简单递推公式，将互相关性融入假设统计量公式中。
其适用于假设检验问题的，在假设统计量服从Chi方分布时可以被实现[5]。
互协方差：相关方程：[5] Y. Bar-Shalom, “On the Track-to-Track C orrelation Problem”, IEEE Transactions on Automatic Control, AC-26, 571-572, Apr. 1981在[5]的基础上，1986年，Y Bar-shalom等人在[6]中推导了考虑公共过程噪声带来的相关性的情况下的分布式估计融合的航迹融合公式,其中互协方差计算与[5]中相同：若估计误差相互独立的情况下，则融合公式变为：实例表明考虑相关性可以将融合后得到估计的不确定性区域占单个传感器不确定性区域（协方差椭圆）将减少为70%，若假设估计独立成立，则会减少50%。
单传感器 不相关（50%） 相关（70%）[6] Y. Bar-Shalom and L. Campo, “The Effect of the Common Process Noise on the Two-Sensor Fused-Track Covariance ”, IEEE Transactions on Aerospace and Electronic Systems , vol. 22, no. 6, pp. 803-805, 1986.但[6]中的贝叶斯最小均方误差理论是建立在一个不成立的假设上的，且1988年，[7]比较了[6]中所推导的融合公式（状态向量融合）与最优的方法（量测融合，即是集中式融合），结果表明[6]中的方法效果比最优方法差，虽然均方误差仅低了7%，其只是一种次优的方法。
[7] J. A. Roecker and C. D. McGillem, “Comparison of Two -Sensor Tracking Methods [6]状态向量融合量测融合Based on State Vector Fusion and Measurement Fusion”, IEEE Transactions on Aerospace and Electronic Systems, vol. 24, no. 4, pp. 447-449, 1988.仅利用状态向量进行融合只是一种次优的方法，一种更有效的方法则为信息融合。
1995年，O．E. Drummond提出采用带全局估计反馈的航迹融合结构来处理互相关问题，但其只针对不存在过程噪声情况[8]；1997年，Oliver E. Drummond又提出Tracklet方法（Trakclet，可以认为是一个目标的航迹数据，与其他目标的的Tracklet都不想关），并采用混合式融合，来综合分布式融合与集中式融合的优缺点[9][10]。
同时，C. Y. Chong也提出一种基于所谓“imformation graph”的分布式融合算法[11][12]。
以上几种算法都是通过巧妙的处理来减小相关性，但都不能完全消灭相关性的影响。
[8] O. E. Drummond, “Track fusion with feedback,” in Proc.1996 SPIE Conf. Signal and Data Processing of Small Targets, vol. 2759, pp. 342–360, 1996.[9] O. E. Drummond, “A hybrid sensor fusion algorithm architecture and tracklets,” in Proc. 1997 SPIE Conf. Signal and Data Processing of Small Targets, vol. 3163, pp. 512–524, 1997.[10] O. E. Drummond, “Tracklets and a hybrid fusion with process noise,” in Proc. 1997 SPIE Conf. Signal and Data Processing of Small Targets, vol. 3163, pp. 512–524, 1997.[11] C.Y. Chong, S. Mori, W. H. Barker and K. C. Chang, “Architectures and algorithms for track association and fusion,” IEEE AES Syst. Mag., pp. 5–13, Jan. 2000, Also in Proc. 1999 Int. Conf. on Information Fusion, Sunnyvale, CA, July, 1999.[12] C. Y. Chong, S. Mori and K. C. Chang, “Distributed multitarget multisensory tracking,” in Multitarget-Multisensor Tracking: Advanced Applications, Y. Bar-Shalom, Ed. Norwood, MA:Artech House, 1990, pp. 247–295.2003年，X. R. Li针对之前的估计融合准则存在的缺陷和约束性，例如要求局部估计误差非相关、局部估计的动态模型相同、网络结构和信息形式简单等问题，发表了一个系列文章。
在PART1[13]中总体而系统研究了估计融合问题，首先建立一个统一的线性模型，提出了存在相关性，在加权最小二乘（WLS）和最优线性无偏估计（BLUE）意义下的一系列集中式和分布式的最优融合准则。
由于在分布式融合中，局部估计误差的互协方差不管在上诉的WLS,BLUE还是LMMSE（线性最小均方误差）意义下都是一个十分关键的量。
其在PART3[14]中给出了各情况时在线性系统线性观测下的互协方差推导公式，这些公式对所有线性无偏估计都是有效的，不管其是否为最优估计。
[13] Li, X. R., et al, “Optimal linear estimation fusion–Part I: Unified fusion Rules,”IEEE Transactions on Information Theory, vol. 49, no. 9, pp. 2192-2208, Sept. 2003.[14] Li, X. R. and Zhang, P, “Optimal linear estimation fusion–Part III: Cross-correlation of local estimation errors,” In P roceedings of the 4th International Conference of Information Fusion, Montreal, QC, Canada, Aug. 2001.2010年，Ting Yuan和Bar-Shalom针对非均匀航迹融合问题，即局部传感器使用不同的目标状态空间，且其存在一个非线性转换，例如传感器A为笛卡尔坐标系，目标状态为[x, x’, y, y’]，而传感器B目标状态为[θ,θ‘]，其推导了此情况下的LMMSE和MML估计方法及其互相关计算方法。
[15] T. Yuan, Y. Bar-Shalom, X. Tian, “Heterogeneous track-to-track fusion,” In InformationFusion (FUSION), 2011 Proceedings of the 14th International Conference on. IEEE, pp. 1-8, 2011.然而, 在很多情况下获取相关信息是十分复杂甚至不切实际的，例如共同的过程噪声、相关量测噪声未知，分布式网络的拓扑结构未知或者非线性系统等情况下，计算局部估计误差互相关十分复杂，耗时费力。