CN104536015A - 一种粒子滤波raim方法的fpga实现方法 - Google Patents

Abstract

一种粒子滤波RAIM方法的FPGA实现方法，所述方法包含如下步骤：第一步，建立基于粒子滤波的RAIM算法的状态空间模型；第二步，建立基于粒子滤波RAIM算法；第三步，算法的FPGA硬件实现。本发明的优点在于：1、基于粒子滤波的RAIM算法，能够在非高斯非线性的环境中，能够有效的检测出卫星故障和隔离故障卫星。2、传统的算法只存在于理论仿真，本发明能够用FPGA来硬件实现该算法，具有实际的应用价值。

Description

一种粒子滤波RAIM方法的FPGA实现方法

技术领域：本发明涉及卫星导航定位中的接收机自主完好性监测技术，在航空导航中有着十分重要的作用，是判断导航定位是否可靠的重要方法，尤其涉及的是一种基于粒子滤波的RAIM方法，并用FPGA来进行算法的硬件实现。具体而言，使粒子滤波RAIM方法在实际的硬件电路中实现，能够嵌入到卫星导航接收机中。

背景技术：接收机自主完好性监测(Receiver AutonomousIntegrity Monitor，RAIM)，是一种利用冗余观测量进行一致性校验的技术。它能够在导航系统的误差超过允许的限值而不能胜任规定的导航工作时，系统及时报警，通知用户此时卫星导航定位结果不可靠，以利用其他的导航系统为飞机提供位置等信息，从而保证飞行的安全。

随着国际航空运输业务量的高速增长，航空飞行器的高精度和完好性服务越来越被人们所重视。受到卫星星历、卫星钟差、电离层和对流层延迟，以及多径效应和接收机热噪声等因素的影响，飞行器所使用的卫星导航系统所估计计算的位置可能超过空域监视所容许的范围，而飞机对误差超限又存在盲视问题，即定位完好问题。由于导航信号来自高空卫星，信号很弱，很容易被刻意的强信号压制，其完好性始终是航空导航所关注的。同时，卫星故障、导航信号获取不及时和有意/无意信号干扰的影响，都会严重影响导航服务和完好性服务的可靠性。尤其在飞行器进离场阶段，需要极高的定位精度，电磁干扰、气象和地理环境等因素可能导致严重的飞行事故。在与生命相关的导航应用服务中，完好性问题非常重要，一旦产生差错故障，后果可能非常严重。因此，随着人们对导航系统的可靠性和安全性的日益关注，完好性监测日益成为研究的热点。

目前，RAIM算法包括两大类：一类是利用当前伪距观测值的快照方法，包括最小二乘法、奇偶向量法等；另一类是基于Kalman滤波的RAIM算法。但是两类RAIM算法模型都局限于线性系统，但实际系统通常为非线性的，建模不准会带来残差，使导航系统的可靠性降低。传统的RAIM算法观测模型不完善，未能全面考虑到伪距观测模型简化、噪声统计不准确等复杂因素的考虑，同时对于非高斯非线性的实际系统，已有的RAIM方法也不存在着估计误差大等问题，因此，建立一种有效的RAIM算法模型，并进行硬件实现是很有必要的。

发明内容：针对上述现有技术的缺点，本发明提供了一种粒子滤波RAIM方法的FPGA实现方法。

为实现上述目的，本发明采用的技术方案是：一种粒子滤波RAIM方法的FPGA实现方法，所述方法包含如下步骤：

第一步，建立基于粒子滤波的RAIM算法的状态空间模型；

第二步，建立基于粒子滤波RAIM算法；

第三步，算法的FPGA硬件实现。

本发明的优点在于：

1、基于粒子滤波的RAIM算法，能够在非高斯非线性的环境中，能够有效的检测出卫星故障和隔离故障卫星。

2、传统的算法只存在于理论仿真，本发明能够用FPGA来硬件实现该算法，具有实际的应用价值。

附图说明：

图1是基于粒子滤波的故障检测方法。

图2是本发明的FPGA实现算法的MicroBlaze软核和逻辑核的结构图。

图3是本发明FPGA实现算法的各模块整体框图。

具体实施方式：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清晰、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

首先介绍如下的概念与定义：

1、粒子滤波算法：粒子滤波是一种基于蒙特卡罗和递推贝叶斯的估计统计滤波方法。它依据于大数定理采用蒙特卡罗方法来求解贝叶斯估计中的积分运算，其实质是用由粒子及其权重组成的离散随机测度近似相关的概率分布，并根据算法递推更新离散随机测度。它可适用于任何能用状态空间模型表示的非高斯背景的非线性随机系统，精度可以逼近最优估计，是一种很有效的非线性滤波技术，广泛用于数字通信、卫星导航、金融领域数据分析、统计学、图像处理、计算机视觉、自适应估计、语音信号处理、机器学习等领域。

2、重采样：在粒子滤波算法中，随着迭代运算的进行，大部分的粒子权值会变得接近于0，只有很小一部分的粒子权值会很大，出现粒子退化现象。重采样能减少无效样本、增加有效的样本来，即忽略小权值的粒子，保留并复制大权值粒子来代替它们，并使得每个粒子的权值都为相同即为1/N，从而克服粒子退化问题。

3、故障检测与隔离：RAIM算法计算出的检测限值超过规定的检测阈值，则认为当前导航系统出现故障，之后计算每颗卫星的检测统计量，并与得到的检测阈值相比较，从而确定出故障的卫星，到以后的导航解算中剔除该卫星，从而达到隔离故障卫星。

4、MicroBlaze软核：MicroBlaze软核是一种针对Xilinx FPGA器件而优化的功能强大的32位微处理器，是业界最快的软处理器IP核解决方案，支持CoreConnect总线的标准外设集合，具有兼容性和重复利用性。MicroBlaze软核可根据性能需求和逻辑区域成本进行任意裁剪，极大地扩展了MicroBlaze软核的应用范围。

本发明提供的基于粒子滤波的RAIM算法的FPGA实现方法，具体步骤如下：

第一步，建立基于粒子滤波算法的状态空间模型；

粒子滤波算法采用的模型为状态空间模型。状态空间模型是描述非线性动态系统的模型。任何动态的系统都可以分为状态转移系统和观测系统两部分，状态空间方法就是利用状态转移方程描写动态系统，利用测量方程提供状态的测量信息。状态转移方程反映了动态系统在输入变量作用下随着时间变化的规律；测量方程反映了系统在某时刻的输出和系统的状态及输入变量之间的关系。

基本粒子滤波算法状态模型：

状态转移方程

x_k＝f_k(x_k-1,v_k-1)

测量方程

z_k＝h_k(x_k,n_k-1)

在式中，x_k为状态向量，z_k为测量向量，v_k-1为系统噪声，n_k-1为观测的环境噪声，两者均为一种随机误差，且相互独立。f_k为状态转移函数，h_k为状态向量和观测向量之间的传递函数。由于系统模型是非线性的，状态转移函数f_k和传递函数h_k也为非线性函数。在非线性的高斯噪声环境下，粒子滤波算法的最关键问题是要获得先验与后验的分布密度函数，并进行预测同时再求出它们的数字特征。

在基于粒子滤波的RAIM算法中，同样也使用类似的状态空间模型的方法来建立模型。

接收机的状态转移方程：

X_k＝F_k-1X_k-1+v_k-1

式中，X为四维矢量，X＝[r_x,r_y,r_z,Δt]^T。r_x,r_y,r_z是接收机的三维位置信息，Δt为接收机站钟的钟差。F为转移矩阵；v为测量的过程噪声。

伪距观测方程为：

ρⁱ(k)＝Rⁱ(k)+cΔtⁱ+Tⁱ(k)+Eⁱ(k)+εⁱ(k)

式中，ρⁱ(k)为在观测时刻为k时，由第i颗卫星到接收机的测码伪距。c为光速；Δt为接收机站钟的钟差；Tⁱ为对流层延时；Eⁱ为星历误差影响；ε为码观测噪声；其中Rⁱ为接收机与第i颗卫星之间的实际距离

$R^i=\sqrt{{(r_x-s_x^i)}^2+{(r_y-s_y^i)}^2+{(r_z-s_z^i)}^2}$

在接收机中，用于定位解算的卫星的坐标位置伪距ρⁱ和钟差Δt都可以从接收机的原始观测值中获得。

第二步，建立基于粒子滤波RAIM算法；

如图1所示，是基于粒子滤波故障检测方法的整体框图。在GNSS接收机从卫星接收到测量信息之后，将接收到的测量值作为粒子滤波模块的输入。对于主粒子滤波的输入y,y＝[y₁,y₂,...,y_n]^T。当系统工作正常时，经过滤波之后，主粒子滤波模块会产生最优的状态估计辅助粒子滤波模块也会产生状态估计 来作为故障检测的参考状态。当故障发生时，辅助粒子滤波模块中的其中一个滤波结果会产生差错。通过将滤波后的状态估计结果分别与每一个辅助粒子滤波结果 进行一致性对数似然比检验，从而检测出故障发生。

基于粒子滤波的RAIM算法流程如下：

1、根据先验概率密度函数p(x₀)(此处主要考虑接收机所在的位置(r_x,r_y,r_z))，产生N个主粒子滤波的初始粒子同样的，产生N个辅助粒子滤波的初始粒子且有

$x_0^q\left(i\right)=x_0^{\mathrm{main}}\left(i\right),i=\mathrm{1,2}...N.$

主粒子滤波模块，需要处理m个测量值，而辅助粒子滤波模块则处理m-1个测量值即可。

2、在每个k时刻，重复以下步骤：

①状态预测：将上一步骤中产生的初始粒子和分别带入接收机的状态方程中，产生新的预测粒子值{x_k|k-1(i),i＝1,2...N}，来逼近预测的概率密度函数p(x_k|Z_k-1)。

主PF： $x_{k|k-1}^{\mathrm{main}}(x_{k-1}^{\mathrm{main}}\left(i\right),w_{k-1}\left(i\right))$

辅助PF： $x_{k|k-1}^{\mathrm{qq}}\left(i\right)=f(x_{k-1}^q\left(i\right),w_{k-1}\left(i\right))$

②粒子权重计算：将粒子滤波的预测值和第i颗卫星的坐标值和接收机钟差Δt等带入接收机的量测方程，得到预测的第i卫星的伪距ρ^*i，将ρ^*i和接收机实际得到的伪距测量值ρ^*带入权值计算公式进行计算出每个粒子权值和

③对数似然比计算:对数似然比函数计算如下：

$S_j^k\left(q\right)=\underset{i=j}{\overset{k}{\mathrm{\Σ}}}\ln \frac{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\tilde{w}}_k^q\left(i\right)}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\tilde{w}}_k^{\mathrm{main}}\left(i\right)}$

④计算判决函数:故障检测的判决函数β_k计算如下：

${\mathrm{\β}}_k=\underset{1\≤q\≤Q}{\max }{\mathrm{\ζ}}_k^n\left(q\right)$

式中，为主粒子滤波和辅助粒子滤波的窗函数限定的累加对数似然比的最大值，计算如下：

${\mathrm{\ζ}}_k^n\left(q\right)=\underset{k-U+1\≤j\≤k}{\max }{S}_j^k\left(q\right)$

⑤故障检测:

若β_k＞τ(τ为判决阈值)，则故障警告被设置为t_a＝k时刻，并跳转到⑥；

若β_k＜τ，则若故障，跳转到⑦。

⑥故障隔离:在k＞t_a的条件下，根据公式取出Q颗卫星中的累积LLR最大的卫星q，即为故障卫星，g＝q。

⑦状态更新:首先，将主粒子滤波和辅助粒子滤波的粒子权值进行归一化，

$w_k^{\mathrm{main}}\left(i\right)=\frac{{\tilde{w}}_k^{\mathrm{main}}\left(i\right)}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_k^{\mathrm{main}}\left(j\right)},w_k^q\left(i\right)=\frac{{\tilde{w}}_k^q\left(i\right)}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_k^q\left(j\right)}$

之后进行重采样，得到k时刻的更新粒子：

主粒子滤波： $\{x_0^{\mathrm{main}}\left(i\right):i=\mathrm{1,2},...,N\};$

辅助粒子滤波： $\{x_k^q\left(i\right):i=\mathrm{1,2},...,N\}.$

第三步，算法的FPGA硬件实现。

上一步中，已经给出了基于粒子滤波RAIM算法的流程，本部分将算法进行FPGA实现，所用的编程语言为Verilog HDL。

图2为算法的MicroBlaze软核和逻辑核的整体结构图。图中将逻辑运算核是相对于MicroBlaze软核而言的，是整个算法部分中的逻辑值计算部分，并行执行，运算速度快。由于MicroBlaze软核中含有浮点单元，可以进行浮点运算，再加上软核中对一些常见的数学公式支持较好，而这点正是FPGA逻辑运算核中的不足之处。将MicroBlaze软核和逻辑运算相互结合，能大大减少算法的移植难度，而且仍有较高的算法执行速度。同时，逻辑计算核和MicroBlaze软核留有互相交互的数据接口，便于进行数据互通。图中RAM用于存储计算过程中的中间数据和存储计算之后的结果，并且能够同时供逻辑运算核和MicroBlaze软核进行访问。图中的ROM用于存储接收机所采集到的真实信息，包括各卫星的位置坐标、伪距测量值和接收机钟差，在算法计算过程中，提供所需的必要信息。

图3为算法FPGA设计的各模块详细的连接图。高斯随机数发生器产生的高斯随机数，一方面用于产生初始化粒子，另一方面作为重采样模块中使用的随机数。当卫星数目为s时，则需要Q＝s+1个粒子滤波模块，其中一个作为主粒子滤波，其余s个作为辅助粒子滤波。粒子状态值模块分别将主粒子滤波和s个辅助粒子滤波部分的初始粒子，带入系统的状态转移方程中，计算得出粒子的预测值，并存入RAM1中。

在伪距测量值模块中，存储着从ROM中读取的第i颗卫星的测量伪距值，作为真实值。在伪距预测值模块中，会从RAM1中读取粒子的预测值，从ROM中读取第i颗卫星的位置坐标和钟差Δt。此模块中，会将读取的信息带入伪距计算方程，从而得出第i颗卫星的伪距预测值。之后，在权值计算值模块中，以伪距的测量值为参考，从而计算出每个粒子的权值，包括主粒子滤波的每个粒子权值和每个辅助粒子滤波模块的每个粒子权值，为了并行的计算方便，将权值进行归一化后，都存入RAM2中。

权值计算结束之后，会分成两路，一路会进行粒子更新，另一路则会进行故障检测。两路并行执行，能有效的提高故障检测的速度和效率。

其中一路进行粒子更新，进入重采样模块，重采样模块会从RAM2中读取每个粒子的权值，同时在RAM1中读取权值所对应的每个粒子，进行重采样，剔除权值小的粒子，保留并复制权值大的粒子，存入RAM4中，等待此状态是否进行更新。

另一路同时会进入对数似然比计算模块，此模块会从RAM2中读取每个粒子的归一化权值，在MicroBlaze软核中，计算出对数似然比函数，并将计算结果存储在RAM3中，以便逻辑计算核能够快速读取。

判决函数计算模块会从RAM3中读取数据，计算出判决函数β_k。

在故障检测模块中，会判断卫星是否出故障，若是未发生故障，则进行粒子更新，会通知重采样模块进行粒子更新，此时会进入下一时刻k＝k+1，将重采样的之后的粒子作为初始粒子，送入粒子状态值模块中，再次进行下一时刻的迭代运算。

若是故障检测模块检测到卫星故障发生，则会进入判断故障卫星的模块中，计算出故障卫星的序号，输出计算结果，以进行故障卫星的隔离。

在计算故障卫星序号的过程中，会同时通知粒子状态值模块，不能接收来自重采样的粒子作为初始粒子，需要再次从高斯随机数发生器产生的高斯粒子作为初始粒子，排除出故障的卫星序号，重新开始进入迭代运算。

Claims (4)

1.一种粒子滤波RAIM方法的FPGA实现方法，所述方法包含如下步骤：

第一步，建立基于粒子滤波的RAIM算法的状态空间模型；

第二步，建立基于粒子滤波RAIM算法；

第三步，算法的FPGA硬件实现。

2.如权利要求1所述的一种粒子滤波RAIM方法的FPGA实现方法，其特征在于，所述第一步建立基于粒子滤波算法的状态空间模型的具体过程为：粒子滤波算法采用的模型为状态空间模型，

基本粒子滤波算法状态模型：

状态转移方程

x_k＝f_k(x_k-1,v_k-1)

测量方程

z_k＝h_k(x_k,n_k-1)

在式中，x_k为状态向量，z_k为测量向量，v_k-1为系统噪声，n_k-1为观测的环境噪声，两者均为一种随机误差，且相互独立，f_k为状态转移函数，h_k为状态向量和观测向量之间的传递函数，由于系统模型是非线性的，状态转移函数f_k和传递函数h_k也为非线性函数，在非线性的高斯噪声环境下，粒子滤波算法的最关键问题是要获得先验与后验的分布密度函数，并进行预测同时再求出它们的数字特征；

在基于粒子滤波的RAIM算法中，同样也使用类似的状态空间模型的方法来建立模型，

接收机的状态转移方程：

X_k＝F_k-1X_k-1+v_k-1

式中，X为四维矢量，X＝[r_x,r_y,r_z,Δt]^T。r_x,r_y,r_z是接收机的三维位置信息，Δt为接收机站钟的钟差。F为转移矩阵；v为测量的过程噪声；

伪距观测方程为：

ρⁱ(k)＝Rⁱ(k)+cΔtⁱ+Tⁱ(k)+Eⁱ(k)+εⁱ(k)

式中，ρⁱ(k)为在观测时刻为k时，由第i颗卫星到接收机的测码伪距。c为光速；Δt为接收机站钟的钟差；Tⁱ为对流层延时；Eⁱ为星历误差影响；ε为码观测噪声；其中Rⁱ为接收机与第i颗卫星之间的实际距离

$R^i=\sqrt{{(r_x-s_x^i)}^2+{(r_y-s_y^i)}^2+{(r_z-s_z^i)}^2}$

在接收机中，用于定位解算的卫星的坐标位置伪距ρⁱ和钟差Δt都从接收机的原始观测值中获得。

3.如权利要求1所述的一种粒子滤波RAIM方法的FPGA实现方法，其特征在于，所述第二步建立基于粒子滤波RAIM算法的具体过程为：

在GNSS接收机从卫星接收到测量信息之后，将接收到的测量值作为粒子滤波模块的输入，对于主粒子滤波的输入y,y＝[y₁,y₂,...,y_n]^T。当系统工作正常时，经过滤波之后，主粒子滤波模块会产生最优的状态估计辅助粒子滤波模块也会产生状态估计 来做为故障检测的参考状态，当故障发生时，辅助粒子滤波模块中的其中一个滤波结果会产生差错，通过将滤波后的状态估计结果分别与每一个辅助粒子滤波结果 进行一致性对数似然比检验，从而检测出故障发生；

基于粒子滤波的RAIM算法流程如下：

1、根据先验概率密度函数p(x₀)，此处主要考虑接收机所在的位置(r_x,r_y,r_z)，产生N个主粒子滤波的初始粒子同样的，产生N个辅助粒子滤波的初始粒子且有 $x_0^q\left(i\right)=x_0^{\mathrm{main}}\left(i\right),i=\mathrm{1,2},...N;$

主粒子滤波模块，需要处理m个测量值，而辅助粒子滤波模块则处理m-1个测量值即可；

2、在每个k时刻，重复以下步骤：

①状态预测：将上一步骤中产生的初始粒子和分别带入接收机的状态方程中，产生新的预测粒子值{x_k|k-1(i),i＝1,2...N}，来逼近预测的概率密度函数p(x_k|Z_k-1)；

主PF： $x_{k|k-1}^{\mathrm{main}}\left(i\right)=f(x_{k-1}^{\mathrm{main}}\left(i\right),w_{k-1}\left(i\right))$

辅助PF： $x_{k|k-1}^q\left(i\right)=f(x_{k-1}^q\left(i\right),w_{k-1}\left(i\right))$

②粒子权重计算：将粒子滤波的预测值和第i颗卫星的坐标值和接收机钟差Δt等带入接收机的量测方程，得到预测的第i卫星的伪距，将和接收机实际得到的伪距测量值^ρ*带入权值计算公式进行计算出每个粒子权值和

③对数似然比计算:对数似然比函数计算如下：

$S_j^k\left(q\right)=\underset{i=j}{\overset{k}{\mathrm{\Σ}}}1n\frac{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\tilde{w}}_k^q\left(i\right)}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\tilde{w}}_k^{\mathrm{main}}\left(i\right)}$

④计算判决函数:故障检测的判决函数β_k计算如下：

${\mathrm{\β}}_k=\underset{1\≤q\≤Q}{\max }{\mathrm{\ζ}}_k^n\left(q\right)$

式中，为主粒子滤波和辅助粒子滤波的窗函数限定的累加对数似然比的最大值，计算如下：

${\mathrm{\ζ}}_k^n\left(q\right)=\underset{k-U+1\≤j\≤k}{\max }{S}_j^k\left(q\right)$

⑤故障检测:

若β_k＞τ(τ为判决阈值)，则故障警告被设置为t_a＝k时刻，并跳转到⑥；

若β_k＜τ，则若故障，跳转到⑦；

⑥故障隔离:在k＞t_a的条件下，根据公式取出Q颗卫星中的累积LLR最大的卫星q，即为故障卫星，g＝q；

⑦状态更新:首先，将主粒子滤波和辅助粒子滤波的粒子权值进行归一化，

$w_k^{\mathrm{main}}\left(i\right)=\frac{{\tilde{w}}_k^{\mathrm{main}}\left(i\right)}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_k^{\mathrm{main}}\left(j\right)},w_k^q\left(i\right)=\frac{{\tilde{w}}_k^q\left(i\right)}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_k^q\left(j\right)}$

之后进行重采样，得到k时刻的更新粒子：

主粒子滤波： $\{x_k^{\mathrm{main}}\left(i\right):i=\mathrm{1,2},...,N\};$

辅助粒子滤波： $\{x_k^q\left(i\right):i=\mathrm{1,2},...,N\}.$

4.如权利要求1所述的一种粒子滤波RAIM方法的FPGA实现方法，其特征在于，所述第三步算法的FPGA硬件实现具体过程为：

高斯随机数发生器产生的高斯随机数，一方面用于产生初始化粒子，另一方面作为重采样模块中使用的随机数，当卫星数目为s时，则需要Q＝s+1个粒子滤波模块，其中一个作为主粒子滤波，其余s个作为辅助粒子滤波，粒子状态值模块分别将主粒子滤波和s个辅助粒子滤波部分的初始粒子，带入系统的状态转移方程中，计算得出粒子的预测值，并存入RAM1中，在伪距测量值模块中，存储着从ROM中读取的第i颗卫星的测量伪距值，作为真实值，在伪距预测值模块中，会从RAM1中读取粒子的预测值，从ROM中读取第i颗卫星的位置坐标和钟差Δt，此模块中，会将读取的信息带入伪距计算方程，从而得出第i颗卫星的伪距预测值，之后，在权值计算值模块中，以伪距的测量值为参考，从而计算出每个粒子的权值，包括主粒子滤波的每个粒子权值和每个辅助粒子滤波模块的每个粒子权值，为了并行的计算方便，将权值进行归一化后，都存入RAM2中，权值计算结束之后，会分成两路，一路会进行粒子更新，另一路则会进行故障检测，两路并行执行，能有效的提高故障检测的速度和效率，其中一路进行粒子更新，进入重采样模块，重采样模块会从RAM2中读取每个粒子的权值，同时在RAM1中读取权值所对应的每个粒子，进行重采样，剔除权值小的粒子，保留并复制权值大的粒子，存入RAM4中，等待此状态是否进行更新；另一路同时会进入对数似然比计算模块，此模块会从RAM2中读取每个粒子的归一化权值，在MicroBlaze软核中，计算出对数似然比函数，并将计算结果存储在RAM3中，以便逻辑计算核能够快速读取，判决函数计算模块会从RAM3中读取数据，计算出判决函数β_k，在故障检测模块中，会判断卫星是否出故障，若是未发生故障，则进行粒子更新，会通知重采样模块进行粒子更新，此时会进入下一时刻k＝k+1，将重采样的之后的粒子作为初始粒子，送入粒子状态值模块中，再次进行下一时刻的迭代运算，若是故障检测模块检测到卫星故障发生，则会进入判断故障卫星的模块中，计算出故障卫星的序号，输出计算结果，以进行故障卫星的隔离，在计算故障卫星序号的过程中，会同时通知粒子状态值模块，不能接收来自重采样的粒子作为初始粒子，需要再次从高斯随机数发生器产生的高斯粒子作为初始粒子，排除出故障的卫星序号，重新开始进入迭代运算。