一种飞行器参数和噪声特性在线估计方法及存储介质技术

本发明专利技术涉及飞行器参数在线估计技术领域，公开了一种飞行器参数和噪声特性在线估计方法及存储介质。本方法通过在无迹卡尔曼滤波方法的预测和校正步之间加入基于贝叶斯推理和高斯

【技术实现步骤摘要】
一种飞行器参数和噪声特性在线估计方法及存储介质


[0001]本专利技术涉及飞行器参数在线估计
，具体涉及一种飞行器参数和噪声特性在线估计方法及存储介质。

技术介绍

[0002]飞行器参数在线估计是指通过滤波或递推方法逐步从飞行测量数据中估计飞行器未知参数，可用于飞行器重要参数的实时估计、故障诊断和自适应控制等研究。飞行测量数据通常为飞行过程中通过传感器、陀螺仪、红外和雷达等装置测量得到的飞行器飞行状态数据，通常会受到环境扰动和测量噪声等的影响，这些影响一般难以预测和估计，会导致飞行测量数据的污染和参数估计精准度的降低。因此为了提高飞行器未知参数估计精度，在参数在线估计方法研究中必须考虑对未知扰动和噪声等的处理。
[0003]滤波方法是动力学系统中参数在线估计的常用方法，相对递推方法，其在计算效率和鲁棒性方面具有一定的优势。经典的卡尔曼滤波方法常用被于飞行器参数估计，但估计精度严重依赖于噪声和扰动的先验信息。在噪声和扰动先验信息未知的情况下，状态变量增广法和并行滤波法是两种常用处理方法。增广法通过将噪声特性未知参数扩充为系统状态，再通过滤波方法对系统增广状态进行估计，最后得到参数和噪声特性的联合估计结果。由于系统状态、未知参数和噪声之间的相互影响，导致该方法的参数估计精度偏低，因此在参数估计中较少采用；并行滤波方法是采用两个并行的滤波器，分别对未知参数和噪声特性进行估计，该方法在飞行器参数估计中已有一些应用，一般能够满足参数估计精度要求但计算效率偏低。
[0004]因此，为了满足噪声特性未知情况下的飞行器参数在线估计在精度和实时性等方面的需求，有必要进一步发展基于滤波的自适应参数在线估计方法。

技术实现思路

[0005]本专利技术所要解决的技术问题是：针对上述存在的问题，提供了一种可行的基于无迹卡尔曼滤波和贝叶斯推理的飞行器参数自适应在线估计方法。通过在无迹卡尔曼滤波方法的预测和校正步之间加入基于贝叶斯推理和高斯
‑
牛顿方法推导的噪声特性参数优化步骤，能够在保证算法具有较高计算效率的同时，获得更准确的参数估计结果。
[0006]本专利技术采用的技术方案如下：
[0007]一方面，本专利技术提供一种飞行器参数和噪声特性在线估计方法，包括：
[0008]步骤1：初始化系统增广状态和噪声未知参数，给出当前时刻系统增广状态变量在正态分布假设下的统计均值和协方差矩阵，以及给出当前时刻噪声未知参数在正态分布假设下的统计均值和协方差矩阵；
[0009]步骤2：根据飞行测量数据，基于无迹卡尔曼滤波算法，预测系统下一时刻的增广状态；
[0010]步骤3：根据飞行测量数据，由步骤2中得到的预测结果计算新息误差和新息协方
差矩阵；
[0011]步骤4：利用贝叶斯推理和高斯
‑
牛顿优化方法推导的递推公式结合步骤3中求出的新息误差和新息协方差矩阵，迭代求解噪声未知参数的优化结果；
[0012]步骤5：利用求解得到的噪声未知参数的优化结果计算下一时刻的噪声参数协方差矩阵；
[0013]步骤6：根据飞行测量数据，基于无迹卡尔曼滤波算法，代入噪声未知参数的优化结果，对系统增广状态的预测结果进行校正；
[0014]步骤7：重复步骤2至步骤6，直至系统中所有飞行测量数据处理完成。
[0015]进一步的，所述步骤2具体包括：
[0016]将当前时刻的系统增广状态和估计出的当前时刻的噪声未知参数作为已知量，利用无迹卡尔曼滤波算法对下一时刻的系统增广状态进行预测。
[0017]进一步的，所述步骤3中，新息误差通过当前时刻系统的飞行测量数据与下一时刻系统输出的预测值计算得到，新息协方差矩阵根据无迹卡尔曼滤波的多个sigma点系统输出的预测值计算得到；
[0018]其中，新息误差e
k+1
取估值新息协方差矩阵S
k+1
取估值的计算公式如下：
[0019][0020]的计算公式如下：
[0021][0022]其中，k表示当前飞行测量数据采样时刻，k为大于等于0的整数，L为增广状态变量维度，为下一时刻系统输出的预测值，z
k+1
为下一时刻系统的飞行测量数据，Y表示由无迹卡尔曼滤波确定的多个sigma点输出的预测值，R为飞行测量数据噪声协方差矩阵，表示当前k时刻的噪声未知参数，为权重值。
[0023]进一步的，所述步骤4具体包括：
[0024]步骤41：将噪声未知参数θ的迭代初始值和统计均值m均设置为上一时刻的估计值
[0025]步骤42：根据如下迭代公式，由第i步的迭代值θ
i
计算第i+1步的迭代值θ
i+1
；
[0026]θ
i+1
＝m
k
‑
G
i
‑1g
i
[0027][0028][0029][0030][0031]其中，i表示迭代步数，i为大于等于0的整数，m
k
为k时刻噪声未知参数θ的统计均值，C
k
为k时刻噪声未知参数θ的协方差矩阵，G
i
为似然函数关于θ的二阶导数矩阵，g
i
为似然函数关于θ的梯度，为将θ
i
代入步骤3计算得到的新息误差，为将θ
i
代入步骤3计算得到的新息协方差矩阵，np为噪声未知参数θ的维度，G
innov
为新息协方差矩阵关于噪声未知参数θ的n
p
×
n
p
维Hessian矩阵；
[0032]步骤43：步骤43：计算噪声未知参数θ两步迭代之间的变化量的模Δθ＝||θ
i+1
‑
θ
i
||，若Δθ≤10
‑4或迭代步数i大于或等于15，则跳出循环，得到下一时刻噪声未知参数的优化结果若不满足两个判断条件，则返回步骤42继续计算。
[0033]在步骤42中，将飞行测量数据噪声协方差矩阵R假设为对角阵，其对角线元素即为噪声未知参数θ，则矩阵S对于任一未知参数θ
j
的偏导可由下式计算：
[0034][0035]进一步的，所述步骤5具体包括：
[0036]将步骤4中计算得到的下一时刻噪声未知参数的优化结果作为该时刻噪声未知参数θ的统计均值m
k+1
；利用m
k+1
递推计算噪声未知参数的协方差矩阵C
k+1
，公式如下：
[0037][0038]第二方面，本专利技术提供一种存储介质，所述存储介质上存储有计算机指令，所述计算机指令在计算机上运行时，使得所述计算机执行上述第一方面所述的方法。
[0039]与现有技术相比，采用上述技术方案的有益效果为：
[0040]1、本专利技术基于无迹卡尔曼滤波提出了一种具有噪声特性未知的飞行测量数据自适应处理能力的飞行器参数在线估计方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种飞行器参数和噪声特性在线估计方法，其特征在于，包括：步骤1：初始化系统增广状态和噪声未知参数，给出当前时刻系统增广状态变量在正态分布假设下的统计均值和协方差矩阵，以及给出当前时刻噪声未知参数在正态分布假设下的统计均值和协方差矩阵；步骤2：基于无迹卡尔曼滤波算法，预测系统下一时刻的增广状态；步骤3：根据飞行测量数据，由步骤2中得到的预测结果计算新息误差和新息协方差矩阵；步骤4：利用贝叶斯推理和高斯
‑
牛顿优化方法推导的递推公式结合步骤3中求出的新息误差和新息协方差矩阵，迭代求解噪声未知参数的优化结果；步骤5：利用求解得到的噪声未知参数的优化结果计算下一时刻的噪声参数协方差矩阵；步骤6：根据飞行测量数据，基于无迹卡尔曼滤波算法，代入噪声未知参数的优化结果，对系统增广状态的预测结果进行校正；步骤7：重复步骤2至步骤6，直至系统中所有飞行测量数据处理完成。2.根据权利要求1所述的一种飞行器参数和噪声特性在线估计方法，其特征在于，所述步骤2具体包括：将当前时刻的系统增广状态和估计出的当前时刻的噪声未知参数作为已知量，利用无迹卡尔曼滤波算法对下一时刻的系统增广状态进行预测。3.根据权利要求1所述的一种飞行器参数和噪声特性在线估计方法，其特征在于，所述步骤3中，新息误差通过当前时刻系统的飞行测量数据与下一时刻系统输出的预测值计算得到，新息协方差矩阵根据无迹卡尔曼滤波的多个sigma点系统输出的预测值计算得到。4.根据权利要求3所述的一种飞行器参数和噪声特性在线估计方法，其特征在于，所述新息误差取估值所述新息协方差矩阵取估值所述新息协方差矩阵取估值的计算公式如下：的计算公式如下：的计算公式如下：其中，k表示当前飞行测量数据采样时刻，k为大于等于0的整数，L为增广状态变量维度，为下一时刻系统输出的预测值，z
k+1
为下一时刻系统的飞行测量数据，Y表示由无迹卡尔曼滤波确定的多个sigma点输出的预测值，R为飞行测量数据噪声协方差矩阵，表示当前k时刻的噪声未知参数，为权重值。5.根据权利要求4所述的一种飞行器参数和噪声特性在线估计方法，其特征在于，所述
步骤4具体包括：步骤41：将噪声未知参数θ的迭代初始值和统计均值m均设置为k时刻噪声未知参数的估计值步骤42：根据如下迭代公式，由第i步的迭代...

【专利技术属性】
技术研发人员：丁娣，何开锋，王文正，钱炜祺，汪清，
申请(专利权)人：中国空气动力研究与发展中心计算空气动力研究所，
类型：发明
国别省市：