一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法及系统技术方案

本发明专利技术公开了一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法及系统，涉及信息融合技术领域，以解决噪声方差未知的多传感器系统滤波精度较差及鲁棒性难以证明的问题

【技术实现步骤摘要】
一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法及系统


[0001]本专利技术涉及信息融合
，具体涉及一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法及系统
。

技术介绍

[0002]多传感器信息融合在目标跟踪
、
定位和信号处理等方面有着广泛的应用背景
。
融合的目的是合并来自于每个传感器的局部估值或者局部观测，从而获得估计精度高于每个局部估值器的融合估值器
。
综合国内外对信息融合的研究现状来看，卡尔曼滤波算法是解决在线性最小方差意义下的最优融合估计问题的一个重要工具，但目前仍存在两个难点问题：一是模型参数
/
噪声方差未知带来的融合滤波器的鲁棒性及其精度的问题；二是传感器节点众多且分布较广带来传输成本及计算负担的问题
。

技术实现思路

[0003]鉴于以上问题，本专利技术提出一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法及系统
。
[0004]根据本专利技术的一方面，提出一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法，所述融合方法包括：将由多个传感器节点构成的多传感器系统中临近区域的传感器节点进行分簇，每簇中均含有多个传感节点和一个簇首，簇首将该簇中所有传感节点获得的滤波数据进行融合，多个簇首向基站发送融合后的滤波数据，获得全局融合滤波数据；其中，所述多传感器系统携带未知噪声方差的白噪声，所述未知噪声方差满足第一条件，所述多传感器系统的初始状态满足第二条件；
[0005]所述第一条件为：其中，和表示未知噪声方差，
Q
w
(t)
和分别为和的已知保守上界；
[0006]所述第二条件为：初始状态
x(0)
与携带未知噪声方差的白噪声不相关，且其未知的实际滤波误差方差满足：其中，
P(0|0)
是的已知保守上界
。
[0007]进一步地，所述携带未知噪声方差白噪声的多传感器系统的状态方程和观测方程表示为：
[0008]x(t+1)
＝
Φ
(t)x(t)+
Γ
(t)w(t)
[0009][0010]式中，
x(t)
表示
n
维状态变量，
w(t)
和均表示未知噪声方差的白噪声；
表示第
l
簇中第
i
个传感节点的观测数据；
Φ
(t)、
Γ
(t)、
分别表示状态方程的系统矩阵
、
控制矩阵和观测方程的观测矩阵，其阶数取决于状态变量的个数；
n
l
表示每簇中传感节点的总数；
L
表示分簇后簇的总数
。
[0011]进一步地，所述滤波数据包括卡尔曼滤波器
、
保守滤波误差方差和实际滤波误差方差
。
[0012]进一步地，簇首将该簇中所有传感节点获得的滤波数据进行融合的过程包括：
[0013]S11、
对该簇中每个传感节点求出其局部时变卡尔曼滤波器并计算其相应的保守滤波误差方差
P
i(l)
(t|t)
和实际滤波误差方差且满足：
[0014]S12、
对该簇传感节点中的观测方程应用加权观测融合算法，得到第一级加权观测融合方程
y
(l)
(t)
；
[0015]S13、
利用第一级加权观测融合方程
y
(l)
(t)
和状态方程，获得第一级加权观测融合鲁棒时变卡尔曼滤波器相应的第一级融合保守滤波误差方差及第一级融合实际滤波误差方差
[0016]进一步地，
S11
中局部时变卡尔曼滤波器的计算公式为：
[0017][0018]保守滤波误差方差
P
i(l)
(t|t)
的计算公式为：
[0019][0020]实际滤波误差方差的计算公式为：
[0021][0022]式中，中，是状态
x(t)
的线性最小方差滤波估值，初始值分别为及
P
i(l)
(0|0)
＝
P(0|0)
；表示预报误差方差，由
Riccati
方程迭代获得；
I
n
是
n
×
n
维单位阵；表示实际时变滤波误差；表示观测噪声的未知噪声方差的已知保守上界
。
[0023]进一步地，
S12
中第一级加权观测融合方程
y
(l)
(t)
的表达式为：
[0024]y
(l)
(t)
＝
)x(t)+v
(l)
(t)
[0025]式中，式中，
[0026]进一步地，
S13
中第一级加权观测融合鲁棒时变卡尔曼滤波器的计算公式为：
[0027][0028]第一级融合保守滤波误差方差的计算公式为：
[0029][0030]第一级融合实际滤波误差方差的计算公式为：
[0031][0032]式中，
Ψ
(l)
(t)
＝
[I
n
‑
K
(l)
(t)]Φ
(t),
预报误差方差
Σ
(l)
(t|t
‑
1)
由
Riccati
方程迭代获得
。
[0033]进一步地，多个簇首向基站发送融合后的滤波数据，获得全局融合滤波数据的具体过程包括：
[0034]S21、
对多个第一级加权观测融合方程
y
(l)
(t)
应用加权观测融合算法，得到第二级加权观测融合方程
y
M
(t)
：
y
M
(t)
＝
x(t)+v
M
(t)
；其中，；其中，
[0035]S22、
利用第二级加权观测融合方程
y
M
(t)
与状态方程，获得第二级加权观测融合鲁棒时变卡尔曼滤波器第二级融合保守滤波误差方差
P
M
(t|t)
和第二级融合实际滤波误差方差
[0036]进一步地，
S22
中第二级加权观测融合时变卡尔曼滤波器的计算公式为：
[0037][0038]第二级融合保守滤波误差方差
P
M
(t|t)
的计算公式为：
[0039]P
M
(t|t)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法，其特征在于，所述融合方法包括：将由多个传感器节点构成的多传感器系统中临近区域的传感器节点进行分簇，每簇中均含有多个传感节点和一个簇首，簇首将该簇中所有传感节点获得的滤波数据进行融合，多个簇首向基站发送融合后的滤波数据，获得全局融合滤波数据；其中，所述多传感器系统携带未知噪声方差的白噪声，所述未知噪声方差满足第一条件，所述多传感器系统的初始状态满足第二条件；所述第一条件为：其中，和表示未知噪声方差，
Q
w
(t)
和分别为和的已知保守上界；所述第二条件为：初始状态
x(0)
与携带未知噪声方差的白噪声不相关，且其未知的实际滤波误差方差满足：其中，
P(0|0)
是的已知保守上界
。2.
根据权利要求1所述的一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法，其特征在于，所述携带未知噪声方差白噪声的多传感器系统的状态方程和观测方程表示为：
x(t+1)
＝
Φ
(t)x(t)+
Γ
(t)w(t)
式中，
x(t)
表示
n
维状态变量，
w(t)
和均表示未知噪声方差的白噪声；表示第
l
簇中第
i
个传感节点的观测数据；
Φ
(t)、
Γ
(t)、
分别表示状态方程的系统矩阵
、
控制矩阵和观测方程的观测矩阵，其阶数取决于状态变量的个数；
n
l
表示每簇中传感节点的总数；
L
表示分簇后簇的总数
。3.
根据权利要求2所述的一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法，其特征在于，所述滤波数据包括卡尔曼滤波器
、
保守滤波误差方差和实际滤波误差方差
。4.
根据权利要求3所述的一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法，其特征在于，簇首将该簇中所有传感节点获得的滤波数据进行融合的过程包括：
S11、
对该簇中每个传感节点求出其局部时变卡尔曼滤波器并计算其相应的保守滤波误差方差
P
i(l)
(t|t)
和实际滤波误差方差且满足：
S12、
对该簇传感节点中的观测方程应用加权观测融合算法，得到第一级加权观测融合方程
y
(l)
(t)
；
S13、
利用第一级加权观测融合方程
y
(l)
(t)
和状态方程，获得第一级加权观测融合鲁棒时变卡尔曼滤波器相应的第一级融合保守滤波误差方差及第一级融合实际滤波误差方差
5.
根据权利要求4所述的一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数
据融合方法，其特征在于，
S11
中局部时变卡尔曼滤波器的计算公式为：保守滤波误差方差
P
i(l)
(t|t)
的计算公式为：实际滤波误差方差的计算公式为：式中，式中，是状态
x(t)
的线性最小方差滤波估值，初始值分别为及
P
i(l)
(0|0)
＝
P(0|0)
；表示预报误差方差，由
Riccati
方程迭代获得；
I
n
是
n
×
n
维单位阵；表示实际时变滤波误差；表示观测噪声的未知噪声方差的已知保守上界
。6.
根据权利要求5所述的一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法，其特征在于，
S12
中第一级加权观测融合方程
y
(l)
(t)
的表达式为：
y
(l)
(t)
＝
)x(t)+v
(l)
(t)
式中，式中，
7.
根据权利要求6所述的一种基于两级加权观测融合鲁棒卡尔曼滤波器的多传感器数据融合方法，其特征在于，
S13
中第一级加权观测融合鲁棒时变卡尔曼滤波器的计算公式为：第一级融合保守滤波误差方差的计算公式为：第一级融合实际滤波误差方差的计算公式为：式中，
Ψ
(l)
(t)
＝
[I
n
‑
K
(l)
(t)]
...

【专利技术属性】
技术研发人员：张鹏，赵满，梁潇，苗凤娟，邓佳宾，蒋吉娟，贾炀，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：