一种抗差自适应多模型滤波方法技术

本发明专利技术公开了一种抗差自适应多模型滤波方法，具体包括以下步骤：步骤1：采用三个滤波器的多模型滤波结构，建立应用对象的离散状态空间模型，并构建量测噪声方差阵模型集；步骤2：计算各滤波器间模型混合概率、各滤波器混合初始状态及其均方误差阵；步骤3：三个滤波器分别同时进行抗差Kalman滤波；步骤4：采用贝叶斯假设检验方法进行滤波器模型概率更新；步骤5：各滤波器估计值与对应滤波器模型概率加权融合，输出联合状态估计及其均方误差阵；步骤6：自适应更新量测噪声方差阵模型集；步骤7：重复步骤2～步骤6直至滤波结束。本发明专利技术能够有效提高滤波抗差能力，自适应快速估计量测噪声统计特性，提高滤波精度。提高滤波精度。提高滤波精度。

【技术实现步骤摘要】
一种抗差自适应多模型滤波方法


[0001]本专利技术涉及一种抗差自适应多模型滤波方法，属于多传感器信息融合技术，特别适用于组合导航领域。

技术介绍

[0002]Kalman滤波是一种线性，无偏，且误差方差最小的最优估计算法，广泛应用于多传感器信息融合，具有算法简单、易于工程实现的特点，但算法精度高度依赖系统模型的准确性，且要求准确已知系统噪声和量测噪声的统计特性。在实际工程应用中，由于传感器量测环境通常复杂多变，导致量测噪声的统计特性难以准确获取且具有时变性。另外，即使是非常精密的传感器，其量测数据也或多或少的会带有粗差(野值)。以上种种情况都会导致Kalman滤波精度明显变差甚至滤波发散。
[0003]多模型估计对于处理系统模型不确定情况下的估计问题有着其他方法所不具备的效果，但估计性能在很大程度上依赖于模型集。对于固定结构的多模型算法，为了能够覆盖到系统所有可能的模式，模型集要设计的足够大，但并不是所有系统模式都是完全已知的，同时若增大模型集，则会导致过度的模型竞争反而影响估计精度。
[0004]以水下惯导/多普勒组合导航为例。由于水下环境复杂多变，多普勒测速仪的量测数据不可避免会带有粗差，同时其量测噪声的统计特性也往往未知且会随着环境的变化而变化，单一固定的滤波器参数在系统长时间运行过程中必将会导致滤波精度的降低。另外，所建立的系统模型也难免会存在误差。因此，针对以上情况亟需一种更为有效的滤波方法。

技术实现思路

[0005]为了降低量测粗差和量测噪声统计特性未知多变对滤波精度的影响，本专利技术提出了一种抗差自适应多模型滤波方法。该方法能够有效提高滤波抗差能力，自适应快速估计量测噪声统计特性，提高滤波精度。
[0006]本专利技术的上述目的通过以下技术方案来实现：
[0007]一种抗差自适应多模型滤波方法，具体包括以下步骤：
[0008]步骤S1：采用三个滤波器的多模型滤波结构，建立应用对象的离散状态空间模型，并构建量测噪声方差阵模型集；
[0009]步骤S2：计算各滤波器间模型混合概率、各滤波器混合初始状态及其均方误差阵；
[0010]步骤S3：三个滤波器分别同时进行抗差Kalman滤波；
[0011]步骤S4：采用贝叶斯假设检验方法进行滤波器模型概率更新；
[0012]步骤S5：各滤波器估计值与对应滤波器模型概率加权融合，输出联合状态估计及其均方误差阵；
[0013]步骤S6：自适应更新量测噪声方差阵模型集；
[0014]步骤S7：重复步骤S2～S6直至滤波结束。
[0015]进一步，所述步骤S1具体包括以下过程：
[0016]S1.1采用三个滤波器的多模型滤波结构，建立应用对象的离散状态空间模型，包括状态方程和量测方程：
[0017][0018]其中，和分别为k时刻滤波器j的状态向量和量测向量，为k
‑
1时刻滤波器j的状态向量，为k
‑
1时刻到k时刻滤波器j的状态一步转移矩阵，为k
‑
1时刻滤波器j的系统噪声向量，为k
‑
1时刻到k时刻滤波器j的系统噪声输入矩阵，为k时刻滤波器j的量测矩阵，为k时刻滤波器j的量测噪声向量，j＝1,2,3。
[0019]S1.2构建量测噪声方差阵模型集
[0020][0021]其中，模型集中分别对应k时刻滤波器1,2,3的量测噪声方差阵，为k时刻量测噪声方差阵估计值，η为一设定正常数，对于初始量测噪声方差阵估计可根据先验知识给出。
[0022]进一步，所述步骤S2具体包括以下过程：
[0023]S2.1假设各滤波器间转移遵循马尔可夫过程，根据上一时刻各滤波器模型概率和各滤波器间马尔可夫转移概率，计算各滤波器间模型混合概率为：
[0024][0025]其中，为k
‑
1时刻滤波器i到滤波器j的模型混合概率，p
i
→
j
为滤波器i到滤波器j的马尔可夫转移概率，为k
‑
1时刻滤波器i的模型概率，对于初始时刻的各滤波器模型概率和各滤波器间马尔可夫转移概率需根据先验知识给出。
[0026]S2.2计算各滤波器混合初始状态及其均方误差阵：
[0027][0028][0029]其中，和分别为k
‑
1时刻滤波器j的混合初始状态和其对应均方误差阵，和分别为k
‑
1时刻滤波器i的状态估计和其对应均方误差阵，上标
T
表示矩阵转置。
[0030]进一步，所述步骤S3具体包括以下过程：
[0031]S3.1计算状态一步预测及其均方误差阵：
[0032][0033][0034]其中，和分别为滤波器j的状态一步预测和其对应均方误差阵；
[0035]S3.2计算新息：
[0036][0037]其中，为k时刻滤波器j的新息向量，为k时刻滤波器j的量测向量。
[0038]S3.3新息标准化：
[0039][0040][0041]其中，为k时刻滤波器j中第i个量测分量的标准化新息，为k时刻滤波器j中第i个量测分量的新息的均方差估计，为截止当前时刻滤波器j中第i个量测分量的新息序列，函数med为求中位数函数。
[0042]S3.4新息M估计抗差处理：
[0043][0044][0045][0046]其中，函数ω为三段式IGGⅢ等价权函数，k0和k1为经验性抗差参数，矩阵为k时刻滤波器j的新息加权阵，为k时刻滤波器j的修正新息序列，m为量测向量的维数。
[0047]S3.6计算滤波增益阵和新息方差阵：
[0048][0049][0050]其中，为k时刻滤波器j的滤波增益阵，为k时刻滤波器j的新息方差阵。
[0051]S3.7计算状态估计及其均方误差阵：
[0052][0053][0054]其中，和分别为k时刻滤波器j的状态估计和其对应均方误差阵。
[0055]进一步，所述步骤S4具体包括以下过程：
[0056]S4.1由各滤波器的修正新息序列和新息方差阵，计算各滤波器模型的似然函数值：
[0057][0058]其中，为k时刻滤波器j的似然函数值，m为量测向量的维数。
[0059]S4.2采用贝叶斯假设检验方法进行滤波器模型概率更新，计算各滤波器模型概率值：
[0060][0061]其中，为k时刻滤波器j的模型概率。
[0062]进一步，所述步骤S5具体包括以下过程：
[0063]各滤波器估计值与对应滤波器模型概率加权融合，输出联合状态估计及其均方误差阵：
[0064][0065][0066]其中，和P
k
分别为k时刻联合状态估计和其对应均方误差阵。
[0067]进一步，所述步骤S6具体包括以下过程：
[0068]将对应滤波器模型概率最大的量测噪声方差阵作为下一时刻量测噪声方差阵估计值，自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抗差自适应多模型滤波方法，其特征在于，具体包括以下步骤：步骤S1：采用三个滤波器的多模型滤波结构，建立应用对象的离散状态空间模型，并构建量测噪声方差阵模型集；步骤S2：计算各滤波器间模型混合概率、各滤波器混合初始状态及其均方误差阵；步骤S3：三个滤波器分别同时进行抗差Kalman滤波；步骤S4：采用贝叶斯假设检验方法进行滤波器模型概率更新；步骤S5：各滤波器估计值与对应滤波器模型概率加权融合，输出联合状态估计及其均方误差阵；步骤S6：自适应更新量测噪声方差阵模型集；步骤S7：重复步骤S2～S6直至滤波结束。2.根据权利要求1所述的抗差自适应多模型滤波方法，其特征在于，所述步骤S1具体包括以下过程：S1.1采用三个滤波器的多模型滤波结构，建立应用对象的离散状态空间模型，包括状态方程和量测方程：其中，和分别为k时刻滤波器j的状态向量和量测向量，为k
‑
1时刻滤波器j的状态向量，为k
‑
1时刻到k时刻滤波器j的状态一步转移矩阵，为k
‑
1时刻滤波器j的系统噪声向量，为k
‑
1时刻到k时刻滤波器j的系统噪声输入矩阵，为k时刻滤波器j的量测矩阵，为k时刻滤波器j的量测噪声向量，j＝1,2,3；S1.2构建量测噪声方差阵模型集S1.2构建量测噪声方差阵模型集其中，模型集中分别对应k时刻滤波器1,2,3的量测噪声方差阵，为k时刻量测噪声方差阵估计值，η为一设定正常数，对于初始量测噪声方差阵估计可根据先验知识给出。3.根据权利要求1所述的抗差自适应多模型滤波方法，其特征在于，所述步骤S2具体包括以下过程：S2.1假设各滤波器间转移遵循马尔可夫过程，根据上一时刻各滤波器模型概率和各滤波器间马尔可夫转移概率，计算各滤波器间模型混合概率为：
其中，为k
‑
1时刻滤波器i到滤波器j的模型混合概率，p
i
→
j
为滤波器i到滤波器j的马尔可夫转移概率，为k
‑
1时刻滤波器i的模型概率，对于初始时刻的各滤波器模型概率和各滤波器间马尔可夫转移概率需根据先验知识给出；S2.2计算各滤波器混合初始状态及其均方误差阵：S2.2计算各滤波器混合初始状态及其均方误差阵：其中，和分别为k
‑
1时刻滤波器j的混合初始状态和其对应均方误差阵，和分别为k
‑

【专利技术属性】
技术研发人员：徐晓苏，仲灵通，
申请(专利权)人：东南大学，
类型：发明
国别省市：