CN108108335B - 一种野值剔除方法及装置 - Google Patents

一种野值剔除方法及装置 Download PDF

Info

Publication number
CN108108335B
CN108108335B CN201711433406.9A CN201711433406A CN108108335B CN 108108335 B CN108108335 B CN 108108335B CN 201711433406 A CN201711433406 A CN 201711433406A CN 108108335 B CN108108335 B CN 108108335B
Authority
CN
China
Prior art keywords
residual error
model
target
value
kalman filtering
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.)
Active
Application number
CN201711433406.9A
Other languages
English (en)
Other versions
CN108108335A (zh
Inventor
邓中亮
胡恩文
林开钦
尹露
宋汶轩
朱棣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201711433406.9A priority Critical patent/CN108108335B/zh
Publication of CN108108335A publication Critical patent/CN108108335A/zh
Application granted granted Critical
Publication of CN108108335B publication Critical patent/CN108108335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Navigation (AREA)

Abstract

本发明实施例提供了一种野值剔除方法及装置，该方法在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，当目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得卡尔曼滤波残差模型的协方差矩阵；将第一目标值和第二目标值构成的范围作为目标残差范围；将目标残差范围外的残差作为野值，并从目标残差范围中剔除野值。应用于本发明实施例提供的方法能够解决造成融合定位可靠性低的问题。

Description

一种野值剔除方法及装置
技术领域
本发明涉及融合定位技术领域，特别是涉及一种野值剔除方法及装置。
背景技术
传统的多源融合定位是基于信息融合技术，将来自不同导航源的同构或者异构的导航信息按照已有相应的融合算法进行融合，如抗差卡尔曼滤波算法、方差自适应补偿法，以方差自适应补偿法为例，即在卡尔曼滤波过程中，利用观测信息自适应地生成模型误差的协方差矩阵，使观测残差与该协方差矩阵保持良好的一致性滤波，基于开窗逼近法，利用前步残差序列来估计观测向量的协方差阵和状态误差协方差阵。但现有的这些融合算法，大多采用在线估计系统噪声和观测噪声的协方差阵来估计状态变量，算法结构复杂，并在室内复杂环境下稳定性差，难以适应将来的智能导航系统。
为了解决此问题，现有技术提出了一种抗差卡尔曼滤波观测残差剔除野值的方法，该方法采用抗差卡尔曼滤波—融合算法，融合来自不同导航源的同构的导航信息，利用后验概率模型估计信源的协方差阵来排除野值数据，以改进信源的质量。如果用户处于高动态或多径的环境下，卡尔曼先验概率可能会使信源的协方差阵增大，由于该方法仅仅采用后验概率估计信源的协方差阵来排除野值数据，因此采用该方法排除野值数据会导致后验概率估计的模型不再准确，因此造成融合定位可靠性低。
发明内容
本发明实施例的目的在于提供一种野值剔除方法及装置，以解决造成融合定位可靠性低的问题。具体技术方案如下：
在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，其中，所述卡尔曼滤波残差模型是利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型获得的模型，所述卡尔曼滤波的后验概率模型是利用预设的松耦合观测模型和目标状态向量获得的模型，所述目标状态向量是由陀螺仪的角速度和加速度构成的状态向量；
当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵；
将第一目标值和第二目标值构成的范围作为目标残差范围，所述第一目标值为负的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值，所述第二目标值为正的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值；
将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值。
进一步地，所述卡尔曼滤波残差模型的构建过程，包括：
利用目标过程噪声矩阵、用户位姿的状态转移矩阵和目标状态向量，构建如第一表达式所示的卡尔曼先验概率微分模型，所述目标过程噪声矩阵是由第一信息和第二信息构成的过程噪声矩阵，所述第一信息包括时分-码分正交频分复用输出的位置信息、陀螺仪输出的角速度、陀螺仪输出的加速度和用户的位姿，所述第二信息包括惯性传感器输出的角速度、惯性传感器输出的加速度和用户的位姿；
所述第一表达式为：
Figure BDA0001525364930000021
其中，k为时刻序号，Fk为第k个时刻的状态转移矩阵，Wk为过程噪声向量，Xk为第k个时刻的目标状态向量，Gk为第k个时刻的目标过程噪声矩阵；
利用卡尔曼先验概率微分模型，得到如第二表达式所示的卡尔曼先验概率模型；
所述第二表达式为：Xk|(k-1)＝MX(k-1)+Q·X(k-1)；
其中，
Figure BDA0001525364930000022
ΔT为第k个时刻与第k-1个时刻之间的时间差，Q为由第k-1个时刻到第k个时刻的目标过程噪声矩阵，M为由第k-1个时刻到第k个时刻的状态转移矩阵；
Figure BDA0001525364930000031
利用预设的松耦合观测模型Zk，分别构建如第三表达式所示的松耦合观测模型的观测矩阵Φk和松耦合观测模型的观测噪声Vk；
所述第三表达式为：Φk＝[I6×6 06×9]，I6×6为单位向量；
利用Zk、Φk、Vk和Xk，构建如第四表达式所示的卡尔曼滤波的后验概率模型；
所述第四表达式为：Zk＝ΦkXk+Vk；
其中，Zk为观测矩阵，Zk＝]Δx,Δy,Δz,Δvx,Δvy,Δvz[，
Figure BDA0001525364930000032
Figure BDA0001525364930000033
Δx、Δy、Δz分别为用户在直角坐标系下X轴、Y轴和Z轴对应的位置变化量，Δvx、Δvy、Δvz分别为用户在直角坐标系下X轴、Y轴和Z轴对应的速度变化量，xins、xT&G分别为惯性传感器ins输出的X轴位置和时分-码分正交频分复用T&G输出的X轴位置，yins、yT&G分别为惯性传感器输出的Y轴位置和时分-码分正交频分复用输出的Y轴位置，zins、zT&G分别为惯性传感器输出的Z轴位置和时分-码分正交频分复用输出的Z轴位置，vx,ins、vx,T&G分别为惯性传感器输出的X轴速度和时分-码分正交频分复用输出的X轴速度，vy,ins、vy,T&G分别为惯性传感器输出的Y轴速度和时分-码分正交频分复用输出的Y轴速度，vz,ins、vz,T&G分别为惯性传感器输出的Z轴速度和时分-码分正交频分复用输出的Z轴速度；
根据构建的卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型的观测矩阵，构建如第五表达式所示的卡尔曼滤波残差模型；
所述第五表达式为：dk＝Zk-ΦkXk；
其中，dk为预测残差。
进一步地，所述当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵，包括：
当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第六表达式所示的所述卡尔曼滤波残差模型的协方差矩阵ε；
所述第六表达式为：
Figure BDA0001525364930000041
其中，E(·)为期望函数，T为转置，Φk-1为第k-1个时刻的松耦合观测模型的观测矩阵，Pk为第k个时刻的卡尔曼滤波先验概率模型的协方差矩阵。
进一步地，所述平衡因子取2或3。
进一步地，所述将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值，包括：
判断所述卡尔曼滤波残差模型的残差是否属于所述目标残差范围内；
将未在所述目标残差范围内的残差作为野值，并从所述目标残差范围中剔除所述野值。
进一步地，所述将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值，包括：
获取目标残差范围内数值的最大值和最小值；
当所述卡尔曼滤波残差模型的残差小于最小值或大于最大值时，将小于最小值或大于最大值对应的残差作为野值，从所述目标残差范围中剔除所述野值。
一种野值剔除装置，所述装置包括：
目标残差获得模块，用于在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，其中，所述卡尔曼滤波残差模型是利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型获得的模型，所述卡尔曼滤波的后验概率模型是利用预设的松耦合观测模型和目标状态向量获得的模型，所述目标状态向量是由陀螺仪的角速度和加速度构成的状态向量；
第一协方差矩阵获得模块，用于当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵；
目标残差范围获得模块，用于将第一目标值和第二目标值构成的范围作为目标残差范围，所述第一目标值为负的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值，所述第二目标值为正的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值；
第一剔除模块，用于将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值。
进一步地，所述第一协方差矩阵获得模块包括：
第二协方差矩阵获得子模块，用于当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第六表达式所示的所述卡尔曼滤波残差模型的协方差矩阵ε；
所述第六表达式为：
Figure BDA0001525364930000051
其中，E(·)为期望函数，T为转置，Φk-1为第k-1个时刻的松耦合观测模型的观测矩阵，Pk为第k个时刻的卡尔曼滤波先验概率模型的协方差矩阵。
进一步地，所述目标残差范围获得模块包括：
判断子模块，用于判断所述卡尔曼滤波残差模型的残差是否属于所述目标残差范围内；
第二剔除子模块，用于将未在所述目标残差范围内的残差作为野值，并从所述目标残差范围中剔除所述野值。
进一步地，所述目标残差范围获得模块包括：
获取子模块，用于获取目标残差范围内数值的最大值和最小值；
第三剔除模块，用于当所述卡尔曼滤波残差模型的残差小于最小值或大于最大值时，将小于最小值或大于最大值对应的残差作为野值，从所述目标残差范围中剔除所述野值。
本发明实施的又一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，使得计算机实现权利要求上述任一所述的野值剔除方法。
本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的野值剔除方法。
本发明实施的又一方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的野值剔除方法。
本发明实施例提供的一种野值剔除方法及装置，可以在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵；将第一目标值和第二目标值构成的范围作为目标残差范围；将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值。该方法通过利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型构建的卡尔曼滤波残差模型，再针对目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得卡尔曼滤波残差模型的协方差矩阵来排除野值数据，能够解决因用户处于高动态或多径的环境下，先验概率可能会使信源的协方差阵增大带来融合定位可靠性低的问题，提高了融合定位的可靠性。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的野值剔除方法的第一种流程图；
图2为本发明实施例提供的野值剔除方法的第二种流程图；
图3为本发明实施例提供的野值剔除方法的第三种流程图；
图4为本发明实施例提供的野值剔除装置的结构示意图；
图5为本发明实施例提供的电子设备示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的野值剔除方法的第一种流程图，该方法包括：
S101，在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，其中，所述卡尔曼滤波残差模型是利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型获得的模型，所述卡尔曼滤波的后验概率模型是利用预设的松耦合观测模型和目标状态向量获得的模型，所述目标状态向量是由陀螺仪的角速度和加速度构成的状态向量；
其中，预设时间内可以理解为预设设定的时间，该预设时间可以为是1分钟，也可以是10分钟，根据实际需求设定该预设时间值。
卡尔曼滤波残差模型的构建过程，包括：
利用目标过程噪声矩阵、用户位姿的状态转移矩阵和目标状态向量，构建如第一表达式所示的卡尔曼先验概率微分模型，所述目标过程噪声矩阵是由第一信息和第二信息构成的过程噪声矩阵，所述第一信息包括时分-码分正交频分复用输出的位置信息、陀螺仪输出的角速度、陀螺仪输出的加速度和用户的位姿，所述第二信息包括惯性传感器输出的角速度、惯性传感器输出的加速度和用户的位姿；
所述第一表达式为：
Figure BDA0001525364930000081
其中，k为时刻序号，Fk为第k个时刻的状态转移矩阵，Wk为过程噪声向量，Xk为第k个时刻的目标状态向量，Gk为第k个时刻的目标过程噪声矩阵；
利用卡尔曼先验概率微分模型，得到如第二表达式所示的卡尔曼先验概率模型；
所述第二表达式为：Xk|(k-1)＝MX(k-1)+Q·X(k-1)；
其中，
Figure BDA0001525364930000082
ΔT为第k个时刻与第k-1个时刻之间的时间差，Q为由第k-1个时刻到第k个时刻的目标过程噪声矩阵，M为由第k-1个时刻到第k个时刻的状态转移矩阵；
Figure BDA0001525364930000091
需要说明的是，本步骤中在原始定位观测量即时分-码分频分复用和惯性传感器输出的观测信息中存在着离群数据，将影响传统的融合模型的有效构建及定位精度。在进行多源融合定位前，必须对原始定位观测量进行预处理，以改进数据的质量，提高融合定位过程的效率、精度和性能。本发明实施例利用时分-码分正交频分复用和惯性传感器输出参数的短稳特性，提出基于惯性实时观测值辅助数据滤波方法，建立如第二表达式所示的卡尔曼先验概率模型。
利用预设的松耦合观测模型Zk，分别构建如第三表达式所示的松耦合观测模型的观测矩阵Φk和松耦合观测模型的观测噪声Vk；
所述第三表达式为：Φk＝[I6×6 06×9]，I6×6为单位向量；
利用Zk、Φk、Vk和Xk，构建如第四表达式所示的卡尔曼滤波的后验概率模型；
所述第四表达式为：Zk＝ΦkXk+Vk
其中，Zk为观测矩阵，Zk＝[Δx,Δy,Δz,Δvx,Δvy,Δvz]，
Figure BDA0001525364930000092
Figure BDA0001525364930000101
Δx、Δy、Δz分别为用户在直角坐标系下X轴、Y轴和Z轴对应的位置变化量，Δvx、Δvy、Δvz分别为用户在直角坐标系下X轴、Y轴和Z轴对应的速度变化量，xins、xT&G分别分别为惯性传感器ins输出的X轴位置和时分-码分正交频分复用T&G输出的X轴位置，yins、yT&G分别为惯性传感器输出的Y轴位置和时分-码分正交频分复用输出的Y轴位置，zins、zT&G分别为惯性传感器输出的Z轴位置和时分-码分正交频分复用输出的Z轴位置，vx,ins、vx,T&G分别为惯性传感器输出的X轴速度和时分-码分正交频分复用输出的X轴速度，vy,ins、vy,T&G分别为惯性传感器输出的Y轴速度和时分-码分正交频分复用输出的Y轴速度，vz,ins、vz,T&G分别为惯性传感器输出的Z轴速度和时分-码分正交频分复用输出的Z轴速度；
根据构建的卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型的观测矩阵，构建如第五表达式所示的卡尔曼滤波残差模型；
所述第五表达式为：dk＝Zk-ΦkXk；
其中，dk为预测残差。
可见，本实施方式通过构建如第二表达式的卡尔曼先验概率模型、构建如第四表达式的卡尔曼后验概率模型和如第三表达式的松耦合观测模型的观测矩阵，构建了如第四表达式所示的卡尔曼滤波残差模型，利用惯性传感器的短时间稳定性，降低先验概率估计信源的协方差阵，使得构建的卡尔曼滤波残差模型更加精准。
S102，当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵；
其中，高斯分布是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。
由S101可知，目标残差为从构建的卡尔曼滤波残差模型中获取的构成残差均值为零的残差。
具体的，
当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第六表达式所示的所述卡尔曼滤波残差模型的协方差矩阵ε；
所述第六表达式为：
Figure BDA0001525364930000111
其中，E(·)为期望函数，T为转置，Φk-1为第k-1个时刻的松耦合观测模型的观测矩阵，Pk为第k个时刻的卡尔曼滤波先验概率模型的协方差矩阵。
可见，本实施方式利用卡尔曼滤波残差模型，获得如第五表达式所示的卡尔曼滤波残差模型的协方差矩阵，能够对获取数据的信息进行量化，通过计算和推理获取的数据及数据的属性来获取观测目标真实状态过程，实现高精度、高可靠融合定位。
S103，将第一目标值和第二目标值构成的范围作为目标残差范围，所述第一目标值为负的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值，所述第二目标值为正的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值；
其中，该目标残差范围为负的平衡因子*协方差矩阵～正的平衡因子*协方差矩阵。
上述平衡因子取2或3，则正的平衡因子为2或3，负的平衡因子为-2或-3；构成的目标范围为[-2，2]。
S104，将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值。
需要说明的是，在将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值后得到的目标范围内的值便是待获得的真值。真值与野值是相对的，真值便是待求的数值。
S104的一种实施方式：
判断所述卡尔曼滤波残差模型的残差是否属于所述目标残差范围内；
将未在所述目标残差范围内的残差作为野值，并从所述目标残差范围中剔除所述野值。
可见，本实施方式通过判断所述卡尔曼滤波残差模型的残差是否属于所述目标残差范围内，将未在所述目标残差范围内的残差作为野值，并从所述目标残差范围中剔除所述野值，准确有序地快速剔除该野值。
S104的另一种实施方式：
获取目标残差范围内数值的最大值和最小值；
当所述卡尔曼滤波残差模型的残差小于最小值或大于最大值时，将小于最小值或大于最大值对应的残差作为野值，从所述目标残差范围中剔除所述野值。
可见，本实施方式通过获取目标残差范围内数值的最大值和最小值，将小于最小值或大于最大值对应的残差作为野值，从所述目标残差范围中剔除所述野值，使得快速将野值剔除。
由此可见，本发明实施例提供的方法通过利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型构建的卡尔曼滤波残差模型，再针对目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得卡尔曼滤波残差模型的协方差矩阵来排除野值数据，能够解决因用户处于高动态或多径的环境下，先验概率可能会使信源的协方差阵增大带来融合定位可靠性低的问题，提高融合定位的可靠性。
图2为本申请实施例提供的野值剔除方法的第二种流程图，该方法包括：
S201，在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，其中，所述卡尔曼滤波残差模型是利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型获得的模型，所述卡尔曼滤波的后验概率模型是利用预设的松耦合观测模型和目标状态向量获得的模型，所述目标状态向量是由陀螺仪的角速度和加速度构成的状态向量；
其中，S201与图1实施例中的S101执行的方法相同。因此，图1中的所有实施例均适用于图2，且均能达到相同或相似的有益效果，在此不再赘述。
S202，当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第六表达式所示的所述卡尔曼滤波残差模型的协方差矩阵ε；
所述第六表达式为：
Figure BDA0001525364930000131
其中，E(·)为期望函数，T为转置，Φk-1为第k-1个时刻的松耦合观测模型的观测矩阵，Pk为第k个时刻的卡尔曼滤波先验概率模型的协方差矩阵。
需要说明的是，由上述对目标残差的描述可知目标残差是残差均值为零的残差，本步骤可以理解为当均值为零的残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第六表达式所示的所述卡尔曼滤波残差模型的协方差矩阵。
S203，将第一目标值和第二目标值构成的范围作为目标残差范围，所述第一目标值为负的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值，所述第二目标值为正的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值；
其中，S203～S204与图1实施例中的S103～S104执行的方法相同。因此，图1中的所有实施例均适用于图2，且均能达到相同或相似的有益效果，在此不再赘述。
S204，将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值。
由此可见，本发明实施例提供的方法通过利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型构建的卡尔曼滤波残差模型，再针对目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第六表达式所示的卡尔曼滤波残差模型的协方差矩阵来排除野值数据，不仅能够提高卡尔曼滤波的后验概率模型的准确率，而且能够解决因用户处于高动态或多径的环境下，先验概率可能会使信源的协方差阵增大带来融合定位可靠性低的问题，提高了融合定位的可靠性。
图3为本申请实施例提供的野值剔除方法的第三种流程图，该方法包括：
S301，在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，其中，所述卡尔曼滤波残差模型是利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型获得的模型，所述卡尔曼滤波的后验概率模型是利用预设的松耦合观测模型和目标状态向量获得的模型，所述目标状态向量是由陀螺仪的角速度和加速度构成的状态向量；
其中，S301～S303与图2实施例中的S201～S203执行的方法相同。因此，图2中的所有实施例均适用于图3，且均能达到相同或相似的有益效果，在此不再赘述。
S302，当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第五表达式所示的所述卡尔曼滤波残差模型的协方差矩阵ε；
所述第五表达式为：
Figure BDA0001525364930000141
其中，E(·)为期望函数，T为转置，Φk-1为第k-1个时刻的松耦合观测模型的观测矩阵，Pk为第k个时刻的卡尔曼滤波先验概率模型的协方差矩阵。
S303，将第一目标值和第二目标值构成的范围作为目标残差范围，所述第一目标值为负的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值，所述第二目标值为正的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值；
S304，获取目标残差范围内数值的最大值和最小值；
其中，最小值为负的平衡因子与卡尔曼滤波残差模型的协方差矩阵中最小残差的相乘；
最大值为正的平衡因子与卡尔曼滤波残差模型的协方差矩阵中最大残差的相乘。
S305，当所述卡尔曼滤波残差模型的残差小于最小值或大于最大值时，将小于最小值或大于最大值对应的残差作为野值，从所述目标残差范围中剔除所述野值。
本步骤中也可以理解为小于最小值或大于最大值对应的残差未在目标残差范围内。
由此可见，本发明实施例提供的方法通过利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型构建的卡尔曼滤波残差模型，再针对目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第六表达式所示的卡尔曼滤波残差模型的协方差矩阵，将小于最小值或大于最大值对应的残差作为野值，从所述目标残差范围中剔除所述野值，不仅能够提高卡尔曼滤波的后验概率模型的准确率，而且能够解决因用户处于高动态或多径的环境下，先验概率可能会使信源的协方差阵增大带来融合定位可靠性低的问题，提高了融合定位的可靠性。
与上述野值剔除方法相对应，本申请实施例还提供了一种野值剔除装置。
图4为本申请实施例提供的野值剔除装置的结构示意图，该装置包括：
目标残差获得模块401，用于在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，其中，所述卡尔曼滤波残差模型是利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型获得的模型，所述卡尔曼滤波的后验概率模型是利用预设的松耦合观测模型和目标状态向量获得的模型，所述目标状态向量是由陀螺仪的角速度和加速度构成的状态向量；
第一协方差矩阵获得模块402，用于当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵；
目标残差范围获得模块403，用于将第一目标值和第二目标值构成的范围作为目标残差范围，所述第一目标值为负的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值，所述第二目标值为正的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值；
第一剔除模块404，用于将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值。
其中，该卡尔曼滤波残差模型的构建过程，包括：
利用目标过程噪声矩阵、用户位姿的状态转移矩阵和目标状态向量，构建如第一表达式所示的卡尔曼先验概率微分模型，所述目标过程噪声矩阵是由第一信息和第二信息构成的过程噪声矩阵，所述第一信息包括时分-码分正交频分复用输出的位置信息、陀螺仪输出的角速度、陀螺仪输出的加速度和用户的位姿，所述第二信息包括惯性传感器输出的角速度、惯性传感器输出的加速度和用户的位姿；
所述第一表达式为：
Figure BDA0001525364930000161
其中，k为时刻序号，Fk为第k个时刻的状态转移矩阵，Wk为过程噪声向量，Xk为第k个时刻的目标状态向量，Gk为第k个时刻的目标过程噪声矩阵；
利用卡尔曼先验概率微分模型，得到如第二表达式所示的卡尔曼先验概率模型；
所述第二表达式为：Xk|(k-1)＝MX(k-1)+Q·X(k-1)；
其中，
Figure BDA0001525364930000162
ΔT为第k个时刻与第k-1个时刻之间的时间差，Q为由第k-1个时刻到第k个时刻的目标过程噪声矩阵，M为由第k-1个时刻到第k个时刻的状态转移矩阵；
Figure BDA0001525364930000163
利用预设的松耦合观测模型Zk，分别构建如第三表达式所示的松耦合观测模型的观测矩阵Φk和松耦合观测模型的观测噪声Vk；
所述第三表达式为：Φk＝[I6×6 06×9]，I6×6为单位向量；
利用Zk、Φk、Vk和Xk，构建如第四表达式所示的卡尔曼滤波的后验概率模型；
所述第四表达式为：Zk＝ΦkXk+Vk
其中，Zk为观测矩阵，Zk＝[Δx,Δy,Δz,Δvx,Δvy,Δvz]，
Figure BDA0001525364930000171
Figure BDA0001525364930000172
Δx、Δy、Δz分别为用户在直角坐标系下X轴、Y轴和Z轴对应的位置变化量，Δvx、Δvy、Δvz分别为用户在直角坐标系下X轴、Y轴和Z轴对应的速度变化量，xins、xT&G分别为惯性传感器ins输出的X轴位置和时分-码分正交频分复用T&G输出的X轴位置，yins、yT&G分别为惯性传感器输出的Y轴位置和时分-码分正交频分复用输出的Y轴位置，zins、zT&G分别为惯性传感器输出的Z轴位置和时分-码分正交频分复用输出的Z轴位置，vx,ins、vx,T&G分别为惯性传感器输出的X轴速度和时分-码分正交频分复用输出的X轴速度，vy,ins、vy,T&G分别为惯性传感器输出的Y轴速度和时分-码分正交频分复用输出的Y轴速度，vz,ins、vz,T&G分别为惯性传感器输出的Z轴速度和时分-码分正交频分复用输出的Z轴速度；
根据构建的卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型的观测矩阵Φk，构建如第五表达式所示的卡尔曼滤波残差模型；
所述第五表达式为：dk＝Zk-ΦkXk；
其中，dk为预测残差。
该第一协方差矩阵获得模块包括：
第二协方差矩阵获得子模块，用于当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第六表达式所示的所述卡尔曼滤波残差模型的协方差矩阵ε；
所述第六表达式为：
Figure BDA0001525364930000173
其中，E(·)为期望函数，T为转置，Φk-1为第k-1个时刻的松耦合观测模型的观测矩阵，Pk为第k个时刻的卡尔曼滤波先验概率模型的协方差矩阵。
其中，该平衡因子取2或3。
该目标残差范围获得模块可以包括：
判断子模块，用于判断所述卡尔曼滤波残差模型的残差是否属于所述目标残差范围内；
第二剔除子模块，用于将未在所述目标残差范围内的残差作为野值，并从所述目标残差范围中剔除所述野值。
该目标残差范围获得模块可以包括：
获取子模块，用于获取目标残差范围内数值的最大值和最小值；
第三剔除模块，用于当所述卡尔曼滤波残差模型的残差小于最小值或大于最大值时，将小于最小值或大于最大值对应的残差作为野值，从所述目标残差范围中剔除所述野值。
由此可见，本发明实施例提供的装置通过利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型构建的卡尔曼滤波残差模型，再针对目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得卡尔曼滤波残差模型的协方差矩阵来排除野值数据，能够解决因用户处于高动态或多径的环境下，先验概率可能会使信源的协方差阵增大带来融合定位可靠性低的问题，提高了融合定位的可靠性。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：
在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，其中，所述卡尔曼滤波残差模型是利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型获得的模型，所述卡尔曼滤波的后验概率模型是利用预设的松耦合观测模型和目标状态向量获得的模型，所述目标状态向量是由陀螺仪的角速度和加速度构成的状态向量；
当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵；
将第一目标值和第二目标值构成的范围作为目标残差范围，所述第一目标值为负的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值，所述第二目标值为正的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值；
将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值。
由此可见，执行本实施例提供的电子设备，通过利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型构建的卡尔曼滤波残差模型，再针对目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得卡尔曼滤波残差模型的协方差矩阵来排除野值数据，能够解决因用户处于高动态或多径的环境下，先验概率可能会使信源的协方差阵增大带来融合定位可靠性低的问题，提高了融合定位的可靠性。
上述的相关内容野值剔除的应用实施方式与前述方法实施例部分提供的野值剔除方法式相同，这里不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的野值剔除方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的野值剔除方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种野值剔除方法，其特征在于，所述方法包括：
在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，其中，所述卡尔曼滤波残差模型是利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型获得的模型，所述卡尔曼滤波的后验概率模型是利用预设的松耦合观测模型和目标状态向量获得的模型，所述目标状态向量是由陀螺仪的角速度和加速度构成的状态向量；
当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵；
将第一目标值和第二目标值构成的范围作为目标残差范围，所述第一目标值为负的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值，所述第二目标值为正的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值；
将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值。
2.如权利要求1所述的方法，其特征在于，所述卡尔曼滤波残差模型的构建过程，包括：
利用目标过程噪声矩阵、用户位姿的状态转移矩阵和目标状态向量，构建如第一表达式所示的卡尔曼先验概率微分模型，所述目标过程噪声矩阵是由第一信息和第二信息构成的过程噪声矩阵，所述第一信息包括时分-码分正交频分复用输出的位置信息、陀螺仪输出的角速度、陀螺仪输出的加速度和用户的位姿，所述第二信息包括惯性传感器输出的角速度、惯性传感器输出的加速度和用户的位姿；
所述第一表达式为：
Figure FDA0002512387750000011
其中，k为时刻序号，Fk为第k个时刻的状态转移矩阵，Wk为过程噪声向量，Xk为第k个时刻的目标状态向量，Gk为第k个时刻的目标过程噪声矩阵；
利用卡尔曼先验概率微分模型，得到如第二表达式所示的卡尔曼先验概率模型；
所述第二表达式为：Xk|(k-1)＝MX(k-1)+Q·X(k-1)；
其中，
Figure FDA0002512387750000021
ΔT为第k个时刻与第k-1个时刻之间的时间差，Q为由第k-1个时刻到第k个时刻的目标过程噪声矩阵，M为由第k-1个时刻到第k个时刻的状态转移矩阵；
Figure FDA0002512387750000022
利用预设的松耦合观测模型Zk，分别构建如第三表达式所示的松耦合观测模型的观测矩阵Φk和松耦合观测模型的观测噪声Vk；
所述第三表达式为：Φk＝[I6×6 06×9]，I6×6为单位向量；
利用Zk、Φk、Vk和Xk，构建如第四表达式所示的卡尔曼滤波的后验概率模型；
所述第四表达式为：Zk＝ΦkXk+Vk；
其中，Zk为所述松耦合观测模型，Zk＝[Δx,Δy,Δz,Δvx,Δvy,Δvz]，
Figure FDA0002512387750000031
Δx、Δy、Δz分别为用户在直角坐标系下X轴、Y轴和Z轴对应的位置变化量，Δvx、Δvy、Δvz分别为用户在直角坐标系下X轴、Y轴和Z轴对应的速度变化量，xins、xT&G分别为惯性传感器ins输出的X轴位置和时分-码分正交频分复用T&G输出的X轴位置，yins、yT&G分别为惯性传感器输出的Y轴位置和时分-码分正交频分复用输出的Y轴位置，zins、zT&G分别为惯性传感器输出的Z轴位置和时分-码分正交频分复用输出的Z轴位置，vx,ins、vx,T&G分别为惯性传感器输出的X轴速度和时分-码分正交频分复用输出的X轴速度，vy,ins、vy,T&G分别为惯性传感器输出的Y轴速度和时分-码分正交频分复用输出的Y轴速度，vz,ins、vz,T&G分别为惯性传感器输出的Z轴速度和时分-码分正交频分复用输出的Z轴速度；
根据构建的卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型的观测矩阵，构建如第五表达式所示的卡尔曼滤波残差模型；
所述第五表达式为：dk＝Zk-ΦkXk；
其中，dk为预测残差。
3.如权利要求2所述的方法，其特征在于，所述当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵，包括：
当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第六表达式所示的所述卡尔曼滤波残差模型的协方差矩阵ε；
所述第六表达式为：
Figure FDA0002512387750000032
其中，E(·)为期望函数，T为转置，Φk-1为第k-1个时刻的松耦合观测模型的观测矩阵，Pk为第k个时刻的卡尔曼滤波先验概率模型的协方差矩阵。
4.如权利要求1所述的方法，其特征在于，所述平衡因子取2或3。
5.如权利要求1～4中任一项所述的方法，其特征在于，所述将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值，包括：
判断所述卡尔曼滤波残差模型的残差是否属于所述目标残差范围内；
将未在所述目标残差范围内的残差作为野值，并从所述目标残差范围中剔除所述野值。
6.如权利要求1～4中任一项所述的方法，其特征在于，所述将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值，包括：
获取目标残差范围内数值的最大值和最小值；
当所述卡尔曼滤波残差模型的残差小于最小值或大于最大值时，将小于最小值或大于最大值对应的残差作为野值，从所述目标残差范围中剔除所述野值。
7.一种野值剔除装置，其特征在于，所述装置包括：
目标残差获得模块，用于在预设时间内从构建的卡尔曼滤波残差模型中获取构成残差均值为零的目标残差，其中，所述卡尔曼滤波残差模型是利用卡尔曼先验概率模型、卡尔曼滤波的后验概率模型和松耦合观测模型获得的模型，所述卡尔曼滤波的后验概率模型是利用预设的松耦合观测模型和目标状态向量获得的模型，所述目标状态向量是由陀螺仪的角速度和加速度构成的状态向量；
第一协方差矩阵获得模块，用于当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得所述卡尔曼滤波残差模型的协方差矩阵；
目标残差范围获得模块，用于将第一目标值和第二目标值构成的范围作为目标残差范围，所述第一目标值为负的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值，所述第二目标值为正的平衡因子与所述卡尔曼滤波残差模型的协方差矩阵相乘得到的值；
第一剔除模块，用于将所述目标残差范围外的残差作为野值，并从所述目标残差范围中剔除所述野值。
8.如权利要求7所述的装置，其特征在于，所述第一协方差矩阵获得模块包括：
第二协方差矩阵获得子模块，用于当所述目标残差符合高斯分布时，利用卡尔曼滤波残差模型，获得如第六表达式所示的所述卡尔曼滤波残差模型的协方差矩阵ε；
所述第六表达式为：
Figure FDA0002512387750000051
其中，E(·)为期望函数，T为转置，Φk-1为第k-1个时刻的松耦合观测模型的观测矩阵，Pk为第k个时刻的卡尔曼滤波先验概率模型的协方差矩阵。
9.如权利要求7～8中任一项所述的装置，其特征在于，所述目标残差范围获得模块包括：
判断子模块，用于判断所述卡尔曼滤波残差模型的残差是否属于所述目标残差范围内；
第二剔除子模块，用于将未在所述目标残差范围内的残差作为野值，并从所述目标残差范围中剔除所述野值。
10.如权利要求7～8中任一项所述的装置，其特征在于，所述目标残差范围获得模块包括：
获取子模块，用于获取目标残差范围内数值的最大值和最小值；
第三剔除模块，用于当所述卡尔曼滤波残差模型的残差小于最小值或大于最大值时，将小于最小值或大于最大值对应的残差作为野值，从所述目标残差范围中剔除所述野值。
CN201711433406.9A 2017-12-26 2017-12-26 一种野值剔除方法及装置 Active CN108108335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711433406.9A CN108108335B (zh) 2017-12-26 2017-12-26 一种野值剔除方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711433406.9A CN108108335B (zh) 2017-12-26 2017-12-26 一种野值剔除方法及装置

Publications (2)

Publication Number Publication Date
CN108108335A CN108108335A (zh) 2018-06-01
CN108108335B true CN108108335B (zh) 2020-07-17

Family

ID=62213181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711433406.9A Active CN108108335B (zh) 2017-12-26 2017-12-26 一种野值剔除方法及装置

Country Status (1)

Country Link
CN (1) CN108108335B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109238307B (zh) * 2018-08-30 2020-12-25 衡阳市衡山科学城科技创新研究院有限公司 一种基于多惯组信息辅助的飞行故障检测方法及装置
CN112114287B (zh) * 2020-09-21 2021-04-20 东南大学 一种方位观测数据的野值实时剔除方法
CN113219447B (zh) * 2021-04-09 2024-07-16 国电南瑞科技股份有限公司 一种基于毫米波阵列的输电线距离稳定测量方法
CN113933876B (zh) * 2021-11-16 2023-05-23 西南电子技术研究所（中国电子科技集团公司第十研究所） 多星通讯时差定位数据融合处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726295A (zh) * 2008-10-24 2010-06-09 中国科学院自动化研究所 考虑加速度补偿和基于无迹卡尔曼滤波的惯性位姿跟踪方法
CN101788679A (zh) * 2010-02-08 2010-07-28 北京航空航天大学 一种基于新息正交的sins/gps自适应野值检测与实时补偿方法
CN104730537A (zh) * 2015-02-13 2015-06-24 西安电子科技大学 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法
CN107064875A (zh) * 2017-03-31 2017-08-18 哈尔滨工程大学 基于一步状态估计和协方差估计的距离野值剔除方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10379133B2 (en) * 2016-01-20 2019-08-13 Simmonds Precision Products, Inc. Speed estimation systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726295A (zh) * 2008-10-24 2010-06-09 中国科学院自动化研究所 考虑加速度补偿和基于无迹卡尔曼滤波的惯性位姿跟踪方法
CN101788679A (zh) * 2010-02-08 2010-07-28 北京航空航天大学 一种基于新息正交的sins/gps自适应野值检测与实时补偿方法
CN104730537A (zh) * 2015-02-13 2015-06-24 西安电子科技大学 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法
CN107064875A (zh) * 2017-03-31 2017-08-18 哈尔滨工程大学 基于一步状态估计和协方差估计的距离野值剔除方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Improved Anti-Outliers Kalman filter Based on the latitude and longitude for track data》;Jia-xin Yu 等;《2017 3rd IEEE International Conference on Computer and Communications (ICCC)》;20171216;全文 *
《基于Outlier检测的鲁棒卡尔曼滤波算法》;黄珏 等;《第十一届全国信号和智能信息处理与应用学术会议专刊》;20171026;全文 *

Also Published As

Publication number Publication date
CN108108335A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN108108335B (zh) 一种野值剔除方法及装置
CN115790665B (zh) 一种陀螺误差补偿方法、装置、电子设备及存储介质
CN108120452B (zh) Mems陀螺仪动态数据的滤波方法
CN115457152A (zh) 外参标定方法、装置、电子设备及存储介质
CN115656989A (zh) 外参标定方法、装置、电子设备及存储介质
Qi et al. Weighted Fusion Robust Steady‐State Kalman Filters for Multisensor System with Uncertain Noise Variances
CN114083770A (zh) 工艺参数调整及模型训练方法、装置、设备与存储介质
CN106153046B (zh) 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法
CN115235527B (zh) 传感器外参标定方法、装置以及电子设备
CN112461258A (zh) 一种参数修正的方法及装置
CN108332751B (zh) 一种多源融合定位方法、装置、电子设备及存储介质
Liu et al. Robust fusion filter for multisensor descriptor system with uncertain‐variance noises and packet dropout
CN114812576A (zh) 地图匹配方法、装置及电子设备
CN114199236A (zh) 定位数据处理的方法、装置、电子设备和自动驾驶车辆
CN117289686B (zh) 一种参数标定方法、装置、电子设备及存储介质
CN115371670B (zh) 一种导航方法、装置、电子设备及存储介质
CN116380056B (zh) 惯性定位方法、装置、电子设备及存储介质
CN117810960B (zh) 一种电力系统状态的预测方法及装置
CN115356129A (zh) 车辆底盘参数标定方法、装置、电子设备及存储介质
CN115164888B (zh) 一种误差修正方法、装置、电子设备和存储介质
Tang et al. Gaussian recursive filtering algorithm for multi-rate sensor systems with delayed and infrequent primary measurements
CN117911469A (zh) 一种点云数据的配准方法、装置、设备及存储介质
CN114964229A (zh) 航位推算方法、装置及电子设备
Fan et al. State fusion of decentralized optimal unbiased FIR filters
CN117032137A (zh) 一种广义条件反馈控制方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant