动态数据协调以离散数据为基础，以利用时间冗余性为特点。动态数据协调是在动态模型的约束下进行，因而得到的协调数据的可靠性和准确性与动态模型的形式密切相关，动态模型一般采用微分模型。

1997年，Almasy[6]提出了用Kalman滤波法解决数据协调问题。1988年，Darouach[7]等人提出了以Kalman滤波为基础的算法，并将该算法运用到广义线性动态模型。1993年，Rollins[8]等人改进了该方法，改进后的方法可以保证估计的无偏差。

1994年，Karjala[9]提出了一种新的动态模型，该模型以自回归神经元网络为基础，再使用Kalman滤波法。Du[10]等人提出了以自联想神经元网络为基础的模型求解。不需要提前知道模型，神经元网络具有根据历史数据辨识过程模型的优势，而且该网络也不需要关于误差的先验知识，因此一个好的网络可以在线运行，这就是该方法独特的地方。然而，该方法对于历史数据是有要求的，在操作条件变化的情况下，旧网络需要不断更新。

童力[11]对积分法进行了研究，这种方法的优点在于可以充分利用冗余信息，但也有缺点，通过这种方法得到的协调值的准确度会受到区间长度的限制。之后，童力[12]又对一种有限元正交配置的方法进行了研究，这种方法主要是应对变量上下限约束的情况。

张静等人[13]提出了一种基于粒子群优化算法的数据校正技术，这种方法是在粒子群优化算法中引入不确定知识。对于参数不确定问题，Narasimhan[14]对数据校正技术进行了改善，提出了添加罚函数的方法。金思毅等人[15]提出了一种在鲁棒估计中利用卡尔曼滤波的方法，在该方法中作者给出了方差的修正公式，该方法可以提高方差的准确性。在动态非线性过程中，这种方法在显著误差修正方面具有较好的效果。李晓贵[16]提出了一种基于软阈值小波滤波的校正方法。

无论数据协调问题是稳态还是动态过程，是线性还是非线性，求解的方法都是以数学模型为基础的。目前，动态数据协调已得到快速发展，也得到了许多解决方法，但是还存在着很多问题，如步骤繁琐，计算复杂度高，场合不适用，应变能力差等，因此很难应用到实际工业中。

1。2。2  显著误差检测

测量数据中经常包含显著误差，显著误差的造成主要是由于测量偏差、仪器失灵、模型失败等原因，数据的统计特性会被显著误差严重破坏，协调的效果也将不明显，因而，检测并补偿显著误差是一件必要的事。

显著误差检测的方法如下[17]：

1。 找出可能造成显著误差的理论因素，然后处理问题；

2。 对同一过程变量多次测量，比较多次测量的结果，找出显著误差，即所谓的硬件冗余法；

3。 以测量数据的统计特性为依据进行检验。

第一种方法是在理论上进行分析，这种方法很容易忽略潜在因素，因此该方法不能应用于实际。第二种方法在少数测量变量的情况下是有效的，但存在多个变量时，用该方法逐一测量在经济条件方面无法满足，因此也不能广泛应用于实际。相对而言，第三种方法更具有普遍性，该方法对设备条件没有过高要求，并且可以在线运行，因此可以进行广泛研究。

梅从立等人[18]提出了节点残差检测和测量残差检测相结合的联合算法，这种联合算法既结合了二者的优点又弥补了二者的缺陷。李九龙[19]提出了节点残差检测和极大似然比法相结合的算法，这种方法的效果也比较好。黄兆杰[20]在研究多项式滤波的基础上提出了根据滤波的估计值检测显著误差的方法。

显著误差检测是当今数据校正技术研究内容的重要部分，在实际过程中，定位显著误差往往是通过人机交互进行的。因此处理工艺流程中存在的显著误差问题是工作的主要内容。 MATLAB混合高斯分布模型的数据协调技术研究(3):http://www.youerw.com/zidonghua/lunwen_137308.html