几个融合算法的思考

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。