基于状态空间模型的广义预测控制算法的控制精度和稳定性取决于系统的输出预

基于状态空间模型的广义预测控制算法的控制精度和稳定性取决于系统的输出预测精度．如果是单个的传感器系统，只能得到部分的信息，当传感器受到干扰或者发生故障时，会严重影响估计的精度甚至造成系统瘫痪；因此，许多现代的、高级的、复杂的系统需要使用多个传感器来弥补单传感 器系统的不足．<br>应用Kalman滤波方法，基于Riccati方程，对于带相关噪声的系统，在线性最小方差融合准则下，提出了两传 感器按矩阵加权信息融合超前k步稳态最优Kalman预报器，给出了最优加权阵和最小融合预报误差方差阵的具 体计算公式。同单传感器情形相比，可提高预报器的精度。一个跟踪系统的仿真例子说明了其有效性。

基于状态空间模型的广义预测控制算法的控制精度和稳定性取决于系统的输出预测精度． 如果是单个的传感器系统，只能得到部分的信息，当传感器受到干扰或者发生故障时，会严重影响估计的精度甚至造成系统瘫痪；因此，许多现代的、高级的、复杂的系统需要使用多个传感器来弥补单传感 器系统的不足．<br>应用Kalman滤波方法，基于Riccati方程，对于带相关噪声的系统，在线性最小方差融合准则下，提出了两传 感器按矩阵加权信息融合超前k步稳态最优Kalman预报器，给出了最优加权阵和最小融合预报误差方差阵的具 体计算公式。 同单传感器情形相比，可提高预报器的精度。 一个跟踪系统的仿真例子说明了其有效性。

The control accuracy and stability of GPC algorithm based on state space model depend on the output prediction accuracy of the system. If it is a single sensor system, only part of the information can be obtained. When the sensor is disturbed or fails, it will seriously affect the estimation accuracy and even cause system paralysis. Therefore, many modern, advanced and complex systems need to Multiple sensors are used to make up for a single sensor system.<br>Based on Riccati equation and Kalman filtering method, for the system with correlated noise, under the linear minimum variance fusion criterion, a k-step steady-state optimal Kalman predictor with two sensors fused by matrix weighting information is proposed, and the specific calculation formulas of the optimal weighting matrix and the minimum fusion prediction error variance matrix are given. Compared with the case of single sensor, the accuracy of the predictor can be improved. A simulation example of tracking system shows its effectiveness.<br>