孔明放等人(2000)提出一种将有限元排列、滤波技术和鲁棒估计三种方法结合起来进行动态数据协调的方法。该方法通过构造一个鲁棒估计函数，实现数据协调与显著误差检测的同步进行。
Dovi和Borghi(2001)对稳态数据协调技术进行扩展，使得动态过程中出现的波动情况体现在数据协调模型中的目标函数和约束条件上，而不需建立复杂的动态模型。
Vachhani等(2001)扩展了非线性数据协调问题，使其包含了偏移参数的检测，用于动态系统的数据协调和参数检验。
另外，值得一提的是，随着小波分析技术的迅猛发展，出现了以小波分析为基础的动态数据协调方法(Bakshi，1997；Nounou，1999；Ungarala，2000)。如Bakshi等人(1997)以噪声模型和主元分析(Prineipal Components Analysis，PCA)方法为基础，将过程变量用一系列的小波正交基函数表述，删除小于阈值的基函数的系数以减小随机噪声，并采用滑动窗口的方法，使之适用于在线运行。
以上的数据协调方法通常基于以下三点假设:
其一，假设测量数据线性无关。
其二，假设测量噪声服从于正态分布。
其三，假设测量噪声的方差—协方差矩阵己知。
1.2  显著误差检测概述
在前面讨论的数据协调算法中，有一个前提条件，这就是假定测量数据中仅含服从于某种统计分布的随机误差。而在实际过程中，经常会出现由于测量仪表失灵、设备泄漏或操作不稳定等原因造成的测量数据严重失真的情况，这种使测量数据的测量值与其真实值之间存在显著差异的误差，我们称之为显著误差。
一般来说，含有显著误差的数据在全部的测量数据中占的比例很小，但它的存在却会严重破坏数据的统计特性。因此，采用数据校正技术来提高数据质量的关键首先在于检测、识别和剔除(补偿)这些显著误差。
检测显著误差的手段有很多种(李红军，1997) [11]:
1.从理论上分析所有可能导致显著误差的因素，并进行相应处理。
2.借助于多种测量手段对某一过程变量进行测量，然后比较结果来识别显著误差。
3.根据测量数据的统计特性进行检验。
第一种方法仅从理论上做出分析，极有可能遗漏造成显著误差的一些潜在原因，而且不易于广泛适用；第二种方法对于少数重要的测量数据是可行的，然而对于许多过程数据进行逐一的测量比较则会造成大量财力、物力上的负担，因此也不适合推广适用；相比之下，统计检验的方法由于只针对数据本身，对现有硬件设备不作过多要求，便于在线运行，方法具有普遍性等特点而得到了广泛的研究与使用。
基于误差显著性水平的统计假设检验法，其相应的两种假设分别为:
零假设 :不存在显著误差
备择假设 :存在一个或多个显著误差
检验的过程是:选择合适的残差表达式并确定相应的统计量，在一定的显著性水平下，根据统计量的值针对零假设 做出肯定或否定的判断。当显著误差实际上不存在时，而检验方法得出其存在的错误称为第一类错误，或“虚警”错误；而当显著误差存在时，而检验方法却得出其不存在的错误称为第二类错误，或“漏报”错误。在显著误差存在时，是否能够正确地预测、识别它的存在及来源是评价一个方法是否有效的重要依据。为此，人们提出了一些检验显著误差检测方法效果的性能指标(Narasilnhan，1987b；Rollins，1992)。
大部分根据测量数据统计特性的显著误差检测方法都是基于两个重要的统计量来展开研究的。它们分别被称为基于测量残差和基于约束残差的显著误差检验法。 基于非线性规划的数据校正联合算法的研究(5):http://www.youerw.com/zidonghua/lunwen_9472.html