数据协调技术在稳态过程中应用相当广泛，但是过程数据往往都是在不断变化的，因此需要引入动态过程模型。动态系统的数据协调技术也在近年来受到关注，并且得到发展。

1。1。2  显著性误差检测

假设状态变量的测量值服从正态分布即不存在显著误差是数据校正的基础，所以为了防止得到错误的数据协调结果，在数据校正中必须考虑显著误差的存在问题。

如果系统存在多个显著误差，则对多显著误差的检测方法包括顺序剔除法、顺序补偿法和同步补偿法。顺序剔除法逐步消去有显著误差的数据，直至检测不到显著误差，虽然操作简单但是无法估计出显著误差的幅度大小，且容易降低系统的冗余性。对于与测量值不直接相关的显著误差，不能使用顺序剔除法进行检测。对于多个显著误差，顺序补偿法检测到一个显著误差，就用对应的估计值进行补偿，然后对剩下的数据继续进行检测和补偿直到检测不到显著误差为止。所有类型的显著误差都可以使用顺序补偿法进行检测，并且不会对系统的冗余性产生影响，但是需要准确估计显著误差的幅度。同步补偿法对备选显著误差和已经检测到的显著误差进行同步幅度补偿，能够得到较为准确的结果，所需要的计算量也较大。

1。2  卡尔曼滤波

1960年，卡尔曼[4]用递归方法解决了离散数据线性滤波问题，并且提出了一种克服维纳滤波缺点的新方法，这就是我们如今所熟悉的卡尔曼滤波[5]。卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。对系统状态的最优估计也可以看作是对测量数据的滤波。卡尔曼滤波器属于线性均方误差准则下的滤波器，它适用于有限观测间隔的非平稳问题，并且可以通过计算机编程实现递推算法的运算。卡尔曼滤波可以估计目标的过去和现在状态，预测目标未来时刻的位置、速度和加速度等运动状态参量。

在测量方差已知的情况下，卡尔曼滤波能够从带有噪声的数据中估计出动态系统的状态。卡尔曼滤波能够对在线测量的数据进行实时更新和处理，因此广泛应用于通信、导航、制导和控制等领域。

在实际系统中，许多情况下检测得到的数据和目标动态参数属于非线性关系，而卡尔曼滤波是在线性高斯情况下进行数据校正处理和动态估计，因此其应用范围受到条件限制。并且过程噪声、量测噪声的统计特性、状态初始条件都会对卡尔曼滤波结果的质量产生影响。在实际滤波过程中，这些量都是人为假设的，所以假设的模型应尽量与真实模型相符，这样才能保证滤波结果接近真实结果。论文网

1。3  EM算法

EM（expectation-maximization）算法[6]又被称作期望最大化算法，它是由Dempster, Laind, Rubin[7]在1977年提出的一种关于求参数的极大似然估计的迭代方法。对于非完整数据，运用EM算法可以对其中的参数进行极大似然估计或者极大后验估计。因此EM算法广泛应用于处理缺损数据，截尾数据和带有噪声的数据等。

作为一种迭代优化策略，EM算法中的每一次迭代过程都分为两步，分别为期望步（E步）和极大步（M步）。EM算法的基本思想是首先根据已知测量数据来估计模型参数的值，然后依据上一步估计出的模型参数的值对缺失数据的值进行估计，之后利用估计出的缺失数据和已知测量数据再对参数值进行估计，接着继续进行迭代，直至符合收敛条件时结束迭代。

在当前的科学研究和各方面的实际应用中，面对越来越大的数据处理量，不可避免地会存在数据缺失或者不可用的问题，因此很难通过直接处理数据得到想要的状态信息。作为处理这类问题的方法之一，EM算法凭借其算法的简单性，寻找最优收敛值的可靠性等优点迅速地发展和普及开来。随着学者对EM算法的完善和理论本身应用范围的拓宽，在工程学、社会学、医学、金融商务等数据量处理需求较大的领域中，EM算法的应用更为广泛。