CN101968369B - 基于b样条和扩展卡尔曼滤波的多功能传感器信号重构方法及多功能传感器的标定方法 - Google Patents
基于b样条和扩展卡尔曼滤波的多功能传感器信号重构方法及多功能传感器的标定方法 Download PDFInfo
- Publication number
- CN101968369B CN101968369B CN2010102683264A CN201010268326A CN101968369B CN 101968369 B CN101968369 B CN 101968369B CN 2010102683264 A CN2010102683264 A CN 2010102683264A CN 201010268326 A CN201010268326 A CN 201010268326A CN 101968369 B CN101968369 B CN 101968369B
- Authority
- CN
- China
- Prior art keywords
- multifunction sensor
- model structure
- output
- inversion model
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
基于B样条和扩展卡尔曼滤波的多功能传感器信号重构方法及多功能传感器的标定方法,它涉及多功能传感器信号重构技术领域。它解决了现有的多功能传感器信号重构方法建模复杂而占用系统资源较大的问题,本发明的信号重构方法包括:先建立逆模型结构,再将被测数据输入至多功能传感器获取输出数据,并将其作为逆模型结构的输入数据,获取输入该多功能传感器的被测数据的输入估计值,完成多功能传感器信号重构;本发明的标定方法包括:首先通过AD转换器将多功能传感器的输出信号采样后输入到所述逆模型中,则逆模型的输出即为被测物理量的估计值,再将获得的估计值作为采集的输出信号所对应的输入值,实现标定。本发明适用于多功能传感器信号重构。
Description
技术领域
本发明涉及多功能传感器信号重构技术领域,具体涉及一种基于B样条和扩展卡尔曼滤波的多功能传感器信号重构方法及多功能传感器的标定方法。
背景技术
信号重构技术是多功能传感技术不可缺少的一部分,如何在保证传感精度的前提下,简化模型、降低计算量、使其适合在微处理器上应用是其技术关键。
常用的信号重构算法有查表法、移动最小二乘、支持向量机等。
查表法(Look-up table)是最简单也是最传统的一种信号重构方法,它将传感器的输入输出以表格的形式存储起来,使用时,直接在表中查出传感器输出信号对应的被测变量的值。查表法的精度完全依赖于表中数据的间隔,对存储空间的要求较高。对于多输入多输出的多功能传感器而言,查表法难以满足实际应用需要。
移动最小二乘(Moving Least Squares,MLS)的基本原理是,首先对全特性曲线在整个求解区域内分区,然后在不同的区域上用最小二乘拟合,即采用分区局部拟合。通过这样的处理,求解域内的每一个代测点都能够得到局部最优的结果,因此可以有效地提高信号重构的整体精度。
支持向量机(Support Vector Machine,SVM)是针对有限的样本信息的情况,在模型的复杂性和学习能力之间寻求最佳折中的学习方法,以期获得更好的推广能力。它利用结构风险最小化准则来代替传统的经验风险最小化准则,有效地避免了经典机器学习方法中的过拟合、局部极小化、维数灾难等问题。
后两种方法均是基于逆模型的多功能传感器的信号重构方法,能达到较高的建模精度。然而,它们对建模复杂性问题考虑不足,计算模型参数需要花费较多的系统资源。
发明内容
为了解决现有的多功能传感器信号重构方法建模复杂而占用系统资源较大的问题,本发明提供一种基于B样条和扩展卡尔曼滤波的多功能传感器信号重构方法及多功能传感器的标定方法。
本发明的基于B样条和扩展卡尔曼滤波的多功能传感器信号重构方法,所述信号重构方法包括如下步骤:
步骤一:利用B样条函数描述多功能传感器的逆模型结构
i=1,...,m 其
中Ln+2K为对应于第n个输出样本数据yn的节点向量的维数,并利用扩展卡尔曼滤波计算所述逆模型结构中的控制系数完成所述逆模型结构的建立,其中,所述逆模型结构为n输入单输出结构,L1,L2,…,Ln和m均为正整数,K表示所述B样条函数的阶数,表示多功能传感器的第n个输出样本数据yn下的B样条基函数;
步骤二:将被测数据输入至所述多功能传感器,以获取所述多功能传感
器的输出数据,并将所述多功能传感器的输出数据作为所建立的逆模型结构的输入数据,以获取输入所述多功能传感器的被测数据的输入估计值,完成多功能传感器信号重构。
本发明的多功能传感器的标定方法,是基于上述所建立的逆模型结构实现的,所述标定方法的具体过程为:
首先,采用多功能传感器对被测物理量进行测量,并获得此时多功能传感器的输出信号;
最后,将获得的所述估计值作为对多功能传感器的标定结果,实现标定。
本发明的有益效果:本发明提供了一种重构精度高且适合于在微处理器上实现的多功能传感器信号重构方法;本发明逆模型结构简单,其参数少且节省存储空间,计算量小,占用系统资源少,且计算过程为迭代过程,适合于在微处理器上应用;本发明采用B样条函数作为描述逆模型的工具,能够很好的避免拟合和欠拟合现象的发生,使得重构精度高,且泛化性能也较好,能实现多功能传感器的在线标定,同时也可用于各种多输入多输出系统的正向或逆向建模;本发明的标定方法原理简单,操作便捷。
附图说明
图1是本发明的基于B样条和扩展卡尔曼滤波的多功能传感器信号重构方法的流程图,图2是本发明的多功能传感器信号重构原理图。
具体实施方式
具体实施方式一:根据说明书附图1和2具体说明本实施方式,本实施方式所述的基于B样条和扩展卡尔曼滤波的多功能传感器信号重构方法,所述信号重构方法包括如下步骤:
步骤一:利用B样条函数描述多功能传感器的逆模型结构
i=1,...,m 其
中Ln+2K为对应于第n个输出样本数据yn的节点向量的维数,并利用扩展卡尔曼滤波计算所述逆模型结构中的控制系数完成所述逆模型结构的建立,其中,所述逆模型结构为n输入单输出结构,L1,L2,…,Ln和m均为正整数,K表示所述B样条函数的阶数,表示多功能传感器的第n个输出样本数据yn下的B样条基函数;
步骤二:将被测数据输入至所述多功能传感器,以获取所述多功能传感器的输出数据,并将所述多功能传感器的输出数据作为所建立的逆模型结构的输入数据,以获取输入所述多功能传感器的被测数据的输入估计值,完成多功能传感器信号重构。
具体实施方式二:本实施方式是对具体实施方式一的进一步说明,具体实施方式一在步骤一中,利用B样条函数描述多功能传感器的逆模型结构
i=1,...,m 的
具体过程为:
首先,选取多功能传感器的输入样本数据,并将所述输入样本数据输入至所述多功能传感器,以获取所述多功能传感器的输出样本数据,并获取所述输出样本数据的B样条节点向量:
t-K+1≤...t-1≤t0=a<...<tL+1=b≤tL+2,...≤tL+K,其中,[a b]为所述输出样本数据的取值范围;
然后,根据所获得的B样条节点向量计算B样条基函数:
tj,j=-K+1,...,L+K为B样条节点向量的元素,且满足L+K<m;
最后,获得B样条函数描述的逆模型结构为
i=1,...,m
然后,利用扩展卡尔曼滤波的更新方程:
其中,k为卡尔曼滤波迭代次数,其最大值等于输入样本数据的个数m;为第k步循环时卡尔曼滤波状态向量的先验估计,为第k步循环时卡尔曼滤波状态向量的后验估计;为第k步循环时协方差矩阵的先验估计,为第k步循环时协方差矩阵的后验估计;表示将当前的状态向量带入逆模型结构中计算获得的输出数据);为第k步循环时逆模型的输出;Hk第k步循环时逆模型对状态向量的一阶偏导;Gk为第k步循环时的卡尔曼增益;Rk为第k步循环时的观测噪声协方差;xk为第k步循环时样本数据的输出。
本实施方式中,扩展卡尔曼滤波是一个迭代算法,样本数据只需依次进入循环即可。当所有更新方程运行一遍之后,将k值加1,利用新的样本数据进行下一次循环。其基本原理是,利用当前的状态估计值计算出模型的输出,与样本数据中的真实值进行比较,获得新息,同时计算卡尔曼增益,然后用新息和卡尔曼增益的积来更新当前的状态向量,从而使得模型越来越准确。
具体实施方式四:本实施方式是对具体实施方式二的进一步说明,具体实施方式二中获取输出样本数据的B样条节点向量的方法为均匀节点法、累积弦长节点法或自由节点法。
具体实施方式五:本实施方式是基于具体实施方式一至五中任意一个实施方式中所建立的逆模型结构实现的,所述标定方法的具体过程为:
首先,采用多功能传感器对被测物理量进行测量,并获得此时多功能传感器的输出信号;
最后,将获得的所述估计值作为对多功能传感器的标定结果,实现标定。
Claims (3)
1.基于B样条和扩展卡尔曼滤波的多功能传感器信号重构方法,其特征在于所述信号重构方法包括如下步骤:
步骤一:利用B样条函数描述多功能传感器的逆模型结构
其中Ln+2K为对应于第n个输出样本数据yn的节点向量的维数,并利用扩展卡尔曼滤波计算所述逆模型结构中的控制系数完成所述逆模型结构的建立,其中,所述逆模型结构为n输入单输出结构,L1,L2,…,Ln和m均为正整数,K表示所述B样条函数的阶数,表示多功能传感器的第n个输出样本数据yn下的B样条基函数;
步骤二:将被测数据输入至所述多功能传感器,以获取所述多功能传感器的输出数据,并将所述多功能传感器的输出数据作为所建立的逆模型结构的输入数据,以获取输入所述多功能传感器的被测数据的输入估计值,完成多功能传感器信号重构;
步骤一中,利用B样条函数描述多功能传感器的逆模型结构
的具体过程为:
首先,选取多功能传感器的输入样本数据,并将所述输入样本数据输入至所述多功能传感器,以获取所述多功能传感器的输出样本数据,并获取所述输出样本数据的B样条节点向量:
t-K+1≤...t-1≤t0=a<...<tL+1=b≤tL+2,...≤tL+K,其中,[a b]为所述输出样本数据的取值范围;
然后,根据所获得的B样条节点向量计算B样条基函数:
tj,j=-K+1,...,L+K为B样条节点向量的元素,且满足L+K<m;
最后,获得B样条函数描述的逆模型结构为
然后,利用扩展卡尔曼滤波的更新方程:
2.根据权利要求1所述的基于B样条和扩展卡尔曼滤波的多功能传感器信号重构方法,其特征在于获取输出样本数据的B样条节点向量的方法为均匀节点法、累积弦长节点法或自由节点法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102683264A CN101968369B (zh) | 2010-08-31 | 2010-08-31 | 基于b样条和扩展卡尔曼滤波的多功能传感器信号重构方法及多功能传感器的标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102683264A CN101968369B (zh) | 2010-08-31 | 2010-08-31 | 基于b样条和扩展卡尔曼滤波的多功能传感器信号重构方法及多功能传感器的标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101968369A CN101968369A (zh) | 2011-02-09 |
CN101968369B true CN101968369B (zh) | 2012-09-12 |
Family
ID=43547557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102683264A Expired - Fee Related CN101968369B (zh) | 2010-08-31 | 2010-08-31 | 基于b样条和扩展卡尔曼滤波的多功能传感器信号重构方法及多功能传感器的标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101968369B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221373B (zh) * | 2011-03-25 | 2013-02-06 | 哈尔滨工业大学 | 基于自由节点递推b样条的传感器非线性补偿方法 |
CN106021194B (zh) * | 2016-05-19 | 2017-10-03 | 哈尔滨工业大学 | 一种多传感器多目标跟踪偏差估计方法 |
CN108918929B (zh) * | 2018-09-11 | 2020-12-04 | 广东石油化工学院 | 一种负荷分解中功率信号自适应滤波方法 |
CN115469553B (zh) * | 2022-11-02 | 2023-03-24 | 中国船舶集团有限公司第七〇七研究所 | 一种船舶运动状态重构方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101351793A (zh) * | 2005-12-28 | 2009-01-21 | 恩德斯+豪斯流量技术股份有限公司 | 用于确定自动化技术的传感器的输出值的方法 |
CN101603838A (zh) * | 2009-07-13 | 2009-12-16 | 容云 | 智能变送器及其标定方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8060173B2 (en) * | 2003-08-01 | 2011-11-15 | Dexcom, Inc. | System and methods for processing analyte sensor data |
US7336168B2 (en) * | 2005-06-06 | 2008-02-26 | Lawrence Kates | System and method for variable threshold sensor |
SE530825C2 (sv) * | 2006-05-04 | 2008-09-23 | Scanditronix Wellhoefer Ab | Metod och anordning för bestämning av en korrektionsfaktor för en strålningsdosimeter genom integrering av bidrag från förberäknade fluensspektra |
US20100163717A1 (en) * | 2008-12-26 | 2010-07-01 | Yaw-Guang Chang | Calibration method for calibrating ambient light sensor and calibration apparatus thereof |
-
2010
- 2010-08-31 CN CN2010102683264A patent/CN101968369B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101351793A (zh) * | 2005-12-28 | 2009-01-21 | 恩德斯+豪斯流量技术股份有限公司 | 用于确定自动化技术的传感器的输出值的方法 |
CN101603838A (zh) * | 2009-07-13 | 2009-12-16 | 容云 | 智能变送器及其标定方法 |
Non-Patent Citations (2)
Title |
---|
魏国,等.基于B样条递推最小二乘的温度传感器非线性校正.《传感器与微系统》.2008,第27卷(第12期), * |
魏国,等.基于B样条递推最小二乘的非线性MISO传感器系统建模方法.《仪器仪表学报》.2009,第30卷(第7期), * |
Also Published As
Publication number | Publication date |
---|---|
CN101968369A (zh) | 2011-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tonn et al. | Comparison of the reduced-basis and POD a posteriori error estimators for an elliptic linear-quadratic optimal control problem | |
CN102141403B (zh) | 基于小波阈值、中值滤波和均值滤波的实时混合去噪方法 | |
Dhamala et al. | Estimating Granger causality from Fourier and wavelet transforms of time series data | |
CN101968369B (zh) | 基于b样条和扩展卡尔曼滤波的多功能传感器信号重构方法及多功能传感器的标定方法 | |
CN104573393B (zh) | 一种基于贝叶斯理论的土壤水分站点数据升尺度方法 | |
CN106354695A (zh) | 一种仅输出线性时变结构模态参数辨识方法 | |
Li et al. | Distributed dynamic load identification based on shape function method and polynomial selection technique | |
Saraereh et al. | Low-complexity channel estimation in 5G massive MIMO-OFDM systems | |
Qi et al. | A fuzzy-based spatio-temporal multi-modeling for nonlinear distributed parameter processes | |
Kadioglu et al. | A fourth-order auxiliary variable projection method for zero-Mach number gas dynamics | |
CN105891249B (zh) | 时域核磁共振谱反演的方法 | |
CN104077479B (zh) | 一种基于守恒迎风格式获取参量阵声场空间分布的方法 | |
CN102551723A (zh) | 一种多支撑向量机模型的磁共振并行成像方法 | |
CN102708277B (zh) | 基于蚁群算法的积雪深度反演设计方法 | |
CN101964020B (zh) | 一种江河流域水动力模型取水量的预测方法 | |
Dye et al. | Multiscale modeling of porous medium systems | |
Eppler et al. | Second-order shape optimization using wavelet BEM | |
Bartolucci et al. | Applying medical survival data to estimate the three-parameter Weibull distribution by the method of probability-weighted moments | |
Belyaev et al. | A data assimilation method used with an ocean circulation model and its application to the tropical Atlantic | |
Njima et al. | Beyond stochastic gradient descent for matrix completion based indoor localization | |
Soule et al. | A good and computationally efficient polynomial approximation to the Maier–Saupe nematic free energy | |
Wu et al. | Application of marginal rate of transformation in decision making of multi-objective reservoir optimal operation scheme | |
Ohlberger et al. | A dimensional reduction approach based on the application of reduced basis methods in the framework of hierarchical model reduction | |
CN102221373B (zh) | 基于自由节点递推b样条的传感器非线性补偿方法 | |
Hock et al. | Information Theory Applied to Parameter Inference of Pake Doublet Spectra |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120912 Termination date: 20130831 |