一種面向高動(dòng)態(tài)非高斯模型魯棒測(cè)量的高精度數(shù)據(jù)融合方法
【專利摘要】一種面向高動(dòng)態(tài)非高斯模型魯棒測(cè)量的高精度數(shù)據(jù)融合方法，將高動(dòng)態(tài)系統(tǒng)中的硬件傳感器采樣周期波動(dòng)作為系統(tǒng)隨機(jī)不確定度考慮，根據(jù)其波動(dòng)范圍和趨勢(shì)建立包括UKF濾波器模型和模糊推理系統(tǒng)的濾波模型集，通過貝葉斯定理計(jì)算UKF濾波器模型與當(dāng)前高動(dòng)態(tài)系統(tǒng)狀態(tài)匹配的概率，實(shí)時(shí)更新匹配概率，并將更新后的匹配概率作為模糊推理系統(tǒng)的輸入，通過模糊推理系統(tǒng)得到自適應(yīng)估計(jì)概率，最后基于該自適應(yīng)估計(jì)概率融合多個(gè)狀態(tài)估計(jì)得到高動(dòng)態(tài)系統(tǒng)狀態(tài)變量最終的均值及協(xié)方差估計(jì)，本發(fā)明不但能夠?qū)崿F(xiàn)高動(dòng)態(tài)、強(qiáng)非線性、非高斯模型的組合系統(tǒng)的數(shù)據(jù)融合，而且能夠降低預(yù)存儲(chǔ)模型集的數(shù)量，同時(shí)提高模型概率更新的計(jì)算效率和高動(dòng)態(tài)系統(tǒng)的測(cè)量魯棒性。
【專利說明】一種面向高動(dòng)態(tài)非高斯模型魯棒測(cè)量的高精度數(shù)據(jù)融合方 法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種面向高動(dòng)態(tài)非高斯模型魯棒測(cè)量的高精度數(shù)據(jù)融合方法，其適應(yīng) 領(lǐng)域?yàn)榻M合導(dǎo)航以及其它多傳感器信息融合領(lǐng)域。

【背景技術(shù)】
[0002] 全球衛(wèi)星導(dǎo)航系統(tǒng)（GNSS)是一種能提供全天候精確定位服務(wù)的導(dǎo)航系統(tǒng)，容易 受人為和非人為干擾，導(dǎo)致其定位魯棒性較差。慣性導(dǎo)航系統(tǒng)（INS)是一種完全自主的導(dǎo) 航系統(tǒng)，具有良好的抗干擾能力，具有短時(shí)精度高，長(zhǎng)時(shí)工作導(dǎo)航精度低的特點(diǎn)。將兩種導(dǎo) 航系統(tǒng)進(jìn)行融合能取長(zhǎng)補(bǔ)短，獲得更好的導(dǎo)航效果，因而成為導(dǎo)航專業(yè)研究的熱點(diǎn)。多傳感 器輸出的數(shù)據(jù)融合算法是組合導(dǎo)航研究中的重點(diǎn)，近年來卡爾曼濾波器（KF)及其擴(kuò)展算 法EKF在工程領(lǐng)域得到了廣泛的應(yīng)用，EKF基于雅克比矩陣解決系統(tǒng)的非線性問題，其狀態(tài) 估計(jì)精度可達(dá)到泰勒級(jí)數(shù)展開的一階水平，在載體靜止或者低動(dòng)態(tài)情況下獲得了良好的效 果，但是對(duì)強(qiáng)非線性系統(tǒng)估計(jì)精度較差，有時(shí)濾波器甚至?xí)l(fā)散。為了提高基于KF的濾波 算法的適用性，有學(xué)者提出UKF用于解決系統(tǒng)的強(qiáng)非線性，直接采用UT變換逼近系統(tǒng)的噪 聲驅(qū)動(dòng)過程，避免了非線性問題線性化的過程，可以使任意非線性、非高斯噪聲系統(tǒng)的后驗(yàn) 狀態(tài)變量的估計(jì)精度達(dá)到泰勒級(jí)數(shù)展開的二階水平，而對(duì)非線性、高斯噪聲模型的狀態(tài)估 計(jì)這一指標(biāo)可以達(dá)到三階。UKF算法較EKF沒有引入更多的算法復(fù)雜度，且其提高了數(shù)據(jù)融 合算法處理系統(tǒng)非線性的能力，但是由于其系統(tǒng)狀態(tài)模型驅(qū)動(dòng)過程基于UT變換更易處理 噪聲服從高斯分布的先決條件，其在解決非高斯噪聲的最優(yōu)估計(jì)問題上還存在一些不足。 為了解決非高斯噪聲環(huán)境下的最優(yōu)估計(jì)，有學(xué)者提出了粒子濾波（PF)算法，采用樣本形式 而不是函數(shù)形式對(duì)狀態(tài)概率密度進(jìn)行描述，適用于任意非線性非高斯的動(dòng)態(tài)系統(tǒng)，但是由 于其存在粒子退化、重要性密度函數(shù)選取以及計(jì)算量大等問題，使其在實(shí)際的數(shù)據(jù)融合應(yīng) 用面臨很多問題。
[0003] 目前數(shù)據(jù)融合的最優(yōu)估計(jì)研究多集中在對(duì)新息數(shù)據(jù)的估計(jì)上，圍繞新息數(shù)據(jù)的非 高斯性出現(xiàn)了兩種解決方法。一種是針對(duì)單一系統(tǒng)模型的自適應(yīng)參數(shù)估計(jì)，以自適應(yīng)卡爾 曼濾波（AKF)為代表，但是基于單一模型的參數(shù)自適應(yīng)算法在系統(tǒng)參數(shù)變化復(fù)雜（如高 機(jī)動(dòng)系統(tǒng)）情況下無法及時(shí)準(zhǔn)確的對(duì)系統(tǒng)的模型參數(shù)進(jìn)行辨識(shí)，隨著高動(dòng)態(tài)以及復(fù)雜度較 高的多傳感器器融合系統(tǒng)的應(yīng)用需求增大，基于單一模型的自適應(yīng)算法適用性較弱。另一 種就是基于多模型的交互算法，以多模交互（IMM)技術(shù)為例，IMM的基本思想是首先建立理 想情況下的標(biāo)稱模型，然后根據(jù)系統(tǒng)可能的不確定性因素，構(gòu)造多個(gè)模型組成模型集，在系 統(tǒng)運(yùn)行時(shí)刻根據(jù)系統(tǒng)狀態(tài)自適應(yīng)的調(diào)整每個(gè)模型的權(quán)值，使得最終的統(tǒng)計(jì)數(shù)據(jù)模型逼近系 統(tǒng)真實(shí)狀態(tài)。傳統(tǒng)的IMM信息融合多用于動(dòng)態(tài)目標(biāo)的跟蹤應(yīng)用，最近才出現(xiàn)了將其應(yīng)用于 組合導(dǎo)航數(shù)據(jù)融合的論述，但是直接采用I麗仍存在許多問題，比如為了精確的匹配系統(tǒng) 運(yùn)行狀態(tài)構(gòu)造足夠大的模型集使得計(jì)算量偏大，同時(shí)模型集的精確度受算法設(shè)計(jì)者的先驗(yàn) 知識(shí)影響較大，而基于變結(jié)構(gòu)的多模交互（VSIMM)算法可以減少系統(tǒng)預(yù)先存儲(chǔ)的模型集數(shù) 目，減少概率轉(zhuǎn)移矩陣的運(yùn)算量，并且算法在有限的模型集中自適應(yīng)的產(chǎn)生新的模型以適 應(yīng)系統(tǒng)過程噪聲統(tǒng)計(jì)特性的變化。因此提出基于VSIMM-UKF的組合導(dǎo)航系統(tǒng)來解決高動(dòng) 態(tài)、強(qiáng)非線性和非高斯的問題，對(duì)實(shí)現(xiàn)復(fù)雜系統(tǒng)狀態(tài)變量的參數(shù)估計(jì)具有重要的指導(dǎo)意義。


【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種面向高動(dòng)態(tài)非高斯 模型魯棒測(cè)量的高精度數(shù)據(jù)融合方法，該方法不但能夠?qū)崿F(xiàn)高動(dòng)態(tài)、強(qiáng)非線性、非高斯模型 的組合系統(tǒng)的數(shù)據(jù)融合，而且能夠降低預(yù)存儲(chǔ)模型集的數(shù)量，同時(shí)提高模型概率更新的計(jì) 算效率和高動(dòng)態(tài)系統(tǒng)的測(cè)量魯棒性。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：一種面向高動(dòng)態(tài)非高斯模型魯棒測(cè) 量的高精度數(shù)據(jù)融合方法，將高動(dòng)態(tài)系統(tǒng)中的硬件傳感器采樣周期波動(dòng)作為系統(tǒng)隨機(jī)不確 定度考慮，根據(jù)其波動(dòng)范圍和趨勢(shì)建立濾波模型集，該濾波模型集包括一個(gè)以上UKF濾波 器模型和模糊推理系統(tǒng)；所述UKF濾波器模型之間并行執(zhí)行，通過貝葉斯定理計(jì)算每個(gè)UKF 濾波器模型與當(dāng)前高動(dòng)態(tài)系統(tǒng)狀態(tài)匹配的概率，實(shí)時(shí)更新每個(gè)UKF濾波模型與當(dāng)前高動(dòng)態(tài) 系統(tǒng)的匹配概率，并將更新后的匹配概率作為模糊推理系統(tǒng)的輸入，通過模糊推理系統(tǒng)得 到UKF濾波器模型概率的自適應(yīng)估計(jì)概率，最后基于該自適應(yīng)估計(jì)概率融合多個(gè)UKF濾波 器模型輸出的狀態(tài)估計(jì)得到高動(dòng)態(tài)系統(tǒng)狀態(tài)變量最終的均值及協(xié)方差估計(jì)。
[0006] 所述UKF濾波器模型的建立方法如下：
[0007] 步驟A，根據(jù)慣導(dǎo)系統(tǒng)的轉(zhuǎn)移矩陣、系統(tǒng)狀態(tài)變量、噪聲驅(qū)動(dòng)矩陣、系統(tǒng)噪聲矢量以 及白噪聲建立系統(tǒng)狀態(tài)方程；
[0008] 步驟B，根據(jù)可見衛(wèi)星數(shù)目、頻率誤差、相位誤差以及接收機(jī)位置和速度建立UKF 濾波器模型的系統(tǒng)量測(cè)方程。
[0009] 所述步驟A中的系統(tǒng)狀態(tài)方程為：

【權(quán)利要求】
1. 一種面向高動(dòng)態(tài)非高斯模型魯棒測(cè)量的高精度數(shù)據(jù)融合方法，其特征在于：將高動(dòng) 態(tài)系統(tǒng)中的硬件傳感器采樣周期波動(dòng)作為系統(tǒng)隨機(jī)不確定度考慮，根據(jù)其波動(dòng)范圍和趨勢(shì) 建立濾波模型集，該濾波模型集包括一個(gè)以上UKF濾波器模型和模糊推理系統(tǒng)；所述UKF濾 波器模型之間并行執(zhí)行，通過貝葉斯定理計(jì)算每個(gè)UKF濾波器模型與當(dāng)前高動(dòng)態(tài)系統(tǒng)狀態(tài) 匹配的概率，實(shí)時(shí)更新每個(gè)UKF濾波模型與當(dāng)前高動(dòng)態(tài)系統(tǒng)的匹配概率，并將更新后的匹 配概率作為模糊推理系統(tǒng)的輸入，通過模糊推理系統(tǒng)得到UKF濾波器模型概率的自適應(yīng)估 計(jì)概率，最后基于該自適應(yīng)估計(jì)概率融合多個(gè)UKF濾波器模型輸出的狀態(tài)估計(jì)得到高動(dòng)態(tài) 系統(tǒng)狀態(tài)變量最終的均值及協(xié)方差估計(jì)。
2. 根據(jù)權(quán)利要求1所述的向高動(dòng)態(tài)非高斯模型魯棒測(cè)量的高精度數(shù)據(jù)融合方法，其特 征在于：所述UKF濾波器模型的建立方法如下 ： 步驟A，根據(jù)慣導(dǎo)系統(tǒng)的轉(zhuǎn)移矩陣、系統(tǒng)狀態(tài)變量、噪聲驅(qū)動(dòng)矩陣、系統(tǒng)噪聲矢量以及白 噪聲建立系統(tǒng)狀態(tài)方程； 步驟B，根據(jù)可見衛(wèi)星數(shù)目、頻率誤差、相位誤差以及接收機(jī)位置和速度建立UKF濾波 器模型的系統(tǒng)量測(cè)方程。
3. 根據(jù)權(quán)利要求2所述的面向高動(dòng)態(tài)非高斯模型魯棒測(cè)量的高精度數(shù)據(jù)融合方法，其 特征在于：所述步驟A中的系統(tǒng)狀態(tài)方程為：
其中，X為系統(tǒng)的狀態(tài)向量，F(xiàn)ins為慣導(dǎo)系統(tǒng)的轉(zhuǎn)移矩陣，
FnS 9 維基本導(dǎo)航參數(shù)系統(tǒng)陣，F(xiàn)s和Fm分別為
姿態(tài)矩陣；
為噪聲驅(qū)動(dòng)矩陣，
為慣導(dǎo)系統(tǒng)噪聲矢量，ω ε 和ωΛ分別為陀螺儀和加速度計(jì)的隨機(jī)誤差
COf]' c〇b、COf為時(shí)鐘偏置和時(shí)鐘漂移過程對(duì)應(yīng)的白噪聲，C為光速。
4. 根據(jù)權(quán)利要求3所述的面向高動(dòng)態(tài)非高斯模型魯棒測(cè)量的高精度數(shù)據(jù)融合方法， 其特征在于：所述步驟B中的UKF濾波器模型的系統(tǒng)量測(cè)方程建立方法如下，記Z(k)= {1+di，n Q+dQ}j為UKF觀測(cè)向量，其中1、IIqSgps測(cè)量的I、Q成分中的噪聲成分，di 和dQ為慣導(dǎo)系統(tǒng)中由于慣性器件誤差引起的I、Q預(yù)測(cè)誤差，j為接收機(jī)跟蹤的信號(hào)通道數(shù)， 觀測(cè)矩陣H可以表示為：
f 其中，S為可見衛(wèi)星數(shù)目，以計(jì)算X軸向的速度和位置與I、Q的關(guān)系為例，得到：
計(jì)算同相支路信號(hào)期望E(I)對(duì)相位誤差叭和頻率誤差的偏微分方程得到：
同理，計(jì)算正交相支路信號(hào)期望E (Q)對(duì)相位誤差Θ e和頻率誤差的偏微分方程得 到：
其中，相位誤差θ ε和頻率誤差ωε對(duì)接收機(jī)位置誤差（Χε，ye， Ζε)和速度誤差(iV,夂.i,.} 的偏微分計(jì)算如下：

其中，位置誤差和速度誤差分別為其測(cè)量值與估計(jì)值之差，06和《6分別為鑒相器和 鑒頻器輸出。
5. 根據(jù)權(quán)利要求4所述的面向高動(dòng)態(tài)非高斯模型魯棒測(cè)量的高精度數(shù)據(jù)融合方法， 其特征在于：所述將高動(dòng)態(tài)系統(tǒng)中的硬件傳感器采樣周期波動(dòng)作為系統(tǒng)隨機(jī)不確定度考 慮，根據(jù)其波動(dòng)范圍和趨勢(shì)建立濾波模型集的方法：根據(jù)載體的運(yùn)動(dòng)狀態(tài)構(gòu)造模型集M = Im1, m2, ，其中Hi1是采樣周期偏大時(shí)對(duì)應(yīng)的模型，m 2是采樣周期偏小時(shí)對(duì)應(yīng)的模型，m3代 表系統(tǒng)標(biāo)稱采樣周期模型，設(shè)％、Q2、Q3為三個(gè)模型對(duì)應(yīng)的過程噪聲方差，初始時(shí)％、Q 2選擇 相差較大的值，Q3為％、Q2兩者之間的值。
6. 根據(jù)權(quán)利要求5所述的面向高動(dòng)態(tài)非高斯模型魯棒測(cè)量的高精度數(shù)據(jù)融合方法，其 特征在于：所述模糊推理系統(tǒng)的建立方法如下： 首先，記從HljGO到HliGO的轉(zhuǎn)移概率為31 M，其滿足
為系統(tǒng) 模型數(shù)目，Hlj (k)到Hli (k+Ι)的條件轉(zhuǎn)移概率記為μ (k)，則：
其中Zk表示量測(cè)信息集合，μ ^k)為n^(k)在k時(shí)刻為系統(tǒng)匹配模型的概率稱作模型 概率； 其次，由于已知量測(cè)信息Z (k)，進(jìn)行一階泰勒展開，則基于模型Hli (k)的濾波殘差矢量 為：
輸出殘差的協(xié)方差為：
因此k時(shí)刻模型HliGO為匹配模型的似然函數(shù)：
得到模型概率的更新方程為：
再次，進(jìn)行歸一化處理，模糊規(guī)則和模糊輸出由一個(gè)隸屬函數(shù)直接給出，使用升半梯形 分布作為輸出隸屬度函數(shù)，其形式如下：
其取值范圍為[〇, 1]，根據(jù)隸屬度函數(shù)可以得到模型的新概率及!七' =1，2,3)，經(jīng)歸一化 處理就得到最終的模型匹配概率，即
最后，得到的估計(jì)輸出為：
其中，λι是考慮k時(shí)刻量測(cè)值后的最終狀態(tài)融合估計(jì)值，為其對(duì)應(yīng)的協(xié)方差。
【文檔編號(hào)】G01S19/47GK104392136SQ201410713605
【公開日】2015年3月4日 申請(qǐng)日期:2014年11月28日 優(yōu)先權(quán)日:2014年11月28日
【發(fā)明者】陳熙源, 崔冰波, 宋銳, 湯傳業(yè), 方琳 申請(qǐng)人:東南大學(xué)