一种广义最小误差熵卡尔曼的水下无人航行器定位方法技术

本发明专利技术提供了一种广义最小误差熵卡尔曼的水下无人航行器定位方法，包括以下步骤：S1、采集水下无人航行器的位置和速度数据，构建为定位数据样本集；S2、采用广义最小误差熵卡尔曼滤波对定位数据样本集中定位数据样本进行滤波处理，得到修正定位数据；本发明专利技术解决了现有针对非高斯噪声的滤波方法只能处理某些特定类型的噪声，非高斯噪声无法被完全滤除，造成水声定位的估计精度低的问题。成水声定位的估计精度低的问题。成水声定位的估计精度低的问题。

【技术实现步骤摘要】
一种广义最小误差熵卡尔曼的水下无人航行器定位方法


[0001]本专利技术涉及无人航行器定位
，具体而言，涉及一种广义最小误差熵卡尔曼的水下无人航行器定位方法。

技术介绍

[0002]随着海洋勘探的发展，水下无人航行器的应用也愈加广泛，同时水下无人航行器的高精度水声定位技术正在吸引更多的关注。在一个实际的海洋环境中，水下无人航行器的水声定位系统往往使用声波信号来进行测量和定位，但是由于复杂的水下环境以及来往船舶产生的噪声干扰，通常会导致水下无人航行器的水声定位系统产生异常测量。而由海洋环境和过往船舶产生的噪声一般都属于非高斯噪声，这些未知分布的非高斯噪声会严重影响无人航行器水声定位系统的精度，对水下无人航行器定位造成极大的负面影响。
[0003]现有进行水声定位常用的原始卡尔曼滤波算法(KF)只适用于高斯噪声条件。为了解决非高斯噪声对状态估计(水声定位)的影响：(1)最近，信息理论学习(ITL)中的最大相关熵准则(MCC)考虑了高阶统计量，是一种很好的非高斯噪声状态估计(水声定位)方法，并提出了一种新的基于MCC的KF算法，称为最大相关熵KF(MCKF)，该方法也扩展到非线性系统的状态估计(水声定位)。此外，还开发了一些基于修正的相关熵准则的KF。(2)ITL中的最小误差熵(MEE)准则在处理具有多峰分布的复杂非高斯噪声方面优于MCC。为了进一步提高KF算法处理非高斯噪声的能力，提出了一些基于MEE准则的新型卡尔曼滤波算法。然而，无论是MCC还是MEE，其误差熵的形状都不能自由改变，因为它的核函数是高斯函数，这使得基于最大相关熵和误差熵的算法只能处理某些特定类型的噪声。这些分布未知的非高斯噪声将不可避免地降低系统水声定位的估计精度。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种广义最小误差熵卡尔曼的水下无人航行器定位方法解决了现有针对非高斯噪声的滤波方法只能处理某些特定类型的噪声，非高斯噪声无法被完全滤除，造成水声定位的估计精度低的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种广义最小误差熵卡尔曼的水下无人航行器定位方法，包括以下步骤：
[0006]S1、采集水下无人航行器的位置和速度数据，构建为定位数据样本集；
[0007]S2、采用广义最小误差熵卡尔曼滤波对定位数据样本集中定位数据样本进行滤波处理，得到修正定位数据。
[0008]进一步地，所述步骤S2包括以下分步骤：
[0009]S21、将定位数据样本初始值带入预测方程，得到定位数据样本预测值；
[0010]S22、根据定位数据样本预测值和定位数据样本集中定位数据样本，计算定位数据样本误差值；
[0011]S23、根据定位数据样本误差值和增广噪声矩阵，计算增广噪声矩阵的协方差矩阵
的分量；
[0012]S24、根据增广噪声矩阵的协方差矩阵的分量和定位数据样本预测值，构建广义最小误差熵卡尔曼滤波模型；
[0013]S25、根据广义最小误差熵卡尔曼滤波模型，对估计定位数据样本进行更新，得到更新估计定位数据样本；
[0014]S26、判断更新估计定位数据样本是否满足误差条件，若是，则更新估计定位数据样本为修正定位数据，若否，直接跳转至步骤S25中。
[0015]进一步地，所述步骤S21中预测方程为：
[0016][0017]其中，为第k个定位数据样本的预测值，A
k
‑1为第k
‑
1个的状态转移矩阵，为第k
‑
1个定位数据样本的预测值，在k＝0时，为定位数据样本初始值。
[0018]进一步地，所述步骤S22中计算定位数据样本误差值的公式为：
[0019][0020]其中，ε
k|k
‑1为第k个定位数据样本误差值，x
k
为定位数据样本集中第k个定位数据样本，为第k个定位数据样本的预测值。
[0021]进一步地，所述步骤S23包括以下分步骤：
[0022]S231、根据定位数据样本误差值，计算定位数据样本的增广噪声矩阵；
[0023]S232、根据定位数据样本的增广噪声矩阵，计算增广噪声矩阵的协方差矩阵的分量。
[0024]进一步地，所述步骤S231中计算定位数据样本的增广噪声矩阵的公式为：
[0025][0026]其中，μ
k
为第k个定位数据样本的增广噪声矩阵，ε
k|k
‑1为第k个定位数据样本误差值，v
k
为第k个定位数据样本的观测噪声。
[0027]进一步地，所述步骤S232中计算增广噪声矩阵的协方差矩阵的分量的公式为：
[0028][0029]其中，Θ
k
为第k个定位数据样本的增广噪声矩阵的协方差矩阵的分量，为第k个定位数据样本的增广噪声矩阵的协方差矩阵，T为转置运算，μ
k
为第k个定位数据样本的增广噪声矩阵。
[0030]进一步地，所述步骤S24中广义最小误差熵卡尔曼滤波模型为：
[0031][0032]其中，
[0033][0034][0035][0036][0037]对D
k
、W
k
和e
k
进行求解，得到：
[0038][0039]L＝m+n
[0040]将改写成：
[0041][0042]将Θ
k
分解成：
[0043][0044]则：
[0045][0046][0047]其中，为第t次迭代时更新的估计定位数据样本，为第k个定位数据样本的预测值，为第k个定位数据样本预测值的卡尔曼增益，y
k
为第k个定位数据样本的真实测量向量，C
k
为第k个定位数据样本的观测转移矩阵，W
k
为第k个定位数据
样本的预测值的协方差矩阵的变换矩阵，为第k个定位数据样本的预测值的广义高斯概率密度函数值的平方和，为第k个定位数据样本的预测值的广义高斯概率密度函数值的加权和，为第k个定位数据样本的预测值的广义高斯概率密度函数值，为中第i行第j列的元素，G
α,β
()为Parzen窗函数，e
j；k
为第k个定位数据样本的预测值的误差矩阵e
k
的第j个元素，e
i；k
为第k个定位数据样本的预测值的误差矩阵e
k
的第i个元素，||为取绝对值，α为形状参数，sign()为符号函数，为中第i行第j列的元素，为实数域，m为矩阵的列编号，n为矩阵的行编号，L为统计矩阵中元素的编号，为误差矩阵e
k
的第i个元素，为误差矩阵e
k
的第g个元素，d
i；k
为第k个定位数据样本的预测值的变换矩阵D
k
中第i个元素，w
i；k
为第k个定位数据样本的预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，包括以下步骤：S1、采集水下无人航行器的位置和速度数据，构建为定位数据样本集；S2、采用广义最小误差熵卡尔曼滤波对定位数据样本集中定位数据样本进行滤波处理，得到修正定位数据。2.根据权利要求1所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S2包括以下分步骤：S21、将定位数据样本初始值带入预测方程，得到定位数据样本预测值；S22、根据定位数据样本预测值和定位数据样本集中定位数据样本，计算定位数据样本误差值；S23、根据定位数据样本误差值和增广噪声矩阵，计算增广噪声矩阵的协方差矩阵的分量；S24、根据增广噪声矩阵的协方差矩阵的分量和定位数据样本预测值，构建广义最小误差熵卡尔曼滤波模型；S25、根据广义最小误差熵卡尔曼滤波模型，对估计定位数据样本进行更新，得到更新估计定位数据样本；S26、判断更新估计定位数据样本是否满足误差条件，若是，则更新估计定位数据样本为修正定位数据，若否，直接跳转至步骤S25中。3.根据权利要求2所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S21中预测方程为：其中，为第k个定位数据样本的预测值，A
k
‑1为第k
‑
1个的状态转移矩阵，为第k
‑
1个定位数据样本的预测值，在k＝0时，为定位数据样本初始值。4.根据权利要求2所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S22中计算定位数据样本误差值的公式为：其中，ε
k|k
‑1为第k个定位数据样本误差值，x
k
为定位数据样本集中第k个定位数据样本，为第k个定位数据样本的预测值。5.根据权利要求2所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S23包括以下分步骤：S231、根据定位数据样本误差值，计算定位数据样本的增广噪声矩阵；S232、根据定位数据样本的增广噪声矩阵，计算增广噪声矩阵的协方差矩阵的分量。6.根据权利要求5所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S231中计算定位数据样本的增广噪声矩阵的公式为：其中，μ
k
为第k个定位数据样本的增广噪声矩阵，ε
k|k
‑1为第k个定位数据样本误差值，v
k
为第k个定位数据样本的观测噪声。7.根据权利要求5所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S232中计算增广噪声矩阵的协方差矩阵的分量的公式为：其中，Θ
k
为第k个定位数据样本的增广噪声矩阵的协方差矩阵的分量，为第k个定位数据样本的增广噪声矩阵的协方差矩阵，T为转置运算，μ
k
为第k个定位数据样本的增广噪声矩阵。8.根据权利要求2所述的广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，所述步骤S24中广义最小误差熵卡尔曼滤波模型为：其中，其中，其中，其中，对D
k
、W
k
和e
k
进行求解，得到：L＝m+n将改写成：
将Θ
k
分解成：则：则：其中，为第t次迭代时更新的估计定位数据样本，为第k个定位数据样本的预测值，为第k个定位数据样本预测值的卡尔曼增益，y
k
为第k个定位数据样本的真实测量向量，C
k
为第k个定位数据样本的观测转移矩阵，W
k
为第k个定位数据样本的预测值的协方差矩阵的变换矩阵，为第k个定位数据样本的预测值的广义高斯概率密度函数值的平方和，为第k个定位数据样本的预测值的广义高斯概率密度函数值的加权和，为第k个定位数据样本的预测值的广义高斯概率密度函数值，为中第i行第j列的元素，G

【专利技术属性】
技术研发人员：王洁，何嘉诚，张堃，彭倍，王刚，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：