一种快速自适应的动态惯性导航实时解算去噪方法技术

本发明专利技术公开了一种快速自适应的动态惯性导航实时解算去噪方法，属于数字去噪技术领域，根据小车第k时刻的状态包含位置p

【技术实现步骤摘要】
一种快速自适应的动态惯性导航实时解算去噪方法


[0001]本专利技术属于数字去噪
，具体涉及一种快速自适应的动态惯性导航实时解算去噪方法。

技术介绍

[0002]数字信号的滤波是通过数字滤波器来实现的。数字滤波器是一种用来过滤时间离散信号的数字系统,它是通过对抽样数据进行数学处理来达到频域滤波的目的。最开始通过对信号进行求加权平均来实现对加性噪声的去除，后来通过设计模拟滤波器是现在对其他噪声的去除，随着数字信号的发展，逐渐实用FFT变换进行去噪处理，首先经变换得到频谱，通过分析频谱进而知道有用信号与噪声所在的带宽，然后设计对应的数字滤波器实现对信号的去噪处理。虽然低通高通等滤波器能实现去噪，倒是对于随机噪声的处理效果不佳，尤其是对传感器的数据信号处理达不到有效的应用。因此需要提出一种对随机噪声有良好性能的滤波器
[0003]卡尔曼滤波器在随机序列估计、空间技术、目标跟踪具有广泛的应用，1960年卡尔曼还提出能控性的概念。后人称之为卡尔曼卡尔曼滤波的实质是由量测值重构系统的状态向量。它以“预测—实测—修正”的顺序递推，卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算，卡尔曼滤波的实质是由量测值重构系统的状态向量。它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态。
[0004]但在实际应用中，随着量测值数目的增加，由于估计误差的均值和估计误差协方差可能越来越大，使滤波逐渐失去准确估计的作用，这种现象称为卡尔曼滤波发散。引起滤波器误差发散的主要原因有两点：
[0005](1)描述系统动力学特性的数学模型和噪声估计模型不准确，不能直接真实地反映物理过程，使得模型与获得的量测值不匹配而导致滤波发散。这种由于模型建立过于粗糙或失真所引起的发散称为滤波发散。
[0006](2)由于卡尔曼滤波是递推过程，随着滤波步数的增加，舍入误差将逐渐积累。如果计算机字长不够长，这种积累误差很有可能使估计误差方差阵失去非负定性甚至失去对称性，使滤波增益矩阵逐渐失去合适的加权作用而导致发散。这种由于计算舍入误差所引起的发散称为计算发散。

技术实现思路

[0007]有鉴于此，本专利技术的目的在于提供一种快速自适应的动态惯性导航实时解算去噪方法，通过计算相邻两个时刻的差分值，估计此时间段内的信号噪声协方差矩阵，从而不断更新，使得原始信号值逼近理论值。
[0008]为达到上述目的，本专利技术提供如下技术方案：
[0009]本专利技术一种快速自适应的动态惯性导航实时解算去噪方法，包括以下步骤：
[0010]步骤1，假设控制小车进行的运动为定速直线运动，小车第k时刻的状态包含位置p
k
和速度v
k
信息[p
k v
k
]’
，记为x
k
，经过Δt时间，从k
‑
1时刻到k时刻，小车的位置状态的变化写成矩阵的形式即为记状态转换矩阵为A，即
[0011]x
k
＝Ax
k
‑1ꢀꢀ
(1)
[0012]假设小车的状态位置为x
k
与精确值间满足正态分布，协方差为P
k
，经过x
k
＝Ax
k
‑1的变换，k时刻的方差P
k
满足P
k
＝AP
k
‑1A
T
，其中T为时间；
[0013]步骤2，取协方差矩阵Q值为前后时刻差值的平方，公式为
[0014]P
k
＝AP
k
‑1A
T
+Q
ꢀꢀ
(2)
[0015]Q＝(x
k
‑
x
k
‑1)2ꢀꢀ
(3)
[0016]步骤3，加入一个状态转换的矩阵，把当前的状态向量转化为传感器传回的状态，记矩阵为H
k
；
[0017]步骤4，联合分布满足方程H
k
x
k
′
＝H
k
x
k
+K(y
k
‑
H
k
x
k
)，K为卡尔曼增益，其值为对以上三式约去左边的H
k
，并进行化简可得
[0018][0019]x
k
′
＝x
k
+K
′
(y
k
‑
H
k
x
k
)
ꢀꢀ
(5)
[0020]P
k
′
＝P
k
‑
K
′
H
k
P
k
ꢀꢀ
(6)
[0021]得到的x
k
’
与P
k
’
即可作为k时刻的估计初始状态继续进行下一时刻的预测，传感器的协方差R值采用前后时刻的状态值进行估计，其值估计为
[0022]R＝((x
k
′‑
x
k
‑1)
×
m)2+nR
ꢀꢀ
(7)
[0023]其中，m为前后时刻状态对协方差的影响系数，n为惯性系数。
[0024]进一步，步骤1中，小车的状态位置为x
k
是通过上一时刻和卫星传感器综合得出的一个估计值。
[0025]进一步，步骤3中，H
k
的取值为[1,0]。
[0026]本专利技术的有益效果在于：
[0027]本专利技术一种快速自适应的动态惯性导航实时解算去噪方法，在传统卡尔曼滤波的基础上，通过计算相邻两个时刻的差分值，估计此时间段内的信号噪声协方差矩阵，从而不断更新，使得原始信号值逼近理论值，达到理想数据滤波效果。
[0028]本专利技术的其他优点、目标和特征将在随后的说明书中进行阐述，并且在某种程度上对本领域技术人员而言是显而易见的，或者本领域技术人员可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0029]为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：
[0030]图1为传统卡尔曼的滤波效果；
[0031]图2为卡尔曼滤波状态误差估计；
[0032]图3为快速自适应卡尔曼滤波效果；
[0033]图4为自适应卡尔曼滤波状态误差估计。
具体实施方式
[0034]本专利技术一种快速自适应的动态惯性导航实时解算去噪方法，其具体步骤如下：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速自适应的动态惯性导航实时解算去噪方法，其特征在于，包括以下步骤：步骤1，假设控制小车进行的运动为定速直线运动，小车第k时刻的状态包含位置p
k
和速度v
k
信息[p
k v
k
]
’
，记为x
k
，经过Δt时间，从k
‑
1时刻到k时刻，小车的位置状态的变化写成矩阵的形式即为记状态转换矩阵为A，即x
k
＝Ax
k
‑1ꢀꢀ
(1)假设小车的状态位置为x
k
与精确值间满足正态分布，协方差为P
k
，经过x
k
＝Ax
k
‑1的变换，k时刻的方差P
k
满足P
k
＝AP
k
‑1A
T
，其中T为时间；步骤2，取协方差矩阵Q值为前后时刻差值的平方，公式为P
k
＝AP
k
‑1A
T
+Q
ꢀꢀ
(2)Q＝(x
k
‑
x
k
‑1)2ꢀꢀ
(3)步骤3，加入一个状态转换的矩阵，把当前的状态向量转化为传感器传回的状态，记矩阵为H
k
；步骤4，联合分布满足方程H
k
x
k
′
＝H
k
x<...

【专利技术属性】
技术研发人员：袁杨宇，谢远新，程伟，刘宽，
申请(专利权)人：重庆亲禾智千科技有限公司，
类型：发明
国别省市：