【技术实现步骤摘要】
一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法
[0001]本专利技术涉及目标状态估计
,具体是一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法。
技术介绍
[0002]滤波是指从含有噪声的传感测量中估计未知的状态或参数,非线性滤波是解决该类不确定信号处理问题的核心技术之一,其广泛应用于工程,统计和数学领域。贝叶斯推理为滤波问题提供了一种数学机制,然而在实际应用中,由于非线性动态系统函数的复杂性,难以对方程的积分运算进行闭式解析分析,通常需利用数值方法近似解算,主要包括数值积分和蒙特卡罗两大类。
[0003]第一类数值积分方法基于确定性法则。其中,高斯逼近是一种常用方法,该方法通过高斯矩匹配法近似目标分布的第一二阶矩,该方法计算简单,然而数值精度较为一般。无迹变换技术通过选择固定数量的sigma点进行状态传递,直接逼近目标原始分布的均值和协方差。在满足协方差矩阵为正定的前提条件下,无迹卡尔曼滤波(Unscented Kalman filter,UKF)算法可达到三阶数值精度。当状态空间模型的积分维度适中时,可根据Gauss
‑
Hermite规则确定数值积分点进行多维二次积分或者容积积分,若满足假定的概率模型条件下的特定积分条件,该算法能够最大程度地减小近似误差而成为相关应用领域中的高性能基准技术。然而该类sigma
‑
point卡尔曼滤波器的应用通常仅限于高斯噪声扰动,该局限性制约数值积分方法在强非线性场景中的应用。
[0004]第二类蒙特卡罗方法基于随机采样的思想 ...
【技术保护点】
【技术特征摘要】
1.一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法,其特征在于,包括如下步骤:步骤1,建立离散时间的非线性高斯系统;步骤2,根据软约束理论截断观测噪声的时空分布,构建系统的截断先验分布,并基于当前观测量与状态初值,采用全局牛顿法得到系统中修正后的截断先验分布;步骤3,根据贝斯推理的全概率公式,基于修正后的截断先验分布与原始先验分布得到系统中目标状态的后验概率分布;步骤4,基于目标状态的后验概率分布得到系统的次优目标重要性函数,并基于次优目标重要性函数采样系统的重要性采样样本;步骤5,根据Gauss
‑
Hermite法则选取Hermite积分点,并基于重要性采样样本修正Hermite积分点,得到贝叶斯序贯重要性积分点;步骤6,基于贝叶斯序贯重要性积分点构造系统中多模型集的综合积分点,基于综合积分点得到系统状态预测的均值与协方差,以及测量预测的均值、协方差与互协方差;步骤7,计算卡尔曼滤波增益、滤波均值、滤波协方差,最终融合多模态滤波近似系统的后验分布;步骤8,将近似后验分布作为下一时刻的原始先验分布,进行下一轮的系统状态滤波。2.根据权利要求1所述基于贝叶斯序贯重要性积分的卡尔曼滤波方法,其特征在于,步骤1中,所述离散时间的非线性高斯系统,具体为:骤1中,所述离散时间的非线性高斯系统,具体为:式中,表示k时刻非线性高斯系统的空间的状态方程、空间的观测方程,n
X
、n
Z
表示状态变量维数、测量序列维数,υ
k
、e
k
表示n
υ
维过程噪声、n
e
维观测噪声,分别是均值为标准协方差为Σ
υ
、Σ
e
的高斯噪声,表示第k时刻的第κ个模型参数,K表示模型参数的总数。3.根据权利要求2所述基于贝叶斯序贯重要性积分的卡尔曼滤波方法,其特征在于,步骤2具体包括:步骤2.1,根据软约束理论截断观测噪声的时空分布,构建系统的截断先验分布,为:步骤2.1,根据软约束理论截断观测噪声的时空分布,构建系统的截断先验分布,为:式中,表示观测噪声软约束构建的截断先验分布,X
k
‑1表示k
‑
1时刻非线性高斯系统的状态量,表示第1时刻到第k
‑
1时刻的第κ个模型参数序列,r
1:k
表示第1时刻到第k时刻非线性高斯系统中潜在的特征变量序列,Z
1:k
表示第1时刻到第k时刻非线性高斯系统的观测量序列;为辅助指示函数,其值取决于观测
模型中观测噪声的概率密度是否在可行域I
X
(Z
k
)内;步骤2.2,假设非线性高斯系统中修正的截断先验分布为高斯分布,由牛顿内点法近似其均值其均值从而,式中,p
t
(X)表示非线性高斯系统修正后的截断先验分布,X表示随机系统的状态变量,表示k时刻的第κ个模型参数真实目标状态分布的可行域区域中心,即截断先验分布的均值;表示k时刻的第κ个模型参数统计中心可行域的第二阶矩,即截断先验分布的协方差;X0为状态初值,α
*
、d
i
分别是backtracking回溯方法的迭代步长和搜索方向。4.根据权利要求3所述基于贝叶斯序贯重要性积分的卡尔曼滤波方法,其特征在于,步骤3中,非线性高斯系统中目标状态的后验概率分布可表示为:式中,表示非线性高斯系统中目标状态的后验概率分布,表示非线性高斯系统中的观测似然,表示非线性高斯系统中的原始先验分布,X
0:k
表示第0时刻到第k时刻非线性高斯系统的状态量,X
1:k
‑1表示第...
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。