CN104316025A - 一种基于船体姿态信息估计海浪浪高的系统 - Google Patents

Abstract

本发明属于船体姿态信息估计领域，具体的说是一种基于船体姿态信息估计海浪浪高的系统。包括无迹卡尔曼滤波器、海浪扰动估计器、海浪浪高估计器，船上测量系统的加速度传感器、惯性陀螺仪测出船体姿态信息，海浪扰动估计器接收作用在船上的控制量的同时接收无迹卡尔曼滤波器的输出的水动力系数估计值，得到海浪扰动估计器输出的海浪扰动力、力矩估计序列，浪高估计器接收海浪扰动力、力矩估计序列后，得到海浪浪高估计序列。本发明可以很好的解决所用船体运动方程参数未知和不确定性的情况，最后利用船体姿态反推出的船体所受的海浪扰动间接的求出海浪浪高，达到了较高的计算精度。

Description

一种基于船体姿态信息估计海浪浪高的系统

技术领域

本发明属于船体姿态信息估计领域，具体的说是一种基于船体姿态信息估计海浪浪高的系统。

背景技术

海洋是世界重要的组成部分，要对其进行研究，首先要考虑海浪，我们知道，海浪是海洋中的一种普遍自然现象，它是由海水的不规则波动而产生的，并且影响着人们在海上的各种活动，无论是民用的渔船，还是军用船舶，在海上航行时都会因为海浪的影响而产生剧烈摇荡，轻则影响航行，重则可能会损坏船只或者使其沉没，因此为了减小海浪对海上航行船只的威胁性，对海浪特性的研究有着相当重要的意义。

在了解海浪特性方面，传统的系统是运用一些仪器来测量海浪的相关数据，在实际中有不少船只使用浪高仪来测量浪高，对于这种情况，同样也会出现一些问题，如浪高仪本身的故障以及浪级上的限制，也就是说浪高仪并不是在任何情况下都是可以使用的，它具有一定的局限性，当然也有比较先进的船只配备了随船海浪摄像测量系统，这种系统虽然也可以达到目的，但是由于其复杂性以及价格昂贵，使其不能在所有船只都能使用，这也就限制了这种系统的应用范围。综合考虑这些系统都并不太令人满意，因此找出更好的测量海浪浪高的系统，增加船舶在航行时的安全性，仍是当前重要的课题。

对于传统的使用仪器测量海浪浪高的系统中，浪高仪的工作原理是在使用时需要投放测量海域，利用其中传感器进行测量计算而输出相应的浪高数据，待测量完毕后进行回收，而同样的原理，将海中航行的船体作为一个浪高仪时，利用船体自身的一些航行姿态变量对海浪的浪高进行计算，同样也可以得到相应的信息，并且减少了投放与回收的过程，更加方便。

本发明通过建立的船体运动方程，应用无迹卡尔曼滤波器对船体模型参数进行辨识，并依此反推出船体所受的海浪扰动。通过运用神经网络的系统找出海浪扰动与海浪浪高之间的关系，间接求出海浪浪高。这其中并没有运用新的测量仪器，只是运用船体在海中航行的过程中提供的一些航行参数，该法是一种较为安全、便捷的海浪浪高测量系统。

发明内容

本发明的目的在于提供一种更高计算精度的基于船体姿态信息估计海浪浪高的系统。

本发明的目的是这样实现的

基于船体姿态信息估计海浪浪高的系统，包括无迹卡尔曼滤波器(1)、海浪扰动估计器(2)、海浪浪高估计器(3)，船上测量系统的加速度传感器、惯性陀螺仪测出船体姿态信息：纵荡速度、横荡速度、艏摇角速度，传递给无迹卡尔曼滤波器(1)，将作用在船上的控制量分别发送给无迹卡尔曼滤波器(1)和海浪扰动估计器(2)，无迹卡尔曼滤波器(1)同时接收船体姿态信息和作用在船上的控制量后得到水动力系数估计值；海浪扰动估计器(2)接收作用在船上的控制量的同时接收无迹卡尔曼滤波器(1)的输出的水动力系数估计值，得到海浪扰动估计器(2)输出的海浪扰动力、力矩估计序列，浪高估计器(3)接收海浪扰动力、力矩估计序列后，得到海浪浪高估计序列。

无迹卡尔曼滤波器是通过sigma点发生器获取sigma点，经过非线性状态函数进行时间更新获得状态一步预报和状态一步预报协方差，经过非线性量测函数进行测量更新获得输出预测、输出预测自协方差和输出预测互方差，将实际输出值、输出预测、输出预测自协方差、输出预测互协方差、状态一步预报和状态一步预报协方差送给状态估计器后得到水动力系数估计值；所述的非线性状态函数和非线性量测函数为：

x_k是n维状态向量，y_k是r维输出向量，θ_k是p维未知参数向量，w_k是n维状态噪声向量，v_k是r维量测噪声向量，是n+p维的状态向量，η_k是p维状态噪声向量，此处，假设序列w_k，η_k与v_k均为离散的高斯白噪声；

sigma点发生器是采用对称采样策略获取sigma点：

时间更新是指将Sigma点集中的每一个点带入到非线性状态函数中去，

状态一步预报为

状态一步预报协方差为

测量更新是指基于时间更新中的状态一步预报和状态一步预报协方差P′_x，k，利用sigma点发生器获得sigma点经过非线性量测函数传播

${\mathrm{\γ}}_{k|k-1}^i=h\left(x_{k|k-1}^i\right)$

输出预测为 ${\hat{y}}_k^{\′}=\underset{i=1}{\overset{n+p}{\mathrm{\Σ}}}{W}_i^{\left(m\right)}{\mathrm{\γ}}_{k|k-1}^i,$

输出预测自协方差为 $P_{y,k}=\underset{i=0}{\overset{n+p}{\mathrm{\Σ}}}{W}_i^{\left(c\right)}[{\mathrm{\γ}}_{k|k-1}^i-{\hat{y}}_k^{\′}]{[{\mathrm{\γ}}_{k|k-1}^i-{\hat{y}}_k^{\′}]}^T,$

输出预测互协方差为

状态估计器是指运用实际输出的值来修正计算的状态后验估计值：

所述的实际输出值是指通过测量系统得到的船体姿态信息，极纵荡速度、横荡速度以及艏摇角速度，测量系统是指线加速度传感器、惯性陀螺仪，状态后验估计值是指水动力系数及船体姿态辨识值，海浪扰动估计器为：

${\widehat{\mathrm{\τ}}}_E\left(k\right)=\hat{M}\hat{x}(k+1)+\hat{D}\hat{x}\left(k\right)\text{+}\hat{C}\left(k\right)\hat{x}\left(k\right)-\mathrm{\τ}\left(k\right),$

海浪浪高估计器为：

$y_k\left(x_j\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ik}}\exp (-\frac{1}{2{\mathrm{\σ}}^2}{\left|\right|x_j-c_i\left|\right|}^2)k=\mathrm{1,2},...,p,j=\mathrm{1,2},...b.$

对于求取海浪浪高，本发明具有以下的优点：

该系统是为解决航行船体测量海浪浪高相对复杂而产生的，它是以船体自身为浪高仪进行测量计算的，降低了传统仪器测量时的复杂性，另外，由于建立船体运动模型的非线性，利用无迹卡尔曼滤波器来完成参数的辨识，可以很好的解决所用船体运动方程参数未知和不确定性的情况，最后利用船体姿态反推出的船体所受的海浪扰动间接的求出海浪浪高，达到了较高的计算精度。

附图说明

图1为基于船体姿态信息估计海浪浪高的结构框图；

图2为船体运动方程参数估计结构示意图；

图3为UKF滤波辨识水动力系数相对误差；

图4为通过神经网络最后估计出的海浪浪高与真实值的对比图。

具体实施系统

下面结合附图对本发明做进一步描述。

针对传统海浪测量系统的不足与使用的局限性，本发明提出了运用船体姿态通过计算间接求出海浪浪高的系统。本发明的目的是这样实现的：

包括无迹卡尔曼滤波器(1)、海浪扰动估计器(2)、海浪浪高估计器(3)。船上测量系统(加速度传感器、惯性陀螺仪)测出船体姿态信息(纵荡速度、横荡速度、艏摇角速度)，传递给无迹卡尔曼滤波器(1)，作用在船上的控制量分别发送给无迹卡尔曼滤波器(1)和海浪扰动估计器(2)，无迹卡尔曼滤波器(1)同时接收船体姿态信息和作用在船上的控制量后得到水动力系数估计值；海浪扰动估计器(2)接收作用在船上的控制量的同时还接收无迹卡尔曼滤波器(1)的输出数据(水动力系数估计值)，得到海浪扰动估计器(2)的输出数据(海浪扰动力、力矩估计序列)，最后浪高估计器(3)接收海浪扰动(力、力矩)估计序列后，得到海浪浪高估计序列。

本发明的基于船体姿态信息估计海浪浪高的系统还可以包括：

1、所述的无迹卡尔曼滤波器是通过sigma点发生器获取sigma点，经过非线性状态函数进行时间更新获得状态一步预报和状态一步预报协方差，经过非线性量测函数进行测量更新获得输出预测、输出预测自协方差和输出预测互方差，将实际输出值、输出预测、输出预测自协方差、输出预测互协方差、状态一步预报和状态一步预报协方差送给状态估计器后得到状态后验估计值。

2、所述的非线性状态函数和非线性量测函数为：

3、所述的sigma点发生器是采用对称采样策略获取sigma点：

4、所述的时间更新是指将Sigma点集中的每一个点带入到非线性状态函数中去，

状态一步预报为

状态一步预报协方差为

5、所述的测量更新是指基于权利要求5时间更新中的和P′_x,k利用sigma点发生器获得sigma点经过非线性量测函数传播

${\mathrm{\γ}}_{k|k-1}^i=h\left(x_{k|k-1}^i\right)---\left(15\right)$

输出预测为 ${\hat{y}}_k^{\′}=\underset{i=1}{\overset{n+p}{\mathrm{\Σ}}}{W}_i^{\left(m\right)}{\mathrm{\γ}}_{k|k-1}^i---\left(16\right)$

输出预测自协方差为 $P_{y,k}=\underset{i=0}{\overset{n+p}{\mathrm{\Σ}}}{W}_i^{\left(c\right)}[{\mathrm{\γ}}_{k|k-1}^i-{\hat{y}}_k^{\′}]{[{\mathrm{\γ}}_{k|k-1}^i-{\hat{y}}_k^{\′}]}^T---\left(17\right)$

输出预测互协方差为

6、所述的状态估计器是指运用实际输出的值来修正计算的状态后验估计值：

7、所述的实际输出值是指通过测量系统得到的船体姿态信息

8、所述的船体姿态信息是指纵荡速度、横荡速度以及艏摇角速度。

9、所述的测量系统是指线加速度传感器、惯性陀螺仪。

10、所述的状态后验估计值是指水动力系数及船体姿态辨识值。

11、所述的海浪扰动估计器为：

${\widehat{\mathrm{\τ}}}_E\left(k\right)=\hat{M}\hat{x}(k+1)+\hat{D}\hat{x}\left(k\right)\text{+}\hat{C}\left(k\right)\hat{x}\left(k\right)-\mathrm{\τ}\left(k\right)---\left(20\right)$

12、所述的海浪浪高估计器为：

$y_k\left(x_j\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ik}}\exp (-\frac{1}{2{\mathrm{\σ}}^2}{\left|\right|x_j-c_i\left|\right|}^2)k=\mathrm{1,2},...,p,j=\mathrm{1,2},...b---\left(21\right)$

本发明的工作原理是：对原非线性状态方程也就是船体运动方程进行参数增广，得到相应的状态方程与观测方程，并离散化；运用扩展无迹卡尔曼(UKF)非线性观测器对船体运动方程的参数进行辨识及对船体姿态信息滤波；利用船体姿态信息借助海浪扰动估计器求出相对应的船体所受的海浪扰动；运用海浪浪高数据和相应的船体所受的海浪扰动对神经网络(海浪浪高估计器)进行训练，将海浪扰动作为输入，求出相应的海浪浪高。

本发明描述的是一种海浪浪高的估计系统，与传统的海浪浪高测量系统相比，该系统能够快速并且准确的得到船体航行时当前的海浪浪高的情况，操作方便且节省成本。本发明的设计方案如图1所示，具体的步骤如下：

1.船体运动方程参数的增广与辨识的准备，具体过程如下：

使用无迹卡尔曼(UKF)滤波器来处理非线性方程的参数辨识问题时，主要经过以下两个阶段：第一个是预报阶段，在该阶段中，主要是计算状态的预报值与此时所对应的状态预报误差的协方差；在第二个阶段中，主要完成的是状态预报误差与协方差的更新步骤，根据由计算得出的UKF滤波器的滤波增益，对其进行更新，同时也要完成对预报状态的更新。

假设θ是将要估计的参数向量，对原非线性状态方程进行增广，也就是将参数向量θ和原状态一起作为状态而进行非线性状态方程的扩展，然后对该扩展状态下的非线性方程进行UKF滤波，此时也可以将该滤波称为扩展UKF滤波。通过估计θ的最小方差来完成对未知参数向量的最优估计。

假定离散系统的描述如下，并且其中包含有未知参数：

$\left\{\begin{array}{c}{x}_{k+1}=f(x_k,{\mathrm{\θ}}_k)+w_k\\ y_k=h(x_k,{\mathrm{\θ}}_k)+v_k\end{array}\right.---\left(1\right)$

式中，x_k是n维状态向量，y_k是r维输出向量，θ_k是p维未知参数向量，w_k是n维状态噪声向量，v_k是r维量测噪声向量。

为了便于描述和运用UKF进行估计，式(1)所描述的离散状态空间表示为：

上式中，是n+p维的状态向量，η_k是p维状态噪声向量，此处，假设序列w_k，η_k与v_k均为离散的高斯白噪声。

2.对船体运动方程水动力系数的辨识，具体过程如下：

针对文献“Gianluca Antonelli,Stefano Chiaverini,Nilanjan Sarkar,Michael West.AdaptiveControl of an Autonomous Underwater Vehicle:Experimental Results on ODIN[J].

TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY,2001,9(5)”给出的球形水下机器人ODIN，假设ODIN保持在某一定深进行航行，其水平面的运动方程为：

$\stackrel{\·}{x}\left(x\right)x+D\left(x\right)x={\mathrm{\τ}}_E+\mathrm{\τ}---\left(3\right)$

式中：x＝[u v r]^T，u,v,r为ODIN纵荡速度、横荡速度、艏摇角速度；M为惯性矩阵，包括附加质量；C(x)为向心力和科氏力矩阵，包括附加质量产生的向心力和科氏力；D(x)为水动力阻力和升力矩阵；τ_E为海浪扰动；τ表示作用在ODIN载体坐标系下的控制向量，即力和力矩。

$M=\left[\begin{array}{ccc}m-X_{\stackrel{\·}{u}}& 0& 0\\ 0& m-Y_{\stackrel{\·}{v}}& m{x}_G-Y_{\stackrel{\·}{r}}\\ 0& m{x}_G-N_{\stackrel{\·}{v}}& I_z-N_{\stackrel{\·}{r}}\end{array}\right]---\left(4\right)$

$C\left(x\right)=\left[\begin{array}{ccc}0& 0& -m(x_{G}r+v)\\ 0& 0& \mathrm{mu}\\ m(x_{G}r+v)& -\mathrm{mu}& 0\end{array}\right]---\left(5\right)$

所考虑的ODIN的状态即u,v,r均比较小，因此二阶阻尼矩阵可以忽略，则：

$D\left(x\right)=-\left[\begin{array}{ccc}{X}_u& 0& 0\\ 0& Y_v& Y_r\\ 0& N_v& N_r\end{array}\right]---\left(6\right)$

式中，m表示的是船体质量，x_G表示的是浮心在体坐标系中x轴坐标，I_z表示的是船体关于z轴的转动惯量。

运用扩展UKF滤波器对船体运动方程的参数进行辨识，并建立辨识模型，其辨识结构示意图如图2所示，在运用扩展无迹卡尔曼滤波器来对运动方程的参数进行估计时，所要估计的参数主要有将待估计的未知参数记为向量θ，令 $\mathrm{\θ}=\begin{array}{c}{\left[\begin{array}{cccccccccc}{X}_{\stackrel{\·}{u}}& X_u& Y_{\stackrel{\·}{v}}& Y_{\stackrel{\·}{r}}& Y_r& Y_v& N_{\stackrel{\·}{v}}& N_{\stackrel{\·}{r}}& N_v& N_r\end{array}\right]}^T\end{array}.$

式（3)可写为：

$\stackrel{\·}{x=}{M}^{-1}[{\mathrm{\τ}}_E+\mathrm{\τ}-D\left(x\right)x-C\left(x\right)x]---\left(7\right)$

从而得到微分方程即：

f(x,θ)＝M^-1[τ_E+τ-D(x)x-C(x)x]             (8)

将运动方程水动力系数θ扩展到状态变量x中，并进行离散化可以得到非线性离散状态方程及相应的量测方程，见式(2)，式中y_k是该离散系统的测量向量且为y_k＝[u_k v_k r_k]^T。接着将UKF滤波理论应用到式(2)中，通过辨识就可以得到水动力系数和，将和带入式(4)～式(6)得到 辨识结果相对误差见表1。

UKF滤波过程如下：

(1)sigma点发生器采用对称采样策略获取sigma点：

式中为k-1时刻状态均值和协方差，n+p＝13，ρ为比例系数,用于调节与之间的距离,为的平方根矩阵的第i列。

(2)时间更新：

将Sigma点集中的每一个点带入到非线性状态函数中去，得

状态一步预报为

式中

$W_0^{\left(m\right)}=\mathrm{\ρ}/(n+\mathrm{\ρ})$

$W_i^{\left(m\right)}=1/\left[2(n+\mathrm{\ρ})\right],i=1,...,n+p$

状态一步预报协方差为

式中 $W_0^{\left(c\right)}=\mathrm{\ρ}/(n+\mathrm{\ρ})+(1+{\mathrm{\α}}^2+\mathrm{\β}),W_i^{\left(c\right)}=W_i^{\left(m\right)},$ Q_k为的方差，β、α确定周围sigma点的分布状况。

(3)测量更新：

基于时间更新(2)中的和P′_x，k，利用sigma点发生器获得sigma点经过非线性量测函数传播为

${\mathrm{\γ}}_{k|k-1}^i=h\left(x_{k|k-1}^i\right)---\left(15\right)$

输出预测为 ${\hat{y}}_k^{\′}=\underset{i=1}{\overset{n+p}{\mathrm{\Σ}}}{W}_i^{\left(m\right)}{\mathrm{\γ}}_{k|k-1}^i---\left(16\right)$

输出预测自协方差为 $P_{y,k}=\underset{i=0}{\overset{n+p}{\mathrm{\Σ}}}{W}_i^{\left(c\right)}[{\mathrm{\γ}}_{k|k-1}^i-{\hat{y}}_k^{\′}]{[{\mathrm{\γ}}_{k|k-1}^i-{\hat{y}}_k^{\′}]}^T---\left(17\right)$

输出预测互协方差为

式中R_k为v_k的方差。

(4)状态估计器

运用实际输出的值来修正计算的状态后验估计值：

式中状态协方差更新为P_k＝P′_x,k-KP_y,kK^T。

3.利用海浪扰动估计器进行船体所受海浪扰动的推算，具体过程如下：

根据运用UKF滤波器估计出的水动力系数得到具体的船体运动方程，而船体所受的海浪扰动在该方程中有所体现，此时由式(7)可以得出船体所受海浪扰动估计的离散化方程为：

${\widehat{\mathrm{\τ}}}_E\left(k\right)=\hat{M}\hat{x}(k+1)+\hat{D}\hat{x}\left(k\right)\text{+}\hat{C}\left(k\right)\hat{x}\left(k\right)-\mathrm{\τ}\left(k\right)---\left(20\right)$

式中 $\hat{M}=\left[\begin{array}{ccc}m-{\hat{X}}_{\stackrel{\·}{u}}& 0& 0\\ 0& m-{\hat{Y}}_{\stackrel{\·}{v}}& {\mathrm{mx}}_G-{\hat{Y}}_{\stackrel{\·}{r}}\\ 0& {\mathrm{mx}}_G-{\hat{N}}_{\stackrel{\·}{v}}& I_z-{\hat{N}}_{\stackrel{\·}{r}}\end{array}\right],\hat{C}\left(x\right)=\left[\begin{array}{ccc}0& 0& -m(x_G\hat{r}+\hat{v})\\ 0& 0& m\hat{u}\\ m(x_G\hat{r}+\hat{v})& -m\hat{v}& 0\end{array}\right],$ $\hat{D}\left(x\right)=-\left[\begin{array}{ccc}{\hat{X}}_u& 0& 0\\ 0& {\hat{Y}}_v& {\hat{Y}}_r\\ 0& {\hat{N}}_v& {\hat{N}}_r\end{array}\right],\hat{x}={\left[\hat{u}\hat{v}\hat{r}\right]}^T.$

在航行时，根据船体运行姿态信息，则可以估计出当前情况下所受的海浪扰动，进而可以依据这些扰动得出海浪的在各个时刻的海浪浪高。

4.海浪浪高估计器是依据海浪扰动与海浪浪高的关系估计海浪浪高，具体过程如下：

船体在海中行进时，会受到海浪扰动的作用，由实验可知，不同的船只在相同的海浪干扰下，船体所受的海浪扰动也会有所不同，因此，在根据船体所受的海浪扰动估计海浪浪高时，并没有现成有效的计算公式或者经验可寻，为了能够有效的解决这一难题，在此引入了径向基函数(RBF)神经网络。利用神经网络的学习能力来解决海浪扰动与海浪浪高之间关系未知的问题，进一步根据这种关系求出海浪的浪高。

RBF神经网络如下：

$y_k\left(x_j\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ik}}\exp (-\frac{1}{2{\mathrm{\σ}}^2}{\left|\right|x_j-c_i\left|\right|}^2)k=\mathrm{1,2},...,p,j=\mathrm{1,2},...b---\left(21\right)$

式中x_j是第j个输入样本，σ为高斯函数方差，m是指隐含层节点数，范数||x_j-c_i||表示的是输入量x_j到高斯基函数中心c_i的距离。w_ik是网络联接权值，y_k是与输入样本对应的网络的第k个输出结点的实际输出。

由海浪扰动与相应的海浪浪高数据作为RBF的输入、输出量，对神经网络进行训练。但是由于输入数据与输出数据的量纲并不相同，因此，需要对这些原始数据进行归一化处理。然后将求取的数据进行反归一化输出即可得到海浪浪高，图4表示的是5级海清时得到的海浪浪高估计序列。

Claims (5)

1.一种基于船体姿态信息估计海浪浪高的系统，其特征在于：包括无迹卡尔曼滤波器(1)、海浪扰动估计器(2)、海浪浪高估计器(3)，船上测量系统的加速度传感器、惯性陀螺仪测出船体姿态信息：纵荡速度、横荡速度、艏摇角速度，传递给无迹卡尔曼滤波器(1)，将作用在船上的控制量分别发送给无迹卡尔曼滤波器(1)和海浪扰动估计器(2)，无迹卡尔曼滤波器(1)同时接收船体姿态信息和作用在船上的控制量后得到水动力系数估计值；海浪扰动估计器(2)接收作用在船上的控制量的同时接收无迹卡尔曼滤波器(1)的输出的水动力系数估计值，得到海浪扰动估计器(2)输出的海浪扰动力、力矩估计序列，浪高估计器(3)接收海浪扰动力、力矩估计序列后，得到海浪浪高估计序列。 

2.根据权利要求1所述的一种基于船体姿态信息估计海浪浪高的系统，其特征在于：所述的无迹卡尔曼滤波器是通过sigma点发生器获取sigma点，经过非线性状态函数进行时间更新获得状态一步预报和状态一步预报协方差，经过非线性量测函数进行测量更新获得输出预测、输出预测自协方差和输出预测互方差，将实际输出值、输出预测、输出预测自协方差、输出预测互协方差、状态一步预报和状态一步预报协方差送给状态估计器后得到水动力系数估计值；所述的非线性状态函数和非线性量测函数为： 

x_k是n维状态向量，y_k是r维输出向量，θ_k是p维未知参数向量，w_k是n维状态噪声向量，v_k是r维量测噪声向量，是n+p维的状态向量，η_k是p维状态噪声向量，此处，假设序列w_k，η_k与v_k均为离散的高斯白噪声； 

所述的sigma点发生器是采用对称采样策略获取sigma点： 

。

3.根根据权利要求2所述的一种基于船体姿态信息估计海浪浪高的系统，其特征在于：所述的时间更新是指将Sigma点集中的每一个点带入到非线性状态函数中去， 

状态一步预报为 

状态一步预报协方差为 

4.根根据权利要求3所述的一种基于船体姿态信息估计海浪浪高的系统，其特征在于：所述的测量更新是指基于时间更新中的状态一步预报和状态一步预报协方差P′_x，k，利用sigma点发生器获得sigma点经过非线性量测函数传播 

输出预测为

输出预测自协方差为

输出预测互协方差为

5.根据权利要求2所述的一种基于船体姿态信息估计海浪浪高的系统，其特征在于：所述的状态估计器是指运用实际输出的值来修正计算的状态后验估计值： 

所述的实际输出值是指通过测量系统得到的船体姿态信息，极纵荡速度、横荡速度以及艏摇角速度，测量系统是指线加速度传感器、惯性陀螺仪，状态后验估计值是指水动力系数及船体姿态辨识值，海浪扰动估计器为： 

海浪浪高估计器为：