CN103604432A - 一种导航信息动态粗精控制去野值算法 - Google Patents

Abstract

本发明公开了一种导航信息动态粗精控制去野值算法，包括以下步骤：基于灰色理论的动态信息粗精控制预测方法；动态数据去野值处理算法。本发明所提出的导航信息动态粗精控制去野值算法在准确性和快速性间找到了一个平衡点，解决了动态信息中的野值干扰问题，并且处理后的结果对原信息影响较小。

Description

一种导航信息动态粗精控制去野值算法

技术领域

本发明属于导航领域，具体涉及一种导航信息动态粗精控制去野值算法。

背景技术

工程实践表明，即使是高精度的测量设备，由于多种偶然因素的综合影响或作用，量测数据集合中往往包含1～2％甚至10～20％的数据严重偏离目标真值，工程数据处理领域称这部分异常数据为野值。

导航信息中的野值不仅会造成定位信息的错误，更大的影响体现在定位信息的应用层面上，可以不夸张的讲“差之毫厘，谬之千里”。由于野值会对导航系统产生很大的影响，因此定位信息在实际应用前，必须消除掉野值干扰的影响。

导航信息不同于其它信号，对野值处理的要求：

(1)由于工作载体的运动状态变化较剧烈，所以对剔除后数据的填充有比较高的要求；

(2)数据的动态处理要求高，既要算法简单，又要有好的效果；

(3)野值的识别与其它工作要求一致，尽量快的发现野值，减少误识的机率。

常用野值数据识别方法及局限性：

(1)3σ准则法；直接对量测值采用3σ准则进行判断，这种方法需要知道量测值的真值或相对真值和量测值方差σ。然而对于组合导航系统来说，量测值的真值就是导航参数的真实值，是无法获得的。

(2)外推拟合法；该方法先是选择某一小段不存在野值的数据作为合理基点，利用最小二乘或时间多项式外推等方法估计出下一时刻的量测值，将量测估计值与实测值进行比较，超出门限即为野值。但该方法依赖于基点的个数，基点选取的多，估计值较准确，计算量大；基点选取少，估计模型可能与实际模型不符，出现误判。而且该方法适用于处理较平稳的数据，当状态变化较大时，只能采用大的阈值，则可能会拉偏合理数据。

(3)新息判别法；对于采用卡尔曼滤波进行数据融合的导航系统，采用新息进行野值的判别。

新息ε_k=Z_k-H_kX_k/k-1，若

为无野值，否则为野值，式中r为系数，

表示一步预测的方差，R_k表示量测值的方差阵。该方法简单、漏检和误判率低，是目前通常采用的一种方法，但当R_k也需要预测时，判别成了先验信息的判断，与实际信息存在比较大的差异。

基于新息方差的野值判别：

在平稳的情况下，新息的方差将是正态表现，野值的变化造成新息的方差将出现跳变，而且即使在载体运动较剧烈的情况下，新息的变化也是一个逐步的、缓慢变化的过程，若出现野值，新息的方差也将出现足迹跳变。正是基于此，论文考虑利用新息方差来进行野值的去除。

根据理论分析，新息方差的变化类似于控制系统的阶跃响应，即开始时，由于数据量太小的缘故，致使新息方差呈逐渐上升的趋势，但随着数据量的增加，这个值趋于稳定，这一点上与概率理论中的大数定律是一致的，这里分成两种情况进行讨论。

(1)静态的情况；数据基本稳定在某一固定值，新息的变化是随机的，也是较平稳的，野值的出现，将迫使新息方差跃变，而后由于数据量的原因而趋于平衡，所以在数据量一定的情况下，利用新息方差进行野值的判断是可行的。

(2)动态的情况；数据处于一种逐步变化的情况，但若变化是一致的，这与静态时的处理也是一致的。若变化是一种较强的变化，首先，新息的产生就存在一定的问题，一般我们都采用模型进行下一步的预测，可是这种方法往往不能很好的处理较大的机动状态，原因在于模型的建立是一种系统的观点，而机动状态却是一种局部表现，不可能将这两方面都处理好，只能在某种平衡的状态寻求最优。

从导航载体来看，任何的载体在机动工作时，不可能进行非常大的变化，应该是一个变化的过程，反映到新息方差上也是逐步变化，所以设计利用新息方差的增量作为判断野值的尺度。

我们采用

进行判断，γ是置信的程度，可以根据实际需要进行选择和调节，

是i个新息的方差的平方，即

若数据是不受野值干扰的，其变化即使存在变化，但也应该是在一定限度以内、或缓变的；若受到野值的干扰，即出现了剧变数据，选择γ作为一种对变化的容忍程度，来进行相应的数据处理，是符合实际情况的。

常用的野值数据剔除方法：

(1)零元素填充法；当按照某种方法判断出信息中的野值后，将与其相关的部分参数用零值替换，这样就可以完全消除此野值对其后的工作产生的影响。这种方法一般都根据实际需要进行与其它方法的组合，因为有时填充零值的行为与产生野值的效果是一样的。

(2)平均元素法；发现野值后，采用利用前面的信息的平均来进行野值的替换：

$\stackrel{\_}{x}\left(k\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}x(k-i)$

这样就避免了填充零值后的归零影响，对一般比较平稳的数据有较好的作用。

(3)组合法；对于如卡尔曼滤波，发现量测数据Z_k的第i个分量为野值的时候，将增益阵K_k第i行元素全部置零，即可消除野值的影响，此时系统状态参数的估计只是采用时间更新。如果连续发现野值，由于无法得到量测值的修正，状态估计的误差会变大，此时则需要对该部分野值进行拟合补点，可以采用k时刻前一段时间内的信息来填补，如前m个时刻新息序列的平滑值来代替k时刻的新息。

$\stackrel{\_}{r}\left(k\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}r(k-i)$

对于处理后的新息的赋值，大都采用前面的几个数据新息的均值，但使用的数据并不是越多越好，因为多了就需要接收系统必须存储大量的数据以供使用。而过少的数据的平均可能因此而引入其它干扰而造成误差，一般选择前面4～5个数据。

发明内容

本发明针对上述问题，提供一种基于灰预测的导航信息动态粗精控制去野值算法。

本发明解决上述问题所采用的技术方案是：一种导航信息动态粗精控制去野值算法，包括以下步骤：

基于灰色理论的动态信息粗精控制预测方法；

动态数据去野值处理算法。

进一步地，其中所述基于灰色理论的动态信息粗精控制预测方法包括以下步骤：

设原始数据列X⁽⁰⁾=(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…x⁽⁰⁾(n))，(x⁽⁰⁾(k≥0)，k=1，2，…，n)，X⁽⁰⁾的一次累加(1-AGO)生成序列X⁽¹⁾=(x⁽¹⁾(1)，x⁽¹⁾(2)，…x⁽¹⁾(n))，X⁽¹⁾的紧邻均值生成序列Z⁽¹⁾=(z⁽¹⁾(2)，z⁽¹⁾(3)，…z⁽¹⁾(n))，其中 $Z^{\left(1\right)}\left(k\right)=\frac{1}{2}[x^{\left(1\right)}\left(k\right)+x^{\left(1\right)}(k-1)],(k=\mathrm{2,3},...n);$

若

为参数列，且

$B=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ \·& \\ \·& \\ \·& \\ -z^{\left(1\right)}\left(n\right)& 1\end{array}\right]Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ \·\\ \·\\ \·\\ x^{\left(0\right)}\left(n\right)\end{array}\right]$

则GM(1，1)模型的灰色微分方程为：

x⁽⁰⁾(k)+az⁽¹⁾(k)=b

的最小二乘估计参数列满足：

$\hat{a}={\left(B^{T}B\right)}^{-1}{B}^{T}Y$

其白化微分方程为：

$\frac{{\mathrm{dx}}^{\left(1\right)}}{\mathrm{dt}}+{\mathrm{ax}}^{\left(1\right)}\left(t\right)=b$

对应的时间响应序列为：

${\hat{x}}^{\left(1\right)}(k+1)=(x^{\left(0\right)}\left(1\right)-\frac{b}{a})e^{-\mathrm{ak}}+\frac{b}{a},(k=\mathrm{1,2},...,n)$

则其原始序列的模拟预测差分形式为：

${\hat{x}}^{\left(0\right)}(k+1)=x^{\left(1\right)}(k+1)-x^{\left(1\right)}\left(k\right)=(x^{\left(0\right)}\left(1\right)-\frac{b}{a})(e^{-a}-1)e^{-a(k-1)}.$

更进一步地，其中所述动态数据去野值处理算法包括以下步骤：

(1)工作状态的判断；

(2)新息方差的计算；

(3)野值的判断；

(4)野值剔除。

更进一步地，其中所述工作状态的判断包括以下步骤：

设第一尺度预测值为α₁，第二尺度预测值为α₂，则：

若：

则载体为平稳工作，预测值为α₁；

若：

则载体为机动状态，预测值为α₂，其中μ为经验常数。

更进一步地，其中所述新息方差的计算包括以下步骤：

${\mathrm{\σ}}_i^2=\frac{1}{i}\underset{k=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{\α}}_k^2.$

更进一步地，其中所述野值的判断包括以下步骤：

$\left|\frac{{\mathrm{\σ}}_{k+1}^2-{\mathrm{\σ}}_k^2}{{\mathrm{\σ}}_k^2-{\mathrm{\σ}}_{k-1}^2}\right|>\mathrm{\γ}.$

更进一步地，其中所述野值剔除包括以下步骤：

若出现野值，在平稳的情况下采用新息平均法进行野值剔除，

即使用此时刻前的m个时刻信息平均，即

在机动的情况下采用灰色预测值进行野值剔除。

本发明的优点是：本发明所提出的导航信息动态粗精控制去野值算法在准确性和快速性间找到了一个平衡点，解决了动态信息中的野值干扰问题，并且处理后的结果对原信息影响较小。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

在附图中：

图1为本发明的导航信息动态粗精控制去野值算法流程图；

图2为本发明的动态数据去野值处理算法流程图；

图3为去野值处理算法应用中GPS原始数据及加入野值后的变化图。

具体实施方式

下面将结合附图及实施例，来详细说明本发明。

参考图1，如图1所示，一种导航信息动态粗精控制去野值算法，包括以下步骤：

基于灰色理论的动态信息粗精控制预测方法；

动态数据去野值处理算法。

其中所述基于灰色理论的动态信息粗精控制预测方法包括以下步骤：

设原始数据列X⁽⁰⁾=(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…x⁽⁰⁾(n))，(x⁽⁰⁾(k≥0)，k=1，2，…，n)，X⁽⁰⁾的一次累加(1-AGO)生成序列X⁽¹⁾=(x⁽¹⁾(1)，x⁽¹⁾(2)，…x⁽¹⁾(n))，X⁽¹⁾的紧邻均值生成序列Z⁽¹⁾=(z⁽¹⁾(2)，z⁽¹⁾(3)，…z⁽¹⁾(n))，其中 $Z^{\left(1\right)}\left(k\right)=\frac{1}{2}[x^{\left(1\right)}\left(k\right)+x^{\left(1\right)}(k-1)],(k=\mathrm{2,3},...n);$

若

为参数列，且

$B=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ \·& \\ \·& \\ \·& \\ -z^{\left(1\right)}\left(n\right)& 1\end{array}\right]Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ \·\\ \·\\ \·\\ x^{\left(0\right)}\left(n\right)\end{array}\right]$

则GM(1，1)模型的灰色微分方程为：

x⁽⁰⁾(k)+az⁽¹⁾(k)=b

的最小二乘估计参数列满足：

$\hat{a}={\left(B^{T}B\right)}^{-1}{B}^{T}Y$

其白化微分方程为：

$\frac{{\mathrm{dx}}^{\left(1\right)}}{\mathrm{dt}}+{\mathrm{ax}}^{\left(1\right)}\left(t\right)=b$

对应的时间响应序列为：

${\hat{x}}^{\left(1\right)}(k+1)=(x^{\left(0\right)}\left(1\right)-\frac{b}{a})e^{-\mathrm{ak}}+\frac{b}{a},(k=\mathrm{1,2},...,n)$

则其原始序列的模拟预测差分形式为：

${\hat{x}}^{\left(0\right)}(k+1)=x^{\left(1\right)}(k+1)-x^{\left(1\right)}\left(k\right)=(x^{\left(0\right)}\left(1\right)-\frac{b}{a})(e^{-a}-1)e^{-a(k-1)}.$

参考图2，如图2所示，其中所述动态数据去野值处理算法包括以下步骤：

(1)工作状态的判断；

(2)新息方差的计算；

(3)野值的判断；

(4)野值剔除。

其中所述工作状态的判断包括以下步骤：

设第一尺度预测值为α₁，第二尺度预测值为α₂，则：

若：

则载体为平稳工作，预测值为α₁；

若：则载体为机动状态，预测值为α₂，其中μ为经验常数。

其中所述新息方差的计算包括以下步骤：

${\mathrm{\σ}}_i^2=\frac{1}{i}\underset{k=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{\α}}_k^2.$

其中所述野值的判断包括以下步骤：

$\left|\frac{{\mathrm{\σ}}_{k+1}^2-{\mathrm{\σ}}_k^2}{{\mathrm{\σ}}_k^2-{\mathrm{\σ}}_{k-1}^2}\right|>\mathrm{\γ}.$

其中所述野值剔除包括以下步骤：

若出现野值，在平稳的情况下采用新息平均法进行野值剔除，

即使用此时刻前的m个时刻信息平均，即

在机动的情况下采用灰色预测值进行野值剔除。

去野值处理算法应用：

参考图3，如图3所示，采集GPS导航定位信号(4719s)，为进行对比在1750s处加入野值，采用上述的去野值算法进行处理。图上部分表示原始GPS信号，下部分代表加入野值后的GPS信号。

综上所述，本发明所提出的导航信息动态粗精控制去野值算法在准确性和快速性间找到了一个平衡点，解决了动态信息中的野值干扰问题，并且处理后的结果对原信息影响较小。

以上所述仅为本发明的优选实施例而已，本发明包括但不限于本实例，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种导航信息动态粗精控制去野值算法，其特征在于，包括以下步骤：

基于灰色理论的动态信息粗精控制预测方法；

动态数据去野值处理算法。

2.根据权利要求1所述的导航信息动态粗精控制去野值算法，其特征在于，其中所述基于灰色理论的动态信息粗精控制预测方法包括以下步骤：

设原始数据列X⁽⁰⁾=(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…x⁽⁰⁾(n))，(x⁽⁰⁾(k≥0)，k=1，2，…，n)，X⁽⁰⁾的一次累加(1-AGO)生成序列X⁽¹⁾=(x⁽¹⁾(1)，x⁽¹⁾(2)，…x⁽¹⁾(n))，X⁽¹⁾的紧邻均值生成序列Z⁽¹⁾=(z⁽¹⁾(2)，z⁽¹⁾(3)，…z⁽¹⁾(n))，其中 $Z^{\left(1\right)}\left(k\right)=\frac{1}{2}[x^{\left(1\right)}\left(k\right)+x^{\left(1\right)}(k-1)],(k=\mathrm{2,3},...n);$

若为参数列，且

$B=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ \·& \\ \·& \\ \·& \\ -z^{\left(1\right)}\left(n\right)& 1\end{array}\right]Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ \·\\ \·\\ \·\\ x^{\left(0\right)}\left(n\right)\end{array}\right]$

则GM(1，1)模型的灰色微分方程为：

x⁽⁰⁾(k)+az⁽¹⁾(k)=b

的最小二乘估计参数列满足：

$\hat{a}={\left(B^{T}B\right)}^{-1}{B}^{T}Y$

其白化微分方程为：

$\frac{{\mathrm{dx}}^{\left(1\right)}}{\mathrm{dt}}+{\mathrm{ax}}^{\left(1\right)}\left(t\right)=b$

对应的时间响应序列为：

${\hat{x}}^{\left(1\right)}(k+1)=(x^{\left(0\right)}\left(1\right)-\frac{b}{a})e^{-\mathrm{ak}}+\frac{b}{a},(k=\mathrm{1,2},...,n)$

则其原始序列的模拟预测差分形式为：

${\hat{x}}^{\left(0\right)}(k+1)=x^{\left(1\right)}(k+1)-x^{\left(1\right)}\left(k\right)=(x^{\left(0\right)}\left(1\right)-\frac{b}{a})(e^{-a}-1)e^{-a(k-1)}.$

3.根据权利要求1所述的导航信息动态粗精控制去野值算法，其特征在于，其中所述动态数据去野值处理算法包括以下步骤：

(1)工作状态的判断；

(2)新息方差的计算；

(3)野值的判断；

(4)野值剔除。

4.根据权利要求1所述的导航信息动态粗精控制去野值算法，其特征在于，其中所述工作状态的判断包括以下步骤：

设第一尺度预测值为α₁，第二尺度预测值为α₂，则：

若：

则载体为平稳工作，预测值为α₁；

若：

则载体为机动状态，预测值为α₂，其中μ为经验常数。

5.根据权利要求1所述的导航信息动态粗精去野值算法，其特征在于，其中所述新息方差的计算包括以下步骤：

${\mathrm{\σ}}_i^2=\frac{1}{i}\underset{k=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{\α}}_k^2.$

6.根据权利要求1所述的导航信息动态粗精控制去野值算法，其特征在于，其中所述野值的判断包括以下步骤：

$\left|\frac{{\mathrm{\σ}}_{k+1}^2-{\mathrm{\σ}}_k^2}{{\mathrm{\σ}}_k^2-{\mathrm{\σ}}_{k-1}^2}\right|>\mathrm{\γ}.$

7.根据权利要求1所述的导航信息动态粗精控制去野值算法，其特征在于，其中所述野值剔除包括以下步骤：

若出现野值，在平稳的情况下采用新息平均法进行野值剔除，

即使用此时刻前的m个时刻信息平均，即

在机动的情况下采用灰色预测值进行野值剔除。

Images