一种有约束条件的移动时域状态估计方法及装置制造方法及图纸

本发明专利技术提供一种有约束条件的移动时域状态估计方法及装置，所述方法包括：将原始状态估计问题写为多约束目标优化问题，建立有约束状态的估计问题模型；引入固定时间变量窗口时域，在所需时域内重新定义为二次规划问题；采用交替方向乘子方法，引入辅助变量和惩罚参数定义增广拉格朗日方程，并将增广拉格朗日方程分解为三个子方程；对获得的三个子方程分别采用不同的方法进行迭代更新

【技术实现步骤摘要】
一种有约束条件的移动时域状态估计方法及装置


[0001]本专利技术涉及深度学习算法
，具体地，涉及一种有约束条件的移动时域状态估计方法及装置
。

技术介绍

[0002]在包括交通监控
、
车辆自主跟踪
、
海上导航在内的众多时域状态估计方法应用领域中，针对一个离散时间内非线性系统，如何从非完备的测量中恢复原始的状态序列是亟需解决的关键问题
。
[0003]近年来，移动时域估计方法因其计算直观
、
方法简单而备受关注
。
移动时域估计是一种基于优化的移动时域内动态系统状态估计方法，与批优化估计方法不同，该方法能够使用定义在固定时间步数滑动窗口上的二次目标规划来重新估计系统状态
。
移动时域估计方法的主要计算负担集中在计算包含过去时间内信息的到达成本上
。
因此，已经有一系列研究工作提出了针对移动时域估计问题的算法，但现有方法过度依赖过去时间内的测量信息是完备的，而在实际应用中测量偏差和信息缺失往往是不可避免的，此时现有的移动时域估计方法则不能完全奏效
。
[0004]因此，需要提供一种考虑对于真实数据新的有偏测量的有约束条件的移动时域估计方法
。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的在于提供一种有约束条件的移动时域状态估计方法及装置，本专利技术克服传统批优化方法随时间步长增加时的计算复杂度随之提高的缺陷，大大提高了针对有约束条件时目标状态估计的效率
。
[0006]为解决上述问题，本专利技术的技术方案为：
[0007]一种有约束条件的移动时域状态估计方法，包括以下步骤：
[0008]将原始状态估计问题写为多约束目标优化问题，建立有约束状态的估计问题模型；
[0009]引入固定时间变量窗口时域，在所需时域内重新定义为二次规划问题；
[0010]采用交替方向乘子方法，引入辅助变量和惩罚参数定义增广拉格朗日方程，并将增广拉格朗日方程分解为三个子方程；
[0011]对获得的三个子方程分别采用不同的方法进行迭代更新
。
[0012]优选地，所述将原始状态估计问题写为多约束目标优化问题，建立有约束状态的估计问题模型的步骤具体包括：将原始状态估计问题
x
t
＝
f
t
(x
t
‑1)+q
t
,y
t
＝
h
t
(x
t
)+r
t
写为多约束目标优化问题，将稀疏性条件或不等式约束条件等额外先验信息表示为不等式函数约束形式并引入多约束目标优化问题中，将整个从非完备测量中得到原始状态序列的问题写为多约束目标优化问题，建立有约束状态的估计问题模型为：
[0013][0014]s.t.g
t
(x
t
)≤0,t
＝
1,K,T
[0015][0016]其中，
y
t
,x
t
是量测及原始状态向量，
h
t
(x
t
)
为量测函数，
f
t
(x
t
‑1)
为转移函数，
g
t
(x
t
)
为不等式约束函数，
Φ
t
(x
t
,x
t
‑1)
为二次规划形式的损失函数
。
[0017]优选地，所述引入固定时间变量窗口时域，在所需时域内重新定义为二次规划问题的步骤具体包括：通过引入固定时间变量窗口时域
H
，将待估计序列分开，对所需求解时域内的目标约束优化问题重新定义为二次规划问题为：
[0018][0019]s.t.g
t
(x
t
)≤0,t
＝
1,K,T
[0020]其中，
Ψ
T
‑
H
(x
T
‑
H
)
是到达损失函数，定义为
[0021]优选地，所述采用交替方向乘子方法，引入辅助变量和惩罚参数定义增广拉格朗日方程，并将增广拉格朗日方程分解为三个子方程的步骤具体包括：对所述交替方向乘子法，引入障碍函数
w
处理不等式约束，并引入辅助变量和惩罚参数定义增广拉格朗日方程，然后将增广拉格朗日方程分解为主方程
、
对偶方程和参数计算方程
。
[0022]优选地，所述不等式约束处理为：
[0023][0024]增广拉格朗日方程定义为：
[0025][0026]分解得到的三个子方程为：
[0027][0028]w
(k+1)
＝
max(0,
‑
g(x
(k+1)
)
‑
η
(k)
/
ρ
)
[0029]η
(k+1)
＝
η
(k)
+
ρ
(g(x
(k+1)
)+w
(k+1)
)
[0030]其中，
η
和
ρ
分别是引入的辅助变量和惩罚参数，关于
x
(k+1)
的迭代方程是其中的主方程
。
[0031]优选地，所述对获得的三个子方程分别采用不同的方法进行迭代更新的步骤具体包括：
[0032]对于主方程，在每次迭代处，使用高斯
‑
牛顿法将该问题中的非线性函数线性化，得到新的迭代形式，然后循环计算至最大迭代次数；
[0033]对于对偶方程，利用最大值法，在每一时间处迭代更新直至收敛；
[0034]对于参数计算方程，利用主方程
、
对偶方程更新值，采用数值计算方法求解
。
[0035]优选地，所述在高斯
‑
牛顿迭代过程中，通过在每个迭代
i
处采用仿射逼近方法，来将非线性函数线性化，对于主方程来说，需要对三个非线性函数进行线性化步骤：
[0036]f(x)≈F
(i)
x+b
(i)
[0037]h(x)≈H
(i)
x+e
(i)
[0038]g(x)≈G
(i)
x+d
(i)
[0039]其中，
F
(i)
,H
(i)
,G
(i)
分别是关于函数
f(x
(i)
),h(x
(i)
),g(x
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种有约束条件的移动时域状态估计方法，其特征在于，所述方法包括以下步骤：将原始状态估计问题写为多约束目标优化问题，建立有约束状态的估计问题模型；引入固定时间变量窗口时域，在所需时域内重新定义为二次规划问题；采用交替方向乘子方法，引入辅助变量和惩罚参数定义增广拉格朗日方程，并将增广拉格朗日方程分解为三个子方程；对获得的三个子方程分别采用不同的方法进行迭代更新
。2.
根据权利要求1所述的有约束条件的移动时域状态估计方法，其特征在于，所述将原始状态估计问题写为多约束目标优化问题，建立有约束状态的估计问题模型的步骤具体包括：将原始状态估计问题
x
t
＝
f
t
(x
t
‑1)+q
t
,y
t
＝
h
t
(x
t
)+r
t
写为多约束目标优化问题，将稀疏性条件或不等式约束条件等额外先验信息表示为不等式函数约束形式并引入多约束目标优化问题中，将整个从非完备测量中得到原始状态序列的问题写为多约束目标优化问题，建立有约束状态的估计问题模型为：
s.t.g
t
(x
t
)≤0,t
＝
1,K,T
其中，
y
t
,x
t
是量测及原始状态向量，
h
t
(x
t
)
为量测函数，
f
t
(x
t
‑1)
为转移函数，
g
t
(x
t
)
为不等式约束函数，
Φ
t
(x
t
,x
t
‑1)
为二次规划形式的损失函数
。3.
根据权利要求1所述的有约束条件的移动时域状态估计方法，其特征在于，所述引入固定时间变量窗口时域，在所需时域内重新定义为二次规划问题的步骤具体包括：通过引入固定时间变量窗口时域
H
，将待估计序列分开，对所需求解时域内的目标约束优化问题重新定义为二次规划问题为：
s.t.g
t
(x
t
)≤0,t
＝
1,K,T
其中，
Ψ
T
‑
H
(x
T
‑
H
)
是到达损失函数，定义为
4.
根据权利要求1所述的有约束条件的移动时域状态估计方法，其特征在于，所述采用交替方向乘子方法，引入辅助变量和惩罚参数定义增广拉格朗日方程，并将增广拉格朗日方程分解为三个子方程的步骤具体包括：对所述交替方向乘子法，引入障碍函数
w
处理不等式约束，并引入辅助变量和惩罚参数定义增广拉格朗日方程，然后将增广拉格朗日方程分解为主方程
、
对偶方程和参数计算方程
。5.
根据权利要求4所述的有约束条件的移动时域状态估计方法，其特征在于，所述不等式约束处理为：
增广拉格朗日方程定义为：分解得到的三个子方程为：
w
(k+1)
＝
max(0,
‑

【专利技术属性】
技术研发人员：高源，高睿，隋金坪，滕跃，王健，梁晓锋，易宏，
申请(专利权)人：中国人民解放军海军大连舰艇学院上海交大日照海洋智能装备研究院，
类型：发明
国别省市：