【技术实现步骤摘要】
本申请涉及数据模型混合驱动，尤其涉及一种数据模型混合驱动的卡尔曼滤波器设计方法及系统。
技术介绍
1、卡尔曼滤波器是一种线性的递归滤波器，能够在不确定性的环境中，通过一系列不完全和含有噪声的测量值来估计动态系统的状态。
2、但是，传统的卡尔曼滤波器存在一些局限性，尤其在处理非线性系统、非高斯噪声以及系统建模误差方面。首先，传统的卡尔曼滤波器假设系统是线性的，并且噪声分布满足高斯分布。当这些假设不成立时，滤波器的性能可能会受到严重影响。例如，如果系统是非线性的，那么卡尔曼滤波器可能无法准确估计系统的状态，导致估计结果出现偏差。其次，卡尔曼滤波器的性能对系统噪声和观测噪声的协方差矩阵非常敏感。这些协方差矩阵通常需要根据实际系统进行精确建模和调整。如果建模不准确或调整不当，滤波器的性能可能会受到严重影响，甚至可能导致滤波器发散。此外，卡尔曼滤波器对系统初值也很敏感。如果初值设置不当，可能会导致滤波器在初始阶段无法收敛到正确的状态估计值。因此，为了克服上述局限性，需要一种方法解决上述问题。
3、综上所述，现有技术中由于现有的卡尔曼滤波器在处理非线性系统、非高斯噪声以及系统建模误差等问题时，存在对系统建模精度要求高、对系统噪声分布要求满足高斯分布和对系统初值敏感的问题，进一步影响卡尔曼滤波器的稳定性的技术问题。
技术实现思路
1、本申请的目的是提供一种数据模型混合驱动的卡尔曼滤波器设计方法及系统，用以解决现有技术中存在由于现有的卡尔曼滤波器在处理非线性系统、非高斯噪声
2、鉴于上述问题，本申请提供了一种数据模型混合驱动的卡尔曼滤波器设计方法及系统。
3、第一方面，本申请提供了一种数据模型混合驱动的卡尔曼滤波器设计方法，所述方法通过一种数据模型混合驱动的卡尔曼滤波器设计系统实现，其中，所述方法包括：配置输入特征向量，将输入数据经过输入特征向量处理后，作为重构输入数据；建立网络模型，其中，所述网络模型为融合transformer架构后的神经网络模型；将所述重构输入数据输入至所述网络模型，执行监督训练，其中，监督训练包括正向传播和反向迭代损失的方式对网络进行训练，反向迭代过程如公式所示：；其中，表示卡尔曼增益，表示时刻的系统观测值，为总损失，为时刻和时刻系统观测值的差值，为时刻的系统状态值，为时刻和时刻系统状态值的差值；在监督训练过程中，设定超参数，所述超参数包括学习率、权重衰减和批尺寸，并采用余弦退火算法进行学习率调整；建立评价指标，并通过仿真试验执行模型验证，当验证通过，则以训练完成的网络模型建立卡尔曼滤波器。
4、第二方面，本申请还提供了一种数据模型混合驱动的卡尔曼滤波器设计系统，用于执行如第一方面所述的一种数据模型混合驱动的卡尔曼滤波器设计方法，其中，所述系统包括：特征向量配置模块，所述特征向量配置模块用于配置输入特征向量，将输入数据经过输入特征向量处理后，作为重构输入数据；网络模型建立模块，所述网络模型建立模块用于建立网络模型，其中，所述网络模型为融合transformer架构后的神经网络模型；执行监督训练模块，所述执行监督训练模块用于将所述重构输入数据输入至所述网络模型，执行监督训练，其中，监督训练包括正向传播和反向迭代损失的方式对网络进行训练，反向迭代过程如公式所示：；其中，表示卡尔曼增益，表示时刻的系统观测值，为总损失，为时刻和时刻系统观测值的差值，为时刻的系统状态值，为时刻和时刻系统状态值的差值；学习率调整模块，所述学习率调整模块用于在监督训练过程中，设定超参数，所述超参数包括学习率、权重衰减和批尺寸，并采用余弦退火算法进行学习率调整；卡尔曼滤波器建立模块，所述卡尔曼滤波器建立模块用于建立评价指标，并通过仿真试验执行模型验证，当验证通过，则以训练完成的网络模型建立卡尔曼滤波器。
5、本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
6、通过配置输入特征向量，将输入数据经过输入特征向量处理后，作为重构输入数据；建立网络模型，其中，所述网络模型为融合transformer架构后的神经网络模型；将所述重构输入数据输入至所述网络模型，执行监督训练，其中，监督训练包括正向传播和反向迭代损失的方式对网络进行训练，反向迭代过程如公式所示：；其中，表示卡尔曼增益，表示时刻的系统观测值，为总损失，为时刻和时刻系统观测值的差值，为时刻的系统状态值，为时刻和时刻系统状态值的差值；在监督训练过程中，设定超参数，所述超参数包括学习率、权重衰减和批尺寸，并采用余弦退火算法进行学习率调整；建立评价指标，并通过仿真试验执行模型验证，当验证通过，则以训练完成的网络模型建立卡尔曼滤波器，最终实现了降低均方误差的技术目标，提高估计系统的状态的准确性，达到了增强卡尔曼滤波器的稳定性的技术效果。
7、上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种数据模型混合驱动的卡尔曼滤波器设计方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述配置输入特征向量，包括：
3.如权利要求1所述的方法，其特征在于，所述将所述重构输入数据输入至所述网络模型，执行监督训练，包括：
4.如权利要求3所述的方法，其特征在于，所述方法包括：
5.如权利要求1所述的方法，其特征在于，所述在监督训练过程中，设定超参数，所述超参数包括学习率、权重衰减和批尺寸，并采用余弦退火算法进行学习率调整，包括：
6.如权利要求1所述的方法，其特征在于，所述建立评价指标，并通过仿真试验执行模型验证，包括：
7.如权利要求6所述的方法，其特征在于，所述方法包括：
8.一种数据模型混合驱动的卡尔曼滤波器设计系统，其特征在于，用于实施权利要求1至7中任意一项所述方法的步骤，所述系统包括：
【技术特征摘要】
1.一种数据模型混合驱动的卡尔曼滤波器设计方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述配置输入特征向量，包括：
3.如权利要求1所述的方法，其特征在于，所述将所述重构输入数据输入至所述网络模型，执行监督训练，包括：
4.如权利要求3所述的方法，其特征在于，所述方法包括：
5.如权利要求1所述的方法，其特征在于，所述在监督训练过...
【专利技术属性】
技术研发人员：申思远，翟正军，陈冀琛，余冠锋，
申请(专利权)人：西北工业大学，
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。