一种非线性或非高斯分布系统的贝叶斯动态估计算法技术方案

本发明专利技术属于动态系统的状态跟踪与预测技术领域，具体为一种非线性或非高斯分布系统的贝叶斯动态估计算法。本发明专利技术首先对待估计目标建立状态模型与观测模型；然后，利用上述模型对该目标做最大似然估计，得到当前时刻目标状态的估计值；再将估计结果及其对应的克拉美劳限作为中间量，代入至下一时刻的状态模型中，从而完成一轮估计与预测；通过上述迭代过程；实现了对于目标的动态估计。该算法适用于非线性信号模型或非高斯噪声。仿真结果表明，该算法能够有效地对于处在非线性状态的目标进行跟踪，且在估计精度上优于标准的扩展卡尔曼滤波和粒子滤波算法。波和粒子滤波算法。波和粒子滤波算法。

【技术实现步骤摘要】
一种非线性或非高斯分布系统的贝叶斯动态估计算法


[0001]本专利技术属于动态系统的状态跟踪与预测
，具体涉及一种贝叶斯动态估计算法。

技术介绍

[0002]动态系统的状态预测与跟踪的应用非常广泛，最典型的应用是车辆或飞行器的定位与导航，包括近年来人们广泛关注的自动驾驶技术。最常用的状态估计器是扩展卡尔曼滤波[1]。然而，对于具有高度非线性或不服从高斯分布的系统，标准扩展卡尔曼滤波器会限制估计结果。近年来，粒子滤波算法被广泛应用[2]，它不仅能更好地解决非线性和非高斯问题，而且具有鲁棒性。然而，在粒子滤波算法中，会出现粒子的退化问题，从而增加了系统的无效运算。
[0003]本专利技术跳出上述估计器的理论框架，提出了一种新的估计算法，克服了上述估计器存在的一些问题，以提高估计结果的精度与可靠性。

技术实现思路

[0004]本专利技术的目的在于针对具有高度非线性或非高斯分布(不服从高斯分布)的系统(具体如车辆或飞行器的定位与导航系统)，提供一种高精度、高鲁棒性的贝叶斯动态估计算法。
[0005]通常，对系统进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非线性或非高斯分布系统的贝叶斯动态估计算法，其特征在于，使用递归过滤器，该过滤器包括两个阶段：预测和更新；其中：预测阶段，利用目标的状态模型来预测从当前时刻到下一个时刻的状态概率分布；更新阶段，鉴于状态模型通常受到干扰影响，使用最新的观测量，以对预测的概率分布进行修正；设系统的状态模型与观测模型分别为：θ
i+1
＝f
i
(θ
i
,ω
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)β
i
＝h
i
(θ
i
,v
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，θ
i
是待估计目标在时刻i的状态，β
i
是时刻i下的测量过程，ω
i
,v
i
均为相互独立的噪声，f
i
与h
i
为非线性函数，且f
i
与h
i
随时刻i的变化而变化；假设目标初始状态θ0的概率密度p(θ0)已知；利用上述状态转移函数θ
i
与测量函数β
i
对目标量进行估计，即利用最大似然对目标量进行估计；由于(1)式与(2)式相互独立，不同时刻的观测量β
i
相互独立，且β
i
本身的概率分布p(β
i
)为定值，故待估计量的后验概率满足如下关系：为使待估计量的后验概率最大，将上式改写为：则优化的目标函数为：L
i
(θ
i
)＝logp(θ
i
|β
1:i
‑1)+logp(β
i
|θ
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)求解(5)，得到优化解；在利用最大似然对目标量进行估计之后，由估计量的渐进正态性可知，可近似目标量θ
i
，均值为方差为其对应的克拉美劳限C
i
的高斯分布...

【专利技术属性】
技术研发人员：蒋轶，梁鑫，
申请(专利权)人：复旦大学，
类型：发明
国别省市：