考虑相关噪声和随机参数矩阵的分布式融合算法制造技术

本发明专利技术公开了一种考虑相关噪声和随机参数矩阵的分布式融合算法，包括以下步骤：建立参杂有相关噪声和随机参数矩阵的系统模型；进行局部预测器设计，求解局部滤波器的一步预测均值和协方差；利用局部预测器及新息，设计局部滤波器；基于局部滤波器的估计结果对分布式融合预测器的预测值进行修正，计算修正后的均值和协方差。本发明专利技术的考虑相关噪声和随机参数矩阵的分布式融合算法，适用于多传感器的非线性系统，基于对数据处理中心的先验信息进行修正，推导了分布式融合预测器及分布式滤波器，相比于将线性系统下的结论基于EKF算法进行推广，针对非线性系统设计相应的估计器在处理非线性问题时可获得更高的估计精度。

【技术实现步骤摘要】
考虑相关噪声和随机参数矩阵的分布式融合算法
本专利技术属于非线性系统估计领域，尤其涉及一种考虑相关噪声和随机参数矩阵的分布式融合算法。
技术介绍
目前，多传感器系统由于可以增强系统的鲁棒性及提高系统的估计精度，被广泛应用于目标跟踪与定位、智能感知、模式识别等，并且伴随着产生了大量的数据处理算法。多传感器的数据处理算法大致可分为集中式、分布式及顺序式，考虑到分布式融合具有结构灵活、易于故障隔离及计算量小的优点，因此，获得了广泛关注。比如专利申请号为CN109543143A，申请名称为非线性带偏差系统的多传感器融合估计方法，该融合估计方法并没有考虑相关噪声和随机参数矩阵，因此估计信息计算结果存在不准确、精度低问题。因此，现有技术有待于改善。
技术实现思路
本专利技术的主要目的在于提出一种考虑相关噪声和随机参数矩阵的分布式融合算法，以解决
技术介绍
中所提及的技术问题。本专利技术的一种考虑相关噪声和随机参数矩阵的分布式融合算法，包括以下步骤：步骤S10，建立参杂有相关噪声和随机参数矩阵的系统模型；步骤S20，进行局部预测器设计，求解局部滤波器的一步预测均值和协方差；步骤S30，根据一步预测均值和协方差设计分布式融合预测器；步骤S40，计算局部滤波器的新息及对应协方差矩阵；步骤S50，利用局部预测器及新息，设计局部滤波器；步骤S60，基于局部滤波器的估计结果对分布式融合预测器的预测值进行修正，计算修正后的均值和协方差。优选地，相关噪声包括系统噪声和量测噪声。优选地，系统模型为非线性系统模型。优选地，系统模型中的传感器数量至少为两个，局部预测器的数量至少为两个。优选地，还包括步骤：步骤S70，基于三阶球径容积法则进行数值格式化。优选地，还包括步骤：步骤S80，进行仿真。本专利技术的考虑相关噪声和随机参数矩阵的分布式融合算法，适用于多传感器的非线性系统，基于对数据处理中心的先验信息进行修正，推导了分布式融合预测器及分布式滤波器，相比于将线性系统下的结论基于EKF算法进行推广，针对非线性系统设计相应的估计器在处理非线性问题时可获得更高的估计精度。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术分布式融合算法的原理拓扑图；图2为本专利技术的融合算法与
技术介绍
提及的专利文献的融合算法的状态估计误差示意图；图3为本专利技术的融合算法与
技术介绍
提及的专利文献的融合算法的状态估计均方根误差示意图；图4为本专利技术考虑相关噪声和随机参数矩阵的分布式融合算法的流程示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。需要注意的是，相关术语如“第一”、“第二”等可以用于描述各种组件，但是这些术语并不限制该组件。这些术语仅用于区分一个组件和另一组件。例如，不脱离本专利技术的范围，第一组件可以被称为第二组件，并且第二组件类似地也可以被称为第一组件。术语“和/或”是指相关项和描述项的任何一个或多个的组合。
技术介绍
中提及的CN109543143A，申请名称为非线性带偏差系统的多传感器融合估计方法，上述专利文献算法需要计算协方差矩阵，这就对系统先验信息提出了更高的要求。而先验信息往往存在误差，如果没有进行修正，则容易影响后续计算过程的准确性、精度。本专利技术的一种考虑相关噪声和随机参数矩阵的分布式融合算法，包括以下步骤：步骤S10，建立参杂有相关噪声和随机参数矩阵的系统模型；在步骤S10中，系统模型如下：这里xk∈Rn是n维系统状态，是mi维传感器测量，ωk∈Rr是r维系统噪声；相关噪声包括系统噪声和量测噪声；以及是si维量测噪芦，且是k时刻合适维数的相关随机参数矩阵，N是传感器个数，角标i代表第i个传感器。假设1：随机参数矩阵是同步互相关的，与系统噪声及量测噪声不相关，且满足假设2：wk和是相关的零均值白噪声序列，且满足定义显然有定义这里与含义相同，只是可能代表不同的矩阵，表示由和计算产生的矩阵，且θk和ηk与和独立。注：对于两个矩阵和经过运算后的迹求导，一般下面的结论成立将过程噪声及量测噪声重构为则系统(1)和(2)可重写为且重构后的噪声有如下关系：步骤S20，进行局部预测器设计，求解局部滤波器的一步预测均值和协方差；(涉及公式8-24)本专利技术的实施例，以两个传感器为例进行说明，实际可针对多传感器的的非线性系统，如图1所示；引理1：局部预测器设计：其中，这里，表示由L中元素张成的空间，其中，依据误差定义，有考虑到上式括号中的三项互不相关，则有其中为中间变量，取值为这里其中，这里，表示g1中的信息在η1条件下计算，g2中的信息在η2条件下计算，且g1和g2表示两个非线性函数，η1和η2表示已经获得的量测。对第i个预测器，其初值取为将带入(13)即可得局部滤波器一步预测互协方差矩阵，将(10)，(11)带入(8)(9)即可得一步预测均值。利用局部预测信息对数据处理中心的先验信息进行修正，令Xk+1＝exk+1，则其中步骤S30，根据一步预测均值和协方差设计分布式融合预测器；具体如下：定理1：针对系统(5)和(6)，在假设1和2满足的条件下，分布式最优融合预测器设计如下：
技术介绍
中提及的CN109543143A，申请名称为非线性带偏差系统的多传感器融合估计方法，上述专利文献算法需要计算协方差矩阵，这就对系统先验信息提出了更高的要求。而先验信息往往存在误差，如果没有进行修正，则容易影响后续计算过程的准确性、精度。上述
技术介绍
所提及的专利文献中；对于分布式最优融合预测器设计，不同于本申请。区别点在于：本申请中分布式融合预测器，基于局部预测信息对数据中心的先验信息进行修正。因此：推导了分布式融合预测器及分布式滤波器，相比于将线性系统下的结论基于EKF算法进行推广，针对非线性系统设计相应的估计器在处理非线性问题时可获得更高的估计精度。Lk+1在证明过程给出。证明：整理局部预测误差有其中，...

【技术保护点】
1.一种考虑相关噪声和随机参数矩阵的分布式融合算法，其特征在于，包括以下步骤：/n步骤S10，建立参杂有相关噪声和随机参数矩阵的系统模型；/n步骤S20，进行局部预测器设计，求解局部滤波器的一步预测均值和协方差；/n步骤S30，根据一步预测均值和协方差设计分布式融合预测器；/n步骤S40，计算局部滤波器的新息及对应协方差矩阵；/n步骤S50，利用局部预测器及新息，设计局部滤波器；/n步骤S60，基于局部滤波器的估计结果对分布式融合预测器的预测值进行修正，计算修正后的均值和协方差。/n

【技术特征摘要】
20210129 CN 20211012903551.一种考虑相关噪声和随机参数矩阵的分布式融合算法，其特征在于，包括以下步骤：
步骤S10，建立参杂有相关噪声和随机参数矩阵的系统模型；
步骤S20，进行局部预测器设计，求解局部滤波器的一步预测均值和协方差；
步骤S30，根据一步预测均值和协方差设计分布式融合预测器；
步骤S40，计算局部滤波器的新息及对应协方差矩阵；
步骤S50，利用局部预测器及新息，设计局部滤波器；
步骤S60，基于局部滤波器的估计结果对分布式融合预测器的预测值进行修正，计算修正后的均值和协方差。


2.如权利要求1所述考虑相关噪声和随...

【专利技术属性】
技术研发人员：陈宝文，程东升，李欣，
申请(专利权)人：深圳信息职业技术学院，
类型：发明
国别省市：广东;44