一种基于模型预测扩展卡尔曼滤波的分级状态估计方法技术

本发明专利技术提出了一种基于模型预测扩展卡尔曼滤波的分级状态估计方法，其步骤为：首先，将非线性耦合系统模型转化为线性分级模型和非线性分级模型，并利用一级扩展卡尔曼滤波对前一时刻状态估计值分别进行基于线性分级模型和非线性分级模型的预测，得到线性状态分量估计值；其次，利用线性状态分量估计值对非线性分级模型进行反馈，得到非线性预测模型；最后，利用二级扩展卡尔曼滤波对线性状态分量估计值进行基于非线性预测模型的预测，得到非线性状态分量估计值。本发明专利技术提出的分级状态估计方法，提高了系统状态估计的精度，降低了估计过程的计算维度，适用于高维、线性状态可解耦的耦合复杂系统状态估计。

【技术实现步骤摘要】
一种基于模型预测扩展卡尔曼滤波的分级状态估计方法
本专利技术涉及模型预测
，特别是指一种基于模型预测扩展卡尔曼滤波的分级状态估计方法。
技术介绍
估计理论在控制领域、导航、制导领域及目标跟踪领域的应用普遍存在。然而估计理论中，通常将系统模型视为理想的线性系统模型或非线性系统模型。实际工程中，系统往往是既具有线性状态，又具有非线性状态的高维、耦合复杂系统。对于含有线性状态可解耦的高维、耦合复杂系统状态估计还存在以下两个问题：(1)对于含有线性状态驱动的复杂耦合非线性系统，目前的线性估计方法或非线性估计方法都不能同时满足系统估计精度和计算负载的要求。(2)传统的状态估计方法是基于精确模型展开的，而对于实际含有线性状态耦合的复杂系统，其初始系统模型往往含有不确定性，尤其是对于具有线性状态驱动的耦合复杂系统。针对这两个问题，传统的扩展卡尔曼滤波算法，会带来精度不高，计算量偏大，甚至估计过程发散的问题。目前还没有一种有效的针对含有线性状态驱动的非线性耦合系统状态估计方法。
技术实现思路
>针对上述
技术介绍
中本文档来自技高网...

【技术保护点】
1.一种基于模型预测扩展卡尔曼滤波的分级状态估计方法，其特征在于，其步骤如下：/nS1、基于模型等价变换将包含线性状态的非线性耦合系统模型进行转化，得到原始模型的解耦形式：线性模型和非线性分级模型；/nS2、在前一时刻状态估计值的基础上，基于线性模型和测量值，利用一级扩展卡尔曼滤波估计得到线性状态分量估计值；/nS3、利用步骤S2中的线性状态分量估计值对非线性分级模型进行反馈，得到非线性状态分量预测模型；/nS4、基于线性状态分量估计值、非线性状态分量预测模型和测量值，利用二级扩展卡尔曼滤波估计得到非线性状态分量估计值。/n

【技术特征摘要】
1.一种基于模型预测扩展卡尔曼滤波的分级状态估计方法，其特征在于，其步骤如下：
S1、基于模型等价变换将包含线性状态的非线性耦合系统模型进行转化，得到原始模型的解耦形式：线性模型和非线性分级模型；
S2、在前一时刻状态估计值的基础上，基于线性模型和测量值，利用一级扩展卡尔曼滤波估计得到线性状态分量估计值；
S3、利用步骤S2中的线性状态分量估计值对非线性分级模型进行反馈，得到非线性状态分量预测模型；
S4、基于线性状态分量估计值、非线性状态分量预测模型和测量值，利用二级扩展卡尔曼滤波估计得到非线性状态分量估计值。


2.根据权利要求1所述的基于模型预测扩展卡尔曼滤波的分级状态估计方法，其特征在于，所述步骤S1中的包含线性状态的非线性耦合系统模型为：
xk＝f(xk-1)+ωk(1)，
yk＝h(xk)+υk(2)，
其中，xk为k时刻的系统状态，xk-1为k-1时刻的系统状态，f(·)为状态转移矩阵，ωk为过程噪声，yk为测量值，h(·)为测量转移矩阵，υk为测量噪声。


3.根据权利要求1或2所述的基于模型预测扩展卡尔曼滤波的分级状态估计方法，其特征在于，所述线性模型和非线性分级模型分别为：









其中，表示k时刻的线性状态分量，表示k-1时刻的线性状态分量，表示线性状态转移矩阵，表示线性过程噪声，表示k时刻的非线性状态分量，表示k-1时刻的非线性状态分量，和均表示与线性状态相关的非线性状态转移矩阵，表示非线性过程噪声，hk(·)表示非线性状态的测量矩阵，Bk(·)表示与非线性状态相关的线性测量矩阵，υk表示测量噪声。


4.根据权利要求3所述的基于模型预测扩展卡尔曼滤波的分级状态估计方法，其特征在于，所述利用一级扩展卡尔曼滤波状态估计线性状态分量估计值的方法为：
S21、根据线性分级模型和非线性分级模型分别计算线性状态分量预测值和非线性状态分量预测值

<...

【专利技术属性】
技术研发人员：焦玉召，娄泰山，赵红梅，王晓雷，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：河南;41