文章目录
如何论证算法最优(Optimal)的问题?
基本上,每篇文献都是依据自己设定的条件,进行建模,导出损失函数,用算法(最小均方差意义下常常用求偏导的方法)求解这个凸优化问题,得到损失函数最小时的参数。然后就可以说此参数构建的方法就是最优的。
如何论证算法全局最优(Global Optimal)的问题?
孙书利老师2020年的DOLFE融合算法不仅求解了这个凸优化问题,还在带反馈的DOLFE融合算法(DOLFEWF)推导最后给出了估计精度完全等同于集中滤波(CKF)的证明,并称之实现了“全局最优”。
证明思想为:将局部滤波计算式整合进融合中心计算式,整理最终得到的估计增益矩阵的计算式与集中式滤波完全相同。
仿真:在同一个模型同文件仿真如下,可以看出联邦滤波、DOLFE融合算法MSE与集中式滤波一致。
如何理解分布式滤波最优能达到集中式滤波的性能?
分布式滤波的融合过程主要是针对公共状态量,本质上理解为依照估计的协方差(也就是误差程度)去确定估计值的置信度(也就是多大程度上相信这个估计值)。实际上集中式滤波也存在这样的过程,只是分布式滤波需要使用一个最优的算法来确定这个最优的“置信度”。如果“置信度”确定的最优,则估计误差可达到集中式滤波的性能,但不会高于集中式滤波(因为集中式被证明为全局最优的,分布式并不能得到更多信息)。
各融合算法设定的条件
联邦滤波(DFF)
联邦滤波算法是在最小均方误差条件下,利用【不考虑互协方差】时的融合后协方差构造损失函数,求偏导令其最小,得到相应融合计算式。然后再利用方差上界解决相关的问题。
矩阵权值融合算法(DFFWM)
孙书利老师2004年的MFFWM融合算法是在最小均方误差条件下,利用【直接考虑了互协方差的融合后的协方差】构造损失函数,求偏导令其最小。
Kalman结构分布式最优线性融合算法(DOLFE)
孙书利老师2020年的DOLFE融合算法中提出了新的融合模型
在此模型之上,在线性无偏最小均方误差条件下,利用【同时考虑局部之间的互协方差与局部与融合中心之间的互协方差】构造损失函数,求偏导令其最小。
为什么带反馈的DOLFEWF不需要计算局部滤波互协方差?
带反馈的DOLFEWF算法表达式中没有局部滤波互协方差的计算,而文献也是直接给出的,文中原话为:
孙书利老师所谓的"easily obtain",其实就是将重置后的局部估计值和协方差,直接带入无反馈的DOLFE算法表达式的定义式中进行计算,可以得到:
可以看出,带反馈的DOLFEWF融合中心算法不再含有互协方差。
那么为什么带反馈的DOLFEWF不需要计算局部滤波互协方差,是反馈解决了局部相关性的问题吗?
当然不是。
重置后的局部估计之间的协方差并不是消失了,也不是解决了相关性问题,而是可以直接通过全局协方差来计算(因为进行了重置,而且实际也只能通过全局协方差来计算,因为这种情况局部协方差与融合后完全相关,仿真算法中不需要再去单独定义局部滤波的协方差)。
这不同于联邦滤波的思路:一开始直接提出不相关的算法,然后想办法让相关变得不相关(方差上界)。
实际上在孙书利老师04年的DEEWM融合算法中,也是直接将相关考虑进了损失函数。
DOLFEWF的最优性有什么前提条件吗?
此算法文献中的前提假设实际很少。对于融合的算法,说明的仅仅是线性无偏最小方差意义下的最优。而在用于线性系统的融合时,也只是提到可观可控以及噪声不相关的条件。
最后
另外,DOLFE这篇融合算法的文献篇幅看起来很长,其实是因为文献针对这个新的融合结构的思路,不仅提出了滤波算法,还提出了平滑和预测算法,因此算法和证明部分有2/3不是滤波的,由于我们目前只关心滤波问题,所以未对其他部分做深入研究。