一种组合定位中滤波模型实时校正的方法和系统技术方案

本发明专利技术提供一种组合定位中滤波模型实时校正的方法和系统，包括：步骤(1)、获得目标随机系统的数据,并进行扩展卡尔曼滤波处理；步骤(2)、计算动态模型偏差；步骤(3)、基于LSSVM的动态模型进行偏差训练；步骤(4)、无损变换。本发明专利技术利用最小二乘支持向量机(LSSVM)改进EKF算法，并运用在车辆的组合定位导航估计当中，利用无损变换(UT)将LSSVM和EKF进行结合，使用模糊集，构造时变函数，认为偏差是具有高斯正态分布的，使用有限数据集通过LSSVM进行训练，通过历史信息的偏差值进行偏差估计，进而对偏差校正、补偿。

A Method and System for Real-time Correction of Filter Model in Combined Location

The invention provides a method and system for real-time correction of filtering model in combined positioning, which includes steps (1), acquiring data of target random system, and processing with extended Kalman filter; steps (2), calculating dynamic model deviation; steps (3), error training of dynamic model based on LSSVM; steps (4) and lossless transformation. The invention uses least squares support vector machine (LSSVM) to improve EKF algorithm, and applies it to integrated positioning and navigation estimation of vehicles. It combines LSSVM with EKF by using non-destructive transformation (UT), constructs time-varying function by using fuzzy sets, considers that the deviation is Gaussian normal distribution, trains with finite data sets through LSSVM, and estimates the deviation through the deviation value of historical information. Then the deviation is corrected and compensated.

【技术实现步骤摘要】
一种组合定位中滤波模型实时校正的方法和系统
本专利技术涉及导航
，具体的说是一种组合定位中滤波模型实时校正的方法和系统。
技术介绍
我国正在逐步迈入智能交通的时代，对于车辆的精确定位，不仅关系到车辆的运行安全，而且也直接影响车辆调度效率。因此，研究连续、高精度、低成本、可靠的车辆定位已成为我国智能交通领域迫切需要解决的关键科技问题。卡尔曼滤波(KF)是一种高效率的递归滤波器(自回归滤波器),它能够从一系列的不完全包含噪声的测量中估计动态系统的状态，然而简单的卡尔曼滤波必须应用在符合高斯分布的系统中。因此，在使用卡尔曼滤波器时，通常都是把使用场景简化、默认为符合高斯分布；同时，卡尔曼滤波器是一种线性滤波器，然而，实际场景几乎都是非线性的，因此对于非线性的观测量，估计值依然会快速发散。针对实际情况当中传感器的非线性观测值，扩展卡尔曼滤波(EKF)可应用于时间非线性的动态系统，EKF算法已广泛应用于陆地，海洋和飞机的GNSS导航及各种组合导航领域当中。EKF算法将非线性函数的Taylor展开式进行一阶线性化截断，间接的把局部非线性环境转变成了线性环境，然后再使用KF算法，在一定程度上增强了KF算法适应非线性的程度。对于EKF算法而言，不仅需要一个正确的观测模型，还需要一个能够准确描述车辆运动的动态模型；特别EKF算法还比较依赖动态模型的质量去提供运动状态的先验知识。然而，在实际应用中，车辆的动态通常是未知的，并且可能非常复杂；针对列车而言，虽然可以简化运动状态，但是由于未知的运动行为，依然很难建立合理的动态模型。因为上述原因，所以在实际应用当中，动态模型往往被人们忽略。此外，对于组合定位导航中使用卫星信号的情况，还大量存在信号中断或干扰的情况，那么不准确的动态模型更有可能导致迅速降低EKF算法的性能、预测故障、甚至结果快速发散。如何最优构造、动态最优构造可以适用于EKF算法的动态模型，已经有大量的学者做出了许多研究工作，例如恒速(CV)模型、恒定加速度(CA)模型、辛格模型、半马尔科夫跳跃模型等，但是这些模型对于定位导航应用都是假设为时不变的，因此可能无法反映车辆真实、复杂的运动状况。针对KF算法，利用IMM交互模型，可以一定程度减少没有动态模型带来的影响，以便实现运动目标的跟踪；但是，依然缺少利用先验知识。基于GNSS的模型多用于GNSS/多普勒导航中，可以有效的减少多路径效应的影响，但是多普勒观测值不能被直接使用，而且在实际应用中先验知识实际是后验估计获得的。还有人提出了基于GNSS导航历史时期状态的多项式动力学模型，但是多项式特征的确定好坏会直接影响到模型和实际动态之间的偏差程度，在模型中针对偏差也没有很好的补偿措施。其实，对于动态模型最主要的就是车辆运动中出现的偏差，对于偏差的处理一般有两种方法：其一，认为动态模型偏差是由随机误差影响的，因此在随机模型中进行补偿；其二，将动态模型偏差直接引入到状态向量当中，在预测过程中递归的估计偏差，然后再进行补偿。但是，第一种方法往往会因为不准确的先验知识而难以平衡动态模型和观测模型之间的偏差；第二种方法对于高维系统则会承担巨大的计算负担。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种组合定位中滤波模型实时校正的方法和系统，利用最小二乘支持向量机(LSSVM)改进EKF算法，并运用在车辆的组合定位导航估计当中，利用无损变换(UT)将LSSVM和EKF进行结合，使用模糊集，构造时变函数，认为偏差是具有高斯正态分布的，使用有限数据集通过LSSVM进行训练，通过历史信息的偏差值进行偏差估计，进而对偏差校正、补偿。为达到上述目的，本专利技术通过以下技术方案来具体实现：一种组合定位中滤波模型实时校正的方法，包括：步骤(1)、获得目标随机系统的数据,并进行扩展卡尔曼滤波处理；步骤(2)、计算动态模型偏差；步骤(3)、基于LSSVM的动态模型进行偏差训练；步骤(4)、无损变换。步骤(1)包括：获得目标随机系统的数据并构造状态变量和量测变量的非线性函数模型：Xk＝f(Xk-1)+Γk-1WK-1(1)Zk＝h(Xk)+Vk(2)式中，Xk∈Rn是k时刻的状态变量，Zk∈Rn是k时刻的量测变量；WK-1是零均值正态分布的过程噪声，VK同样是Vk～N(0,Rk)的观测噪声；f()和h()是两个非线性函数；对式(1)和(2)分别作线性化处理并进行简化的模型如下：Xk＝Φk,k-1Xk-1+Mk-1+Γk-1Wk-1(3)Zk＝HkXk+Nk+Vk(4)按照以下公式递归实现EKF算法：(a)状态一步预测方程(b)均方误差一步预测方程(c)滤波增益方程(d)状态估计方程(e)均方误差估计方程其中，P是均方误差方阵，Q是噪声方差阵，R是量测方差阵，Φ是转移矩阵，K是增益矩阵，H是关联状态向量和观测向量相的设计矩阵。步骤(2)包括：构造动态模型偏差的时变函数，在先验动态模型当中引入一个补偿量，即在(3)式的右侧引入一个时变新项：Xk＝Φk,k-1Xk-1+Mk-1+Γk-1Wk-1+ΔXk(10)其中，(10)式当中的ΔXk，表示为来自(5)式的预测状态和真实状态Xk之间的动态模型偏差值；ΔXk＝Xk-(Φk,k-1Xk-1+Mk-1+Γk-1Wk-1)(11)计算动态模型偏差对预测值的影响函数IF(influencefunction)：由(12)式可以得到，IF函数最密切相关的两个矩阵分别是增益矩阵和关联矩阵；构造出一个当前动态模型偏差与历史动态模型偏差之间的关联函数，其中F是关联函数表达式：ΔXk＝F(ΔXk-1,ΔXk-2,ΔXk-3,...,ΔX1)(13)步骤(3)中：对于输入空间X和特征空间E，存在一个从X到E的映射，Φ(x):X→E，使得对于所有的x,y∈X，函数K(x,y)均满足：K(x,y)＝Φ(x)·Φ(y)(14)则称K(x,y)为核函数，其中Φ()是映射函数；根据Mercer定理，如果K(x,y)是一个有效的核函数，那么当且仅当对于训练样例{x(1),x(2),...,x(m)}，其对应的核函数是对称半正定的；即K在Rn×Rn→R上的映射存在时，其训练集上的得到的核函数矩阵应该满足：K＞＝0；非线性的回归公式为：核函数采用径向基(RBF)核函数，即：其中，参数σ表示内核宽度；减小样本窗口时，设置有效期窗口值为：其中，k为当前时间，f为系统输出频率；同时将(13)式改为如下：ΔXk＝F(ΔXk-1,ΔXk-2,...,ΔXk-m)(18)为了得到函数关系F()，以及估计动态模型偏差，需要训练历史的和当前的动态模型偏差值之间的关系，输入有效窗口期内的偏差估计值：对应的方差矩阵记为对应的，估计的偏差被定义为k时刻的输出，如下：ΔX(LSSVM-OUT)＝Δxk(20)将(19)式代入到(10)式当中，得到：在EKF计算、更新方差部分，同样需要计算、更新即：利用无损变换，将当前的动态模型偏差预测值作为后延一个周期的先验动态模型偏差进行处理。步骤(4)中，记有效窗口期内的偏差估计平均值为其对应的协方差矩阵为式(22)；则可以根据x的均值和协方差矩阵，采用对称采样策略，得到Sigma点集{χi}；其中，表示变换后矩阵的第i列；上式是权重的表达式，Sigma点集乘以对本文档来自技高网...

【技术保护点】
1.一种组合定位中滤波模型实时校正的方法，包括：步骤(1)、获得目标随机系统的数据,并进行扩展卡尔曼滤波处理；步骤(2)、计算动态模型偏差；步骤(3)、基于LSSVM的动态模型进行偏差训练；步骤(4)、无损变换。

【技术特征摘要】
1.一种组合定位中滤波模型实时校正的方法，包括：步骤(1)、获得目标随机系统的数据,并进行扩展卡尔曼滤波处理；步骤(2)、计算动态模型偏差；步骤(3)、基于LSSVM的动态模型进行偏差训练；步骤(4)、无损变换。2.如权利要求1所述的方法，其特征在于，步骤(1)包括：获得目标随机系统的数据并构造状态变量和量测变量的非线性函数模型：Xk＝f(Xk-1)+Γk-1WK-1(1)Zk＝h(Xk)+Vk(2)式中，Xk∈Rn是k时刻的状态变量，Zk∈Rn是k时刻的量测变量；WK-1是零均值正态分布的过程噪声，VK同样是Vk～N(0,Rk)的观测噪声；f()和h()是两个非线性函数；对式(1)和(2)分别作线性化处理并进行简化的模型如下：Xk＝Φk,k-1Xk-1+Mk-1+Γk-1Wk-1(3)Zk＝HkXk+Nk+Vk(4)按照以下公式递归实现EKF算法：(a)状态一步预测方程(b)均方误差一步预测方程(c)滤波增益方程(d)状态估计方程(e)均方误差估计方程其中，P是均方误差方阵，Q是噪声方差阵，R是量测方差阵，Φ是转移矩阵，K是增益矩阵，H是关联状态向量和观测向量相的设计矩阵。3.如权利要求2所述的方法，其特征在于，步骤(2)包括：构造动态模型偏差的时变函数，在先验动态模型当中引入一个补偿量，即在(3)式的右侧引入一个时变新项：Xk＝Φk,k-1Xk-1+Mk-1+Γk-1Wk-1+ΔXk(10)其中，(10)式当中的ΔXk，表示为来自(5)式的预测状态和真实状态Xk之间的动态模型偏差值；ΔXk＝Xk-(Φk,k-1Xk-1+Mk-1+Γk-1Wk-1)(11)计算动态模型偏差对预测值的影响函数IF(influencefunction)：由(12)式可以得到，IF函数最密切相关的两个矩阵分别是增益矩阵和关联矩阵；构造出一个当前动态模型偏差与历史动态模型偏差之间的关联函数，其中F是关联函数表达式：ΔXk＝F(ΔXk-1,ΔXk-2,ΔXk-3,...,ΔX1)(13)4.如权利要求3所述的方法，其特征在于，步骤(3)中：对于输入空间X和特征空间E，存在一个从X到E的映射，Φ(x):X→E，使得对于所有的x,y∈X，函数K(x,y)均满足：K(x,y)＝Φ(x)·Φ(y)(14)则称K(x,y)为核函数，其中Φ()是映射函数；根据Mercer定理，如果K(x,y)是一个有效的核函数，那么当且仅当对于训练样例{x(1),x(2),...,x(m)}，其对应的核函数是对称半正定的；即K在Rn×Rn→R上的映射存在时，其训练集上的得到的核函数矩阵应该满足：K＞＝0；非线性的回归公式为：核函数采用径向基(RBF)核函数，即：其中，参数σ表示内核宽度；减小样本窗口时，设置有效期窗口值为：其中，k为当前时间，f为系统输出频率；同时将(13)式改为如下：ΔXk＝F(ΔXk-1,ΔXk-2,...,ΔXk-m...

【专利技术属性】
技术研发人员：陈光武，刘昊，杨菊花，程鉴皓，
申请(专利权)人：兰州交通大学，陈光武，
类型：发明
国别省市：甘肃,62