一种应用于传递对准上的可观测度智能自适应滤波方法技术

本发明专利技术涉及一种应用于传递对准上的可观测度智能自适应滤波方法，属于智能自适应滤波研究领域。为了提高系统模型不精确情况与噪声统计特性不完全已知的情形下的滤波性能，同时又能在滤波器设计之前根据传递对准的模型以及系统相关噪声对系统的滤波精度做出一个大致的估计，本发明专利技术将可观测度作为自适应调节因子作为选取的标准，通过提升可观测度的大小从而来改进滤波性能。为了更全面的分析惯性导航系统传递对准的可观测度，本发明专利技术提出了系统各状态分量的可观测度与系统全局的可观测度，进一步提出智能自适应滤波器的概念，实现了提高滤波精度的目的。

【技术实现步骤摘要】
一种应用于传递对准上的可观测度智能自适应滤波方法
本专利技术涉及一种应用于传递对准上的可观测度智能自适应滤波方法，属于智能自适应滤波研究领域。
技术介绍
惯性导航系统的初始对准技术常常采用估计理论理论中的最优估计中的卡尔曼滤波，应用卡尔曼滤波在惯性导航系统的初始对准的目的是将系统中的失准角的误差以及将惯性器件的偏差设法通过滤波来消除。以此来说惯性导航系统的时间对准与系统的精度将由卡尔曼滤波来决定。值得一提的是在现代控制理论中，可观测性是一个重要的概念，只有系统完全可观测，在进行卡尔曼滤波时才不会出现滤波发散的问题。然而现代控制理论中只提到系统能观测或者不能观测，没有说明系统观测能力是多大。在惯性导航系统上可观测度大时则有初始对准的性能好，当惯性导航系统的可观测度低则会导致卡尔曼滤波的精度低从而致使初始对准精度低。典型的卡尔曼滤波是一种最小均方误差下的估计准则，通常情况下在进行卡尔曼滤波时系统模型中的过程噪声与观测噪声统计特性是已知的，但是实际环境中很多情况下，系统噪声的统计特性是未知或不能完全已知的，甚至在一些情形之下状态模型和观测模型也是无法确切得知的，因此在这种情况下再使用典型的本文档来自技高网...

【技术保护点】
1.一种应用于传递对准上的可观测度智能自适应滤波方法，其特征方法在于该方法包括以下步骤：步骤(1)根据传递对准模型，分析惯性导航系统状态的可观测度，将地理坐标中的东北南坐标系作为惯性导航系统的坐标系；传递对准误差下的模型系统状态方程设置为

【技术特征摘要】
1.一种应用于传递对准上的可观测度智能自适应滤波方法，其特征方法在于该方法包括以下步骤：步骤(1)根据传递对准模型，分析惯性导航系统状态的可观测度，将地理坐标中的东北南坐标系作为惯性导航系统的坐标系；传递对准误差下的模型系统状态方程设置为这里式子中的xt表示系统的状态变量的向量，是变量xt的导数，Φt为系统状态转移矩阵，其表示意义为矩阵中为x,y,z三个方向的姿态的失准角，εμfy,εμfz是y,z方向上陀螺漂移与加速度零偏，是纬度状态变量的误差，为弹射装置与船舰坐标系两者之间x,y,z方向的姿态相对的误差角，εVx,εVy为惯性导航系统系统的x,y两个方向的速度变量的误差，μt为系统的过程噪声，惯性导航系统的过程噪声符合高斯噪声分布，它的方差阵用Qt表示；O3×3表示3×3的0矩阵；步骤(2)设定系统模型中的观测方程为yt＝Ftxt+γt，观测的对象变量是系统的速度与姿态匹配的变量，其中：yt是观测状态变量的向量矩阵，Ft为观测向量，F1＝[O2×6E2×2O2×1],F2＝[-E3×3E3×3O3×3]；F1,F2中的E与O分别表示为对应下标的单位阵与0矩阵，γt即为系统量测噪声，其噪声的方差矩阵在这里用Rt表示；步骤(3)连续系统离散化：在上述描述中均以连续系统作为考量，在经典的卡尔曼滤波之中，实际上是以离散系统作为研究对象，紧跟着上一步的分析之下，需要将线性系统离散化处理，这样才能利用典型的卡尔曼滤波进行处理；以下为离散处理：这里的Ak,k-1,Fk是经过离散处理后的系统的状态转移矩阵与系统的观测性矩阵，Ak,k-1＝En+ΦtΔt+o(Δt)，这里的o(Δt)为Δt的无穷小项；En是单位矩阵，离散化后系统的过程与观测两个噪声方差矩阵写成：Qk,Rk；步骤(4)在传递对准的实际应用过程中，由于系统的统计特性未知或者其噪声特...

【专利技术属性】
技术研发人员：葛泉波，马金艳，何红丽，唐帅帅，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33