【技术实现步骤摘要】
适于INS/CNS组合导航系统的基于最大相关熵的广义高阶CKF算法
[0001]本专利技术涉及一种滤波方法,具体涉及一种适用于INS/CNS组合导航系统的基于最大相关熵的广义高阶CKF算法。
技术介绍
[0002]在组合导航系统中,卡尔曼滤波器(KF)是应用于线性系统的一种最流行的状态估计方法,然而INS/CNS组合导航系统的系统方程是非线性的,适用于非线性组合导航系统方程的滤波算法主要包括扩展卡尔曼(EKF)、无迹卡尔曼(UKF)、容积卡尔曼(CKF)和广义高阶容积卡尔曼滤波算法。其中,EKF只是利用Taylor级数展开,将非线性系统方程进行简单局部线性化,线性化的系统存在严重的模型描述误差;UKF利用一组选定的sigma点逼近状态的概率分布,克服了EKF算法局部线性化引起的误差,然而由于无迹变换的中心点权值可能为负,导致了UKF算法的数值不稳定性;与UKF相比,CKF具有更好的数值稳定性,而CKF算法是基于三阶容积准则推导而来,它只能保证三阶逼近精度,因而不适用于对精度要求较高的应用场景;利用完全对称公式构建的广义高阶CKF算法相对基于三阶容积规则构建的CKF算法具有更高的估计精度。在实际的应用当中,由于INS或CNS受到外部环境的影响,产生的量测噪声通常为非高斯噪声。然而,以上滤波算法只适用于高斯白噪声的情况。为了实现在量测噪声为非高斯噪声的情况下,INS/CNS依然能获得高精度的导航信息,本专利技术专利提出了一种将最大相关熵准则引入到广义高阶CKF算法量测更新过程中的方法。
技术实现思路
[0 ...
【技术保护点】
【技术特征摘要】
1.一种适用于INS/CNS组合导航系统的基于最大相关熵的广义高阶CKF算法,其特征在于:该方法包括以下步骤:(1)构造INS/CNS组合导航系统滤波模型;(2)根据构造的滤波模型进行滤波算法的时间更新;(3)引入最大相关熵准则和判断准则,进行滤波算法的量测更新。2.根据权利要求1所述的一种适用于INS/CNS组合导航系统的基于最大相关熵的广义高阶CKF算法,其特征在于:步骤(1)所述的构造INS/CNS组合导航系统滤波模型包括以下步骤:(11)设置INS/CNS组合导航系统的状态向量为x=[φ,δv,δr,ε,Δ],其中[φ,δv,δr,ε,Δ]分别表示INS姿态误差、速度误差、位置误差、陀螺常值漂移和加速度计常值偏置;(12)根据INS/CNS组合导航系统的状态向量x建立系统的状态方程:其中,F表示状态转移矩阵,G表示过程噪声输入矩阵,W表示过程噪声;对上述方程进行离散化,得到离散化的系统状态方程:x
k
=f(x
k
‑1,W
k
‑1)其中,f(
·
)为已知的非线性函数,x
k
‑1和x
k
分别表示k
‑
1时刻和k时刻的状态向量,W
k
‑1表示k
‑
1时刻的过程噪声并且其均值为0,W
k
‑1的协方差可表示为:取导航系统的数学平台误差角方程作为系统的量测方程,z
k
=H
k
x
k
+V
k
其中,z
k
表示k时刻的量测向量,H
k
表示k时刻的测量矩阵,V
k
表示k时刻的量测噪声其满足均值为0,它的协方差表示为:并且V
k
与W
k
‑1满足互不相关。3.根据权利要求1所述的一种适用于INS/CNS组合导航系统的基于最大相关熵的广义高阶CKF算法,其特征在于:步骤(2)包括以下步骤(21)根据INS/CNS组合导航系统滤波精度要求设置核宽度λ和阈值c的值,设置初始的状态向量的估计值为初始的误差协方差为P
0|0
,k=1,对P
0|0
进行乔列斯分解得到误差协方差阵的特征平方根初值S
0|0
;(22)根据公式计算出容积点X
i,k
‑
1|k
‑1(i=1,...,2n2+1),其中n表示状态向量的维数,[
·
]
i
表示集合...
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。