【技术实现步骤摘要】
非高斯非线性环境下交互式多模型系统状态估计方法
[0001]本专利技术属于涉及多模型系统过程中噪声为非高斯情况下的非线性状态估计领域，具体涉及非高斯非线性环境下交互式多模型系统状态估计方法。
技术介绍
[0002]非线性系统的状态估计问题在系统状态估计领域有广泛的应用，在多模型系统状态估计问题中，当系统估计状态或传感器量测向量为非线性时，可以在交互式多模型算法框架下使用无迹卡尔曼滤波器对多模型系统进行状态估计。但是，传统的无迹卡尔曼滤波方法在高斯噪声条件下能获得较好的跟踪效果，而在非高斯噪声条件下其跟踪效果较差。为了解决这一问题，本专利技术提出了一种基于交互式多模型的最大相关熵无迹卡尔曼滤波算法，由于采用的是最大相关熵而非最小均方误差准则，因此能够保留误差的高阶矩信息，在非高斯非线性系统环境下对系统状态估计的效果更好。
技术实现思路
[0003]本专利技术的目的在于提供非高斯非线性环境下交互式多模型系统状态估计方法，解决了现有无迹卡尔曼滤波方法在非高斯噪声条件下其跟踪效果较差的问题，优化了估计效果。
...
【技术保护点】
【技术特征摘要】
1.非高斯非线性环境下交互式多模型系统状态估计方法，其特征在于，具体步骤如下：步骤1，构建系统状态模型和带有非高斯噪声的量测模型；所述系统状态模型包含多个状态模型；步骤2，根据k时刻系统处于各状态模型的模型概率、系统状态向量、协方差矩阵和马尔可夫状态转移矩阵，计算k时刻状态模型间转移的条件概率，得到k时刻系统处于各状态模型的混合状态预测值和混合协方差预测值步骤3，对系统状态模型和量测模型分别进行sigma点非线性变换，构建先验预测方程，利用步骤2得到的k时刻系统处于各状态模型的混合状态预测值和混合协方差预测值，得到k+1时刻系统处于各状态模型的先验状态预测值先验协方差预测值量测预测值以及状态与量测间的互协方差矩阵步骤4，根据步骤3得到的k+1时刻系统处于各状态模型的先验状态预测值、先验协方差预测值、量测预测值以及系统状态模型与量测模型间的互协方差矩阵，计算量测斜率矩阵对系统状态模型和量测模型进行扩展，并通过迭代法得到k+1时刻系统处于各状态模型的后验状态更新值和后验协方差更新值步骤5，对k时刻各状态模型的模型概率进行更新，对步骤4得到的k+1时刻系统处于各状态模型的后验状态更新值和后验协方差更新值进行融合，得到k+1时刻系统的状态估计和协方差矩阵P
k+1
；步骤6，重复步骤2
‑
5直至系统跟踪过程结束。2.根据权利要求1所述的非高斯非线性环境下交互式多模型系统状态估计方法，其特征在于，步骤1具体如下：构建系统状态模型，如式(1)；以及带有非高斯噪声的量测模型，如式(2)：x
k+1
＝f(x
k
)+w
k
ꢀꢀꢀꢀꢀꢀꢀ
(1)z
k+1
＝h(x
k+1
)+v
k+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，x
k
和z
k
分别表示k时刻系统的状态量和观测量；f(
·
)表示状态模型函数，h(
·
)表示量测函数，过程噪声w
k
是服从均值为0，协方差为Q的高斯白噪声；量测噪声v
k
是服从混合高斯分布的非高斯噪声，具体表现为：v
k
～(1
‑
α)N(0,R
1k
)+αN(0,R
2k
)，其中α代表权重，取值范围为0～1，具体实施过程中可以选择不同的值，N(
·
,
·
)表示正态分布，R
1k
为量测噪声协方差，R
2k
为量测噪声受到异常扰动时的协方差。3.根据权利要求1所述的非高斯非线性环境下交互式多模型系统状态估计方法，其特征在于，步骤2具体如下：步骤2.1，根据系统处于各状态模型的模型概率和状态模型转移矩阵Π＝{π
ij
}
r
×
r
，其中每个元素π
ij
表示系统从状态模型i转移到状态模型j的先验概率，r表示状态模型总个数，计算k时刻状态从状态模型i转移到状态模型j的条件概率计算k时刻状态从状态模型i转移到状态模型j的条件概率
其中，表示输入交互后，系统处于状态模型j的概率；步骤2.2，通过下式计算k时刻目标处于各状态模型的混合状态预测值和混合协方差预测值预测值预测值其中，为k时刻系统状态，是k时刻目标处于各状态模型的混合状态预测值，为k时刻协方差，是k时刻目标处于各状态模型的混合协方差预测值，为步骤2.1得到的状态模型间转移的条件概率。4.根据权利要求1所述的非高斯非线性环境下交互式多模型系统状态估计方法，其特征在于，步骤3具体按照以下方式实施：步骤3.1，根据k时刻系统处于各状态模型的混合状态预测值和混合协方差预测值选取sigma点和权...
【专利技术属性】
技术研发人员：李晓花，秦璐瑶，金海燕，蔡磊，杨秀红，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
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。