【技术实现步骤摘要】
广义延拓逼近滤波方法、存储介质及处理器
本专利技术涉及数据处理领域，具体地涉及一种广义延拓逼近滤波方法、存储介质及处理器。
技术介绍
目前，在对通信信号、导航信号、天文辐射信号等信号进行滤波处理时，通常采用卡尔曼滤波(KalmanFilter，简称KF)方法，KF已广泛应用于各工程和
基于一定的运动假设模型，KF将相邻时刻的系统状态量联系起来，减小了原本孤立杂乱的最小二乘解误差，使得数据处理的结果更为平滑和准确。KF的本质是基于马尔科夫链的一步状态转移，总是利用最新历元n的状态量去预测下一历元n+1的状态量。其优点在于大幅减少了计算量，但同时也导致其过于依赖当前历元状态量的精度。换言之，即使我们已经知道当前历元状态量的最优估计值可能具有较大的误差，也只能继续利用该状态量估计值进行一步预测。对此，很多算法提出对滤波器误差协方差矩阵P进行人为干预或自适应放大，以抑制状态量预测量在后续测量更新处理中的权重。然而，它们也无法避免状态量在预测转移过程中的误差放大。
技术实现思路
本专利技术实施例的目...
【技术保护点】
1.一种广义延拓逼近滤波方法，该方法包括：/n步骤1，采集离散信号，从离散信号中选取一段滑动窗口的先验状态量最优估计值
【技术特征摘要】
1.一种广义延拓逼近滤波方法，该方法包括：
步骤1，采集离散信号，从离散信号中选取一段滑动窗口的先验状态量最优估计值其中所述窗口的长度为L，L≥3，n为当前信号时刻；
步骤2，利用所述先验状态量最优估计值构建具有插值约束条件的广义延拓逼近方程，求解得到广义延拓逼近方程系数；
步骤3，根据所述广义延拓逼近方程系数，基于状态转移假设模型，构造状态量转移矩阵A，计算得到下一时刻n+1的状态量预测值对应的协方差预测矩阵
步骤4，根据下一时刻n+1的状态量预测值对应的协方差预测矩阵计算得到下一时刻n+1的状态量最优估计值
2.根据权利要求1所述的方法，其中，所述步骤2还包括：
将所述窗口的长度范围内的时刻j(j∈[n-L+1，n])的状态量最优估计值作为插值点，所述窗口的长度范围内的其他时刻的状态量最优估计值作为拟合点，建立具有插值约束条件的广义延拓逼近方程：
其中，a0，a1，a2分别为广义延拓多项式系数，ti为i时刻的值，tj为j时刻的值。
3.根据权利要求2所述的方法，其中，所述步骤2还包括：
将所述当前时刻n的信号状态量最优估计值所对应的协方差误差矩阵Pn具有较小取值的状态量最优估计值作为插值点。
4.根据权利要求1所述的方法，其中，所述步骤3还包括：
步骤3a，根据公式完成状态量的转移计算，其中，为下一时刻n+1的状态量预测值，tn+1为下一时刻n+1的值；
步骤3b，基于状态转移假...
【专利技术属性】
技术研发人员：刘成，李芳，高为广，黄晨，王威，宿晨庚，苏牡丹，
申请(专利权)人：中国人民解放军六三九二一部队，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。