[发明专利]结合贝叶斯网络和卡尔曼滤波的结构系统噪声误差评估方法

权利要求书

1.一种结合贝叶斯网络和卡尔曼滤波的结构系统噪声误差评估方法，其特征在于，包括以下步骤：

步骤S1：以带噪声及不含噪声的系统观测数据为样本，分别构建贝叶斯网络BN1及BN2。

步骤S2：将无噪声实测数据和带噪声实测数据分别输入BN1和BN2,推理后得到各节点预测和实测节点状态概率，二者分别代入卡尔曼滤波算法，经推导后得到贝叶斯网络各节点最优状态概率；

步骤S3：将该节点最优状态概率数据与预测节点状态概率、实测状态概率相比较，从而判断误差来源。

2.根据权利要求1所述的结合贝叶斯网络和卡尔曼滤波的结构系统噪声误差评估方法，其特征在于：还包括步骤S4：通过L1范数损失法评估系统噪声误差的影响。

3.根据权利要求1所述的结合贝叶斯网络和卡尔曼滤波的结构系统噪声误差评估方法，其特征在于：步骤S1具体包括：BN的建立包含网格拓扑定义和参数学习两个部分：其中，拓扑定义采用网络结构学习算法或者根据专家经验得到；以带噪声及不含噪声的系统观测数据为样本，对网络参数进行学习，获取节点变量间的条件概率表，完成对BN的建立；其中，以BN1为根据真实系统观测数据建立的贝叶斯网络，BN2为现场传感器获取的带噪声数据学习得到的贝叶斯网络。

4.根据权利要求1所述的结合贝叶斯网络和卡尔曼滤波的结构系统噪声误差评估方法，其特征在于：步骤S2具体包括以下步骤：

步骤S21：获取t-1时刻BN最优状态概率Xi(t-1)及后验概率协方差p(t-1)；

步骤S22：将当前时刻t获取的滤除噪声的实测数据输入BN1，经推理得到各节点的状态概率数据X^-1(t)、X^-2(t)…X^-i(t),同时输出预测值的协方差p^-(t)；将带噪声的实测数据输入BN2，推理得各节点预测状态概率Z1(t),Z2(t),…,Zn(t)；

步骤S23：根据BN2推理得到的各节点状态概率数据和BN1推理得到的tk时刻各杆件状态值为X^-1(t),X^-2(t),…,X^-n(t)，预测t时刻的最优值X1(t),X2(t),…,Xn(t)。

5.根据权利要求4所述的结合贝叶斯网络和卡尔曼滤波的结构系统噪声误差评估方法，其特征在于：

步骤S22中，将当前时刻t获取的滤除噪声的实测数据输入BN1，经推理得到各节点的状态概率数据X^-1(t)、X^-2(t)、、、X^-i(t),同时输出预测值的协方差p^-(t)，计算方法如下：

P^-(t)＝AP(t-1)A^T+Q (1)

A＝X^-_i(t)X_i(t-1)^T (2)

式中A为状态转移矩阵；X_i(t-1)为t-1时刻BN各节点状态概率的最优值；Q为过程激励噪声协方差，取0；

步骤S23具体通过下式计算获得：

X_i(t)＝X^-_i(t)+K(t)(Z_i(t)-HX^-_i(t)) (4)

P(t)＝(1-K(t)H)P^-(t) (5)

H＝O_i^Tu_i (6)

式中H为BN1与BN2推理得到的节点状态概率数据之间的转换矩阵；K(t)为滤波增益矩阵；P(t)为t时刻的后验概率协方差；R为测量噪声的协方差。