中文摘要：

分布式多源数据融合具有可靠性高、灵活性好等优点，有着重要的应用价值。实际系统中，各节点往往异步工作、采样周期不同、待融合数据的时延不同甚至会出现先测量数据后到达的"无序"现象，这些复杂时序关系大大增加了算法的计算量，降低了系统的估计性能。项目研究既有效融合多种复杂时序数据、又可根据具体系统的当前时序进行高速运算的分布式融合估计理论与算法，内容包括1）研究任意复杂时序数据与状态关系的数学描述，将各种复杂时序关系归结到统一的贝叶斯估计框架下；2）研究分布式系统中各节点信息特征、典型分布式融合估计方法的贝叶斯描述，得到基于Kalman及粒子滤波器的分布式融合估计算法；3）研究动态概率图模型描述复杂时序数据的方法及根据时序变化的化简方法，提高计算速度。项目成果将从根本上解决实际分布式多传感器系统中由于数据的复杂时序关系引起的估计性能下降、实时性差的问题，在理论研究与实际应用中都具有极其重要的价值。

结论摘要：

项目针对实际分布式多源数据融合系统中，各节点异步工作、采样周期不同、待融合数据的时延不同甚至会出现先测量数据后到达的"无序"现象，研究既有效融合多种复杂时序数据、又可根据具体系统的当前时序进行高速运算的分布式融合估计理论与算法，内容包括 1）给出了复杂时序数据与状态关系的数学描述，将各种复杂时序关系归结到统一的贝叶斯估计框架下。推导出了基于任意采样时刻系统模型描述，给出了基于Kalman滤波器的估计算法，理论及仿真实验都证明了该方法可以在任何采样时刻都能得到与等采样周期相同的估计结果。同时给出了基于数据的机动目标跟踪模型，该模型与传统的常速度（CV）模型、常加速度（CA）模型、Singer模型及当前统计模型相比，能够很好地适应模型的随机机动特性，得到更好的跟踪效果。 2）研究了集中式、分布式系统中任意时序的估计方法，得到了贝叶斯估计的融合算法，研究了动态概率图模型描述复杂时序数据的方法及根据时序变化的化简方法。提出了分布式多传感器融合系统的最优状态估计算法，利用分布式融合估计系统中的局部估计与融合中心的关系，将局部估计转化为伪测量。该算法与卡尔曼滤波器的基本形式相同，可以将目前集中式的多传感器系统鲁棒融合估计、失序量测融合估计相关研究成果引入到分布式多传感器融合系统中，而且将分布式与集中式多传感器融合系统的估计算法形式进行统一，使得分布多传感器系统估计研究可以直接利用集中式多传感器系统丰富的研究成果。在假设每个传感器只将局部节点上一次更新状态及其相关估计方差传给融合中心的前提下，研究了分布式融合估计问题的Track to Track融合的解。利用贝叶斯估计原理将给局部估计及其方差进行融合，得到了OOST问题的最优解。进而研究了分布式多级式多传感器系统测量噪声相关的情况时融合估计算法及基于线性矩阵不等式（LMI）方法的鲁棒 融合估计的解。 3）将上述研究成果应用于视频跟踪系统中，给出了基于像素级的EM图像融合、彩色融合及基于并行粒子滤波器视频等跟踪方法。 项目成果从根本上解决了实际分布式多传感器系统中由于数据的复杂时序关系引起的估计性能下降、实时性差的问题，在理论研究与实际应用中都具有极其重要的价值。