[发明专利]一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法有效
申请号: | 201410713605.5 | 申请日: | 2014-11-28 |
公开(公告)号: | CN104392136B | 公开(公告)日: | 2017-12-19 |
发明(设计)人: | 陈熙源;崔冰波;宋锐;汤传业;方琳 | 申请(专利权)人: | 东南大学 |
主分类号: | G06F19/00 | 分类号: | G06F19/00;G01S19/47 |
代理公司: | 南京瑞弘专利商标事务所(普通合伙)32249 | 代理人: | 杨晓玲 |
地址: | 211189 江*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 面向 动态 非高斯 模型 测量 高精度 数据 融合 方法 | ||
技术领域
本发明涉及一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法,其适应领域为组合导航以及其它多传感器信息融合领域。
背景技术
全球卫星导航系统(GNSS)是一种能提供全天候精确定位服务的导航系统,容易受人为和非人为干扰,导致其定位鲁棒性较差。惯性导航系统(INS)是一种完全自主的导航系统,具有良好的抗干扰能力,具有短时精度高,长时工作导航精度低的特点。将两种导航系统进行融合能取长补短,获得更好的导航效果,因而成为导航专业研究的热点。多传感器输出的数据融合算法是组合导航研究中的重点,近年来卡尔曼滤波器(KF)及其扩展算法EKF在工程领域得到了广泛的应用,EKF基于雅克比矩阵解决系统的非线性问题,其状态估计精度可达到泰勒级数展开的一阶水平,在载体静止或者低动态情况下获得了良好的效果,但是对强非线性系统估计精度较差,有时滤波器甚至会发散。为了提高基于KF的滤波算法的适用性,有学者提出UKF用于解决系统的强非线性,直接采用UT变换逼近系统的噪声驱动过程,避免了非线性问题线性化的过程,可以使任意非线性、非高斯噪声系统的后验状态变量的估计精度达到泰勒级数展开的二阶水平,而对非线性、高斯噪声模型的状态估计这一指标可以达到三阶。UKF算法较EKF没有引入更多的算法复杂度,且其提高了数据融合算法处理系统非线性的能力,但是由于其系统状态模型驱动过程基于UT变换更易处理噪声服从高斯分布的先决条件,其在解决非高斯噪声的最优估计问题上还存在一些不足。为了解决非高斯噪声环境下的最优估计,有学者提出了粒子滤波(PF)算法,采用样本形式而不是函数形式对状态概率密度进行描述,适用于任意非线性非高斯的动态系统,但是由于其存在粒子退化、重要性密度函数选取以及计算量大等问题,使其在实际的数据融合应用面临很多问题。
目前数据融合的最优估计研究多集中在对新息数据的估计上,围绕新息数据的非高斯性出现了两种解决方法。一种是针对单一系统模型的自适应参数估计,以自适应卡尔曼滤波(AKF)为代表,但是基于单一模型的参数自适应算法在系统参数变化复杂(如高机动系统)情况下无法及时准确的对系统的模型参数进行辨识,随着高动态以及复杂度较高的多传感器器融合系统的应用需求增大,基于单一模型的自适应算法适用性较弱。另一种就是基于多模型的交互算法,以多模交互(IMM)技术为例,IMM的基本思想是首先建立理想情况下的标称模型,然后根据系统可能的不确定性因素,构造多个模型组成模型集,在系统运行时刻根据系统状态自适应的调整每个模型的权值,使得最终的统计数据模型逼近系统真实状态。传统的IMM信息融合多用于动态目标的跟踪应用,最近才出现了将其应用于组合导航数据融合的论述,但是直接采用IMM仍存在许多问题,比如为了精确的匹配系统运行状态构造足够大的模型集使得计算量偏大,同时模型集的精确度受算法设计者的先验知识影响较大,而基于变结构的多模交互(VSIMM)算法可以减少系统预先存储的模型集数目,减少概率转移矩阵的运算量,并且算法在有限的模型集中自适应的产生新的模型以适应系统过程噪声统计特性的变化。因此提出基于VSIMM-UKF的组合导航系统来解决高动态、强非线性和非高斯的问题,对实现复杂系统状态变量的参数估计具有重要的指导意义。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法,该方法不但能够实现高动态、强非线性、非高斯模型的组合系统的数据融合,而且能够降低预存储模型集的数量,同时提高模型概率更新的计算效率和高动态系统的测量鲁棒性。
为实现上述目的,本发明采用的技术方案为:一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法,将高动态系统中的硬件传感器采样周期波动作为系统随机不确定度考虑,根据其波动范围和趋势建立滤波模型集,该滤波模型集包括一个以上UKF滤波器模型和模糊推理系统;所述UKF滤波器模型之间并行执行,通过贝叶斯定理计算每个UKF滤波器模型与当前高动态系统状态匹配的概率,实时更新每个UKF滤波模型与当前高动态系统的匹配概率,并将更新后的匹配概率作为模糊推理系统的输入,通过模糊推理系统得到UKF滤波器模型概率的自适应估计概率,最后基于该自适应估计概率融合多个UKF滤波器模型输出的状态估计得到高动态系统状态变量最终的均值及协方差估计。
所述UKF滤波器模型的建立方法如下:
步骤A,根据惯导系统的转移矩阵、系统状态变量、噪声驱动矩阵、系统噪声矢量以及白噪声建立系统状态方程;
步骤B,根据可见卫星数目、频率误差、相位误差以及接收机位置和速度建立UKF滤波器模型的系统量测方程。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东南大学,未经东南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201410713605.5/2.html,转载请声明来源钻瓜专利网。
- 上一篇:基于火灾热释放速率测量的钢结构防火保护设计方法
- 下一篇:临床营养诊疗系统
- 同类专利
- 专利分类
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学,即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真,例如:概率模型或动态模型,遗传基因管理网络,蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的,例如:进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的,例如:结构排序,结构或功能关系,蛋白质折叠,结构域拓扑,用结构数据的药靶,涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的,例如:基因型–表型关联,不均衡连接,种群遗传学,结合位置鉴定,变异发生,基因型或染色体组的注释,蛋白质相互作用或蛋白质核酸的相互作用