基于乘性潜变量的两阶段分布式卡尔曼滤波状态估计方法技术

本发明专利技术公开了一种基于乘性潜变量的两阶段分布式卡尔曼滤波方法。本发明专利技术首先，将模型中的非线性乘子定义为潜变量，从而将系统模型改写成基于原始状态变量与相应潜变量相结合的伪线性形式；然后，将潜变量视为新的系统参数变量，建立潜变量与原始状态变量之间的动态关联模型；再次，写出待估状态变量和潜变量的分布式观测模型；最后，设计两阶段的卡尔曼滤波器，依次估计出潜变量和状态变量。本发明专利技术将模型中非线性乘子定义为潜变量，然后通过两阶段的卡尔曼滤波器依次估计出潜变量和状态变量的状态；从而避免了传统扩展卡尔曼滤波由于泰勒展开式产生的截断误差，有效提高了滤波效果。

【技术实现步骤摘要】
基于乘性潜变量的两阶段分布式卡尔曼滤波状态估计方法
本专利技术应用于状态估计领域，具体涉及一种含有乘性潜变量的两阶段分布式卡尔曼滤波状态估计方法。
技术介绍
在自动控制、航空航天、通信、导航和工业生产等领域中，越来越多地遇到估计问题。所谓“估计”就是从观测数据中提取信息。例如，在做实验时为了便于说明问题，常把实验结果用曲线来表示，需要根据观测数据来估计描述该曲线方程中的某些参数，这一过程叫做参数估计，这些被估计的参数都是随机变量。在飞行器导航中，要从带有随机干扰的观测数据中估计出飞行器的位置、速度、加速度等运动状态变量，这就遇到状态变量的估计问题，这些状态变量都是随机过程。因此，“估计”的任务就是从带有随机误差的观测数据中估计出某些参数或某些状态变量，这些被估计参数或状态变量统称为被估量。卡尔曼滤波理论(KalmanFilter)是一种最优的状态估计理论，因其具有良好的鲁棒性和最优特性而被广泛地适用于线性系统的状态估计和目标跟踪中。在目标状态跟踪领域，针对高斯系统的状态滤波问题，相当多方法都是以卡尔曼滤波为基础进行发展和改善的。卡尔曼滤本文档来自技高网...

【技术保护点】
1.基于乘性潜变量的两阶段分布式卡尔曼滤波方法，应用于状态估计领域，该方法包括以下步骤：/n步骤1：建立符合卡尔曼滤波框架的状态模型与观测模型；/n

【技术特征摘要】
1.基于乘性潜变量的两阶段分布式卡尔曼滤波方法，应用于状态估计领域，该方法包括以下步骤：
步骤1：建立符合卡尔曼滤波框架的状态模型与观测模型；






其中，k是周期为1的离散时间，x(k)是n维状态变量，i(j)表示第i(j)个状态变量或观测向量，r为不为零的自然数，f(x(k),k)是基本函数构成的非线性乘子；z(k+1)是观测向量，C(k+1)是观测模型中线性部分的系数矩阵，D(k+1)是观测模型中非线性部分的系数矩阵；w(k)和v(k+1)分别为已知的高斯型过程噪声和观测噪声向量，且满足不相关白噪声的统计特性；
步骤2：系统的线性化过程；
将式(1.1)中的非线性乘子fi(x(k),k)定义为潜变量
αi(k)＝fi(x(k),k),i＝1,2,…,n(2.1)
则状态模型(1.1)可写成如下形式
x(k+1)＝A(α(k))x(k)+w(k)(2.2)
其中，A为含潜变量参数的系数矩阵；由式(1.2)和(2.1)，观测模型(1.2)写成如下形式
z(k+1)＝Hx(α(k+1))x(k+1)+v(k+1)(2.3)
其中，Hx为含潜变量参数的系数矩阵；将潜变量视为新的系统参数变量，建立潜变量与原始状态变量的动态关联模型
α(k+1)＝S(k)x(k)+G(k)α(k)+wα(k)(2.4)
其中，wα(k)是引入的白噪声向量，潜变量与原始状态变量之间的动态关联矩阵为S(k)，不同潜变量参数之间的动态关联矩阵为G(k)；G(k)可根据原始状态模型的输入与输出信息进行辨识，但在没有任何先验信息情况下时，对其设置如下
G(k)＝I(2.5)
至此，式(2.2)实现了状态模型关于原始状态变量的拟线性化形式，式(2.4)实现了各个潜变量α(k+1)关于原始状态变量x(k)以及其他潜变量α(k)之间的线性关联模型，这两步实现了原始状态变量x(k)和所有潜变量α(k)的分步线性化表示形式；同时针对潜变量α(k+1)，可以写出以原始状态变量x(k)为观测矩阵参数的线性化表示模型
zα(k+1)＝Hα(x(k+1))α(k+1)+vα(k+1)(2.6)
其中，zα(k)是对潜变量的观测值，Hα是含潜变量参数的系数矩阵，vα(k)是引入的白噪声向量；从而，式(2.3)和式(2.7)实现了对应待估状态变量和潜变量的分布式观测模型；
步骤3：设计两阶段分布式卡尔曼滤波器；
假设已知观测值z(1),z(2),…,z(k)和...

【专利技术属性】
技术研发人员：林志鹏，文成林，姚博，徐晓滨，
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