CN108181617B - 一种基于张量积模型变换的非线性调频系统的滤波方法 - Google Patents
一种基于张量积模型变换的非线性调频系统的滤波方法 Download PDFInfo
- Publication number
- CN108181617B CN108181617B CN201711477679.3A CN201711477679A CN108181617B CN 108181617 B CN108181617 B CN 108181617B CN 201711477679 A CN201711477679 A CN 201711477679A CN 108181617 B CN108181617 B CN 108181617B
- Authority
- CN
- China
- Prior art keywords
- model
- matrix
- tensor
- filtering
- tensor product
- 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
Links
Images
Classifications
-
- 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
- G01S7/38—Jamming means, e.g. producing false echoes
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开一种基于张量积模型变换的非线性调频系统的滤波方法,包括:从数据库中获取调频系统的历史数据;根据历史数据建立非线性调频信号的离散系统模型;对离散系统模型进行张量积模型变换,得到对应的张量积模型;对张量积模型矫正,得到矫正模型;根据矫正模型,确定对调频信号滤波时的滤波参数;根据滤波参数构建滤波模型;通过滤波模型对当前调频信号进行滤波调频。本发明通过对历史数据建立非线性调频信号的离散系统模型,并对离散系统模型张量积形式变换和矫正得到滤波参数,能够高效地、最大限度地获取保守性更低的矫正结果,进而根据滤波参数构建滤波模型,可对当前调频信号实时滤波调频,从而提高滤波的准确性。
Description
技术领域
本发明涉及调频信号滤波技术领域,特别是涉及一种基于张量积模型变换的非线性调频系统的滤波方法。
背景技术
非线性系统滤波在通讯、航空航天、经济、能源以及消费电子等领域有着广泛的应用背景,是系统与控制领域的重要研究分支之一。雷达技术的迅猛发展对雷达侦察系统提出了严峻的挑战,一方面,由于国内外军用雷达采用的信号形式日益复杂化,增加了信号分类和去交错处理的难度,使雷达侦察系统的截获概率受到极大影响。另一方面,各种电子对抗设备数目的急剧增加,电磁信号已日趋密集,使雷达侦察系统处于高度密集的信号环境中,雷达侦察系统信号处理的实时性将接收考验。非线性调频信号(Nonlinear FrequencyModulation,NLFM)在雷达和通讯中广泛存在,通过分析它们的频率等参数,可以确定雷达的种类和型号,雷达接收机接收到的信号中相位的高次项反映目标相对于雷达的运动特性(速度和加速度等),所以对非线性调频信号进行参数估计对提高侦察系统的实时性和高精度具有重要意义。但由于其强烈的非线性特性,难以直接获得非线性系统滤波问题的精确解析解,所以针对非线性调频信号的系统滤波的一个关键问题是采用合适的线性化与近似处理方法尽可能的求得近似精确更高的次优结果,有局部性近似处理方法和全局性近似处理方法两大类。
在局部性近似处理方法中,例如Taylor级数近似的EKF滤波方法,存在局部线性化误差,处理强非线性能力较弱,高维系统计算相对复杂的缺陷;对确定性采样的UKF、GHF和CKF滤波方法,存在同样存在局部线性化误差,在线进行更新,高维系统采样点较多,计算相对复杂的不足。局部近似误差的存在使得难以得到与原非线性系统相吻合的线性化系统,从根本上影响系统滤波器设计,难以准确预测非线性调频信号参数,达不到雷达侦察系统性能的要求。
在全局性近似处理方法中,通过在给定范围内将非线性系统表示为线性多胞型系统,从根本上克服了局部线性化方法的不足,不存在局部近似误差;能够很好地结合线性矩阵不等式(Linear Matrix Inequalities,LMI)理论基于不同的性能指标建立不同类型的滤波器,能够对滤波器的稳定性进行严格的分析,克服了HJI求解难的问题;可以处理不同类型的噪声和模型不确定性,具有很强的鲁棒性;滤波器参数可以离线计算,从而减小滤波器在线计算时间,提高滤波器的实时性。因此,这类全局性的非线性滤波方法为非线性系统滤波提供了新思路,具有很好的实际工程应用潜力。
但是,这类方法主要面临以下几个难题:1)有效地获取实际可行的非线性系统的多胞型模型表示;2)滤波器设计的保守性问题;特别地,由于多胞型模型表示是原非线性系统的一个超集,多胞型模型自身含有的保守性将直接影响所设计的滤波器的性能;3)滤波器设计的离线计算复杂性问题。
发明内容
本发明的目的是提供一种基于张量积模型变换的非线性调频系统的滤波方法,可提高离线滤波的性能。
为实现上述目的,本发明提供了如下方案:
一种基于张量积模型变换的非线性调频系统的滤波方法,所述滤波方法包括:
从数据库中获取调频系统的历史数据,所述历史数据包括多组调频信号的瞬时频率及相位参数;
根据所述历史数据建立非线性调频信号的离散系统模型;
对所述离散系统模型进行张量积模型变换,得到对应的张量积模型;
对所述张量积模型矫正,得到矫正模型;
根据所述矫正模型,确定对调频信号滤波时的滤波参数;
根据所述滤波参数构建滤波模型;
通过所述滤波模型对当前调频信号进行滤波调频。
可选的,所述根据所述历史数据建立非线性调频信号的离散系统模型,具体包括:
根据以下公式确定非线性调频信号的离散系统模型中的瞬时功率模型x(t+1)及输出系统y(t);
x(t+1)=f(x(t))+g1(x(t))w(t)
y(t)=h(x(t))+g2(x(t))w(t);
可选的,所述对所述离散系统模型进行张量积模型变换,得到对应的张量积模型,具体包括:
其中,A、B、C、D分别是原系统f(x(t))、g1(x(t))、h(x(t))、g2(x(t))的多胞表示,N是多细胞线性化模型顶点的个数,λ表示各顶点的权重函数,ΔN表示权重函数在顶点N构建的空间,δx(t)、δy(t)分别表示由ω、构成的状态量和观测量真值与估计值的偏差,表示观测量的估计值;
利用雅各比进行线性化处理:
忽略常数项和重复项,得到矩阵值函数S(p):
则矩阵值函数S(p)对应的多细胞参数矩阵Sλ:
对多细胞线性化模型进行模式转换,得到张量积模型:
对矩阵值函数S(p)进行格式转换,得到所述矩阵值函数一般形式:
根据所述张量积模型对所述矩阵值函数一般形式进行张量积处理,得到矩阵值函数的张量积模型:
可选的,根据所述张量积模型对所述矩阵值函数一般形式进行张量积处理,得到矩阵值函数的张量积模型,具体包括:
(2)对矩阵值函数S(p)进行采样,计算S(p)在每个采样点的值,并存储在一个J1×J2×...×JN×Y×X的np+2阶的张量Ss中;
(3)高阶奇异值分解:只在采样张量的1到np维执行高阶奇异值分解HOSVD,得到分解结果:
(4)对所述分解结果进行凸型归一化处理:
其中,Shosvd和分别为多胞型系统进行高阶奇异值变换后的顶点张量和权重函数,S和Un分别表示凸型归一化后张量积模型的顶点张量和权重函数,在凸型归一化后,Un由转化得到,S由Shosvd转化得到,且Un满足以下条件:
(5)提取顶点张量和权重函数:将分解结果等价转化:
则矩阵值函数s(p)的张量积模型TMPR为:
可选的,对所述张量积模型矫正,得到矫正模型,具体包括:
对每一个Un构造一个矩阵;
根据构造的各矩阵对张量积模型进行矫正,获得矫正后的权重矩阵和顶点张量。
可选的,对每一个Un构造一个矩阵,具体包括:
在满足迭代矫正次数以及符合如下权重矩阵搜索的候选组合的限制条件的情况下,对每一权重矩阵矫正循环:
从当前权重矫正矩阵的RCH的所有面中随机选取未被考虑过的Kn个面组合,当所选择的Kn个面能够形成一个具有Kn个顶点的多面体,且包围当前权重矫正矩阵的RCH时,用Kn个顶点作为行构建一个Kn×Kn的矩阵T1n,T1n是矫正循环中矫正后的权重函数;按照紧性指数确定:为表示循环中书写方便,←表示将←右边的数值赋值给←左边;
多次矫正得到矫正后的最优权重函数Tn。
可选的,根据构造的各矩阵对张量积模型进行矫正,获得矫正后的权重矩阵和顶点张量,具体包括:
对整个过程进行迭代矫正次数循环,确定张量积矫正模型;
根据所述张量积矫正模型确定矫正后的顶点张量和权重函数。
可选的,所述滤波参数包括滤波张量积模型的顶点张量Kv;
所述根据所述矫正模型,确定对调频信号滤波时的滤波参数,具体包括:
所述滤波张量积模型的顶点张量Kv根据以下多包矩阵公式确定:
可选的,所述根据所述矫正模型,确定对调频信号滤波时的滤波参数,还包括:
根据转化公式Ξ(λ)进行线性矩阵不等式LMI转化,确定多包矩阵公式:
当ν与λ不相等时,R=1,对转化公式Ξ(λ)转化计算;
当ν与λ不相等时,R=2,对转化公式Ξ(λ)转化计算;
根据计算后的转化公式Ξ(λ)求解如下两个凸优化问题:
可选的,所述滤波模型包括滤波张量积模型和滤波误差系统;
根据所述滤波参数构建滤波模型,具体包括:
根据以下公式确定滤波误差系统:
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明基于张量积模型变换的非线性调频系统的滤波方法通过对历史数据建立非线性调频信号的离散系统模型,并对离散系统模型张量积形式变换和矫正得到滤波参数,能够高效地、最大限度地获取保守性更低的矫正结果,进而根据滤波参数离线构建滤波模型,可对当前调频信号实时滤波调频,从而提高滤波的准确性。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于张量积模型变换的非线性调频系统的滤波方法的流程图;
图2-图5为真值、TPH2及EKF的对比图。
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楚、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。
本发明的目的是提供一种基于张量积模型变换的非线性调频系统的滤波方法,通过对历史数据建立非线性调频信号的离散系统模型,并对离散系统模型张量积形式变换和矫正得到滤波参数,能够高效地、最大限度地获取保守性更低的矫正结果,进而根据滤波参数离线构建滤波模型,可对当前调频信号实时滤波调频,从而提高滤波的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明基于张量积模型变换的非线性调频系统的滤波方法包括:
步骤100:从数据库中获取调频系统的历史数据,所述历史数据包括多组调频信号的瞬时频率及相位参数;
步骤200:根据所述历史数据建立非线性调频信号的离散系统模型;
步骤300:对所述离散系统模型进行张量积模型变换,得到对应的张量积模型;
步骤400:对所述张量积模型矫正,得到矫正模型;
步骤500:根据所述矫正模型,确定对调频信号滤波时的滤波参数;
步骤600:根据所述滤波参数构建滤波模型;
步骤700:通过所述滤波模型对当前调频信号进行滤波调频。
其中,在步骤200中,根据所述历史数据,建立非线性调频信号的离散系统模型,具体包括:
x(t+1)=f(x(t))+g1(x(t))w(t)
y(t)=h(x(t))+g2(x(t))w(t)(1)
z(t)=Lx(t),
其中,ω是瞬时频率,是相位参数,ω(t)是干扰噪声,ω和分别用x1和x2表示,t表示采样时刻,是非线性调频信号离散系统模型的输出变量,为瞬时频率和相位待估计参数,是干扰噪声, 分别表示状态变量、观测量、状态估计量和干扰噪声变量所属空间。
在步骤300中,所述对所述离散系统模型进行张量积模型变换,得到对应的张量积模型,具体包括:
δz(t)=Lδx(t)
其中,A、B、C、D分别是原系统f(x(t))、g1(x(t))、h(x(t))、g2(x(t))的多胞表示,N是多细胞线性化模型顶点的个数,λ表示各顶点的权重函数,ΔN表示权重函数在顶点N构建的空间,δx(t)、δy(t)分别表示由ω、构成的状态量和观测量真值与估计值的偏差,表示观测量的估计值。
利用雅各比进行线性化处理:
忽略常数项和重复项,得到矩阵值函数S(p):
则矩阵值函数S(p)对应的多细胞参数矩阵Sλ:
对多细胞线性化模型(2)进行模式转换,得到张量积模型:
对矩阵值函数S(p)进行格式转换,得到所述矩阵值函数一般形式:
若模型(5)满足:
则模型(5)为凸型张量积模型。
是的简写形式,模型(6)和模型(7)分别叫做权重函数λn(pn)的求和标准化(简写为SN)条件和非负标准化(简写为NN)条件。模型(1)为矩阵值函数的张量积模型表达式(Tensor ProductModel Representation,TPMT)。
TPMT旨在将qLPV系统转换为多胞型张量积模型,从而利用基于LMI的系统控制理论完成对qLPV系统的控制器设计。
根据所述张量积模型对所述矩阵值函数一般形式进行张量积处理,得到矩阵值函数的张量积模型,具体包括:
(2)对矩阵值函数S(p)进行采样,计算S(p)在每个采样点的值,并存储在一个J1×J2×...×JN×Y×X的np+2阶的张量Ss中。
(3)高阶奇异值分解:只在采样张量的1到np维执行高阶奇异值分解HOSVD,得到分解结果:
(4)对所述分解结果进行凸型归一化处理,凸型归一化的目的是将分解结果(9)变换为顶点和权重函数形式:
其中,Shosvd和分别是多胞型系统进行高阶奇异值变换后的顶点张量和权重函数,S和Un分别表示凸型归一化后张量积模型的顶点张量和权重函数,在凸型归一化后,S由Shosvd转化得到,且Un满足以下模型(6)和模型(7)表示的条件。
(5)提取顶点张量和权重函数:将分解结果(9)等价转化:
则根据所述张量积模型对所述矩阵值函数一般形式进行张量积处理,得到矩阵值函数的张量积模型:
其中,S是模型(9)中的S和λn(pn)由模型(12)定义的离散值计算得到。
此外,基于线性矩阵不等式(LMI)的多胞型系统分析与综合方法的保守性矫正。多胞型系统自身内在存在保守性,即多胞型线性化模型与原非线性系统相比所具有的保守性,这里保守性指张量积模型自身的特性对系统控制性能的影响,因为它直接来源于多胞型系统本身,将直接导致后续的LMI条件的不可解,导致系统设计失败。
TPMT所获取的张量积模型的保守性可以通过权重矩阵的特征来刻画,张量积模型的保守性的大小由多胞型系统的所有顶点形成的凸包(简写为VCH)的松紧决定或者由权重矩阵或权重函数的性质决定,VCH越紧,权重矩阵包含的1占优向量越多,张量积模型的保守性也就越低。依据不同类型的权重矩阵可以定义相应的张量积模型,其中保守性最低最理想的是NO(Normal)型,然而NO型通常情况下不存在,一般情况下是寻找非常接近NO型的张量积模型,即CNO(Close to NO)型。TPMT矫正即获取与给定张量积模型等价的CNO型的张量积模型,通过权重矩阵的性质来描述张量积模型的保守性问题是一种非常可取的方法。
本发明提供一种由权重矩阵的行凸包构造大量候选CNO型的方法,提出一种定量描述张量积模型保守性的指标,进而建立一种高效的矫正搜索算法,最大限度地获得保守性更低的CNO型张量积模型,避免可获得的候选CNO型的数量是一个组合数,存在组合式的“维数灾”问题。CNO型通常不是唯一的,而且并不是所有的CNO型都具有很好的紧性特性。所以,需要一种有效的方法获取CNO型并寻找相对最优的CNO型,即优化了的CNO型简记为OCNO(Optimized CNO)型,通过对TPMT所获得的张量积模型的VCH进行矫正实现对TPMT的矫正。
在步骤400中,对所述张量积模型矫正,得到矫正模型,具体包括:
步骤401:对每一个Un构造一个矩阵Tn;
步骤402:根据构造的各矩阵Tn对张量积模型进行矫正,获得矫正后的权重矩阵和顶点张量:
其中,由矩阵Tn的行形成的凸包称为行凸包(RCH),即为矫正后的顶点张量。矫正后的张量积模型的权重矩阵变为U′n。因此,矫正后的张量积模型变换的紧性特性及保守性特性将可以由U′n的特性决定。若U′n是NO、CNO或OCNO型的对应的权重矩阵,那么相应地就实现了SN-NN型向NO、CNO或OCNO型的矫正,关键在于对矩阵Tn加以精心设计,即确定一组离U的RCH很近的点,且这些点围成的凸包包围U的RCH。
定义:
φn(A)=||cs(ubn(A)-lbn(A))||,(15)
其中,
||·||表示一种向量范数,甚至可以是||a||=aTQa,其中,Q是一个正定矩阵。对于TPMT获得的顶点张量S而言,表示S所包含的顶点按每个元素意义下的上界,即的第(i,j)个元素是所有顶点的第(i,j)个元素的最大值。相应地,表示S所包含的顶点按每个元素意义下的下界。那么,定量的描述了这种上界与下界之间的差距。被称为张量积模型或TPMT的紧性指数,定量描述不同候选情况的优劣。
下面介绍启发式搜索的迭代式最优化矫正算法,过程如下。
具体地,在步骤401中,对每一个Un构造一个矩阵,具体包括:
在满足迭代矫正次数以及符合如下权重矩阵搜索的候选组合的限制条件的情况下,对每一权重矩阵矫正循环:
从当前权重矫正矩阵的RCH的所有面中随机选取未被考虑过的Kn个面组合,当所选择的Kn个面能够形成一个具有Kn个顶点的多面体,且包围当前权重矫正矩阵的RCH时,用Kn个顶点作为行构建一个Kn×Kn的矩阵T1n;按照紧性指数确定:为表示循环中书写方便,←表示将←右边的数值赋值给←左边。
多次循环矫正,得到得到矫正后的最优权重函数,即矩阵Tn。
若最新选择的候选组合比当前得到的最优结果更好,对候选组合附近进行一个启发式的邻域搜索,进一步改善T0n和φ0,其中T0n和φ0分别表示矫正后的张量权重函数和紧性指数,紧性指数用来定量表征张量积模型的保守性。
在步骤402中,根据构造的各矩阵对张量积模型进行矫正,获得矫正后的权重矩阵和顶点张量,具体包括:
步骤4021:对整个过程进行迭代矫正次数循环,确定张量积矫正模型.
对于矩阵值函数的一般形式(即模型(5))通过矫正后,得到的OCNO型结果可表示为:
步骤4022:根据所述张量积矫正模型确定矫正后的顶点张量和权重函数。
所述滤波模型包括滤波张量积模型和滤波误差系统。
其中,对于滤波张量积模型的确定包括以下步骤:
对多胞型线性化模型(2),在Aλ包含的各顶点是稳定时,采用如下形式的滤波模型:
假设滤波模型的增益K(t)也具有多胞型形式为当Kν的顶点确定后,参数也就确定。考虑到模型(13),滤波模型(18)可以通过张量积运算进行合成,即对滤波模型(18)的张量积模型进行等价转换,得到滤波张量积模型
所述滤波误差系统为:
其中,
其中,
所述滤波张量积模型的顶点张量Kv根据以下多包矩阵公式确定:
所述根据所述矫正模型,确定对调频信号滤波时的滤波参数,还包括:
根据转化公式Ξ(λ)进行线性矩阵不等式LMI转化,确定多包矩阵公式:
当ν与λ不相等时,R=1,对转化公式Ξ(λ)转化计算;
当ν与λ不相等时,R=2,对转化公式Ξ(λ)转化计算;
根据计算后的转化公式Ξ(λ)求解如下两个凸优化问题:
相对于现有技术,本发明基于张量积模型变换的非线性调频系统的滤波方法具有以下优点:
(1)应用全局多胞线性化思想,有效的克服了非线性系统局部线性化过程中的误差,在强非线性系统局部线性化过程中滤波器性能下降甚至发散的先天性不足。该方法可以进行离线计算,不存在在线更新计算量大的问题,提高实时滤波效果。提供了一种基于张量积变换的全局多胞滤波方法,通过张量积模型变换思路,可以方便的将非线性系统转化为张量积模型,得到模型的顶点张量和权重函数,
(2)对于建立的张量积模型,如果不进行保守性矫正,极有可能会导致系统设计失败,本发明对张量积形式的多胞型线性化模型进行保守性分析,设立紧性指数,建立一种高效的矫正搜索算法,最大限度地获得保守性更低的CNO型张量积模型,从而可以实际进行滤波。
(3)多胞系统可以方便地与LMI结合,计算对调频信号滤波时的滤波参数,从而根据不同的性能指标确定对应的滤波模型,对噪声模型有很强的适应性,鲁棒性强,并且具有很强的工程应用能力。
如图2-图5所示,通过本发明基于张量积模型变换的非线性调频系统的滤波方法对当前调频信号进行滤波调频,可有效提高滤波效果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于张量积模型变换的非线性调频系统的滤波方法,其特征在于,所述滤波方法包括:
从数据库中获取调频系统的历史数据,所述历史数据包括多组调频信号的瞬时频率及相位参数;
根据所述历史数据建立非线性调频信号的离散系统模型;
对所述离散系统模型进行张量积模型变换,得到对应的张量积模型;
对所述张量积模型矫正,得到矫正模型;
根据所述矫正模型,确定对调频信号滤波时的滤波参数;
根据所述滤波参数构建滤波模型;
通过所述滤波模型对当前调频信号进行滤波调频;
所述对所述离散系统模型进行张量积模型变换,得到对应的张量积模型,具体包括:
其中,λ∈ΔN,A、B、C、D分别是原系统f(x(t))、g1(x(t))、h(x(t))、g2(x(t))的多胞表示,N是多细胞线性化模型顶点的个数,λ表示各顶点的权重函数,ΔN表示权重函数在顶点,δx(t)、δy(t)分别表示由ω、构成的状态量和观测量真值与估计值的偏差,表示观测量的估计值,表示由于部分奇异值的舍弃使是的近似;
利用雅各比进行线性化处理:
忽略常数项和重复项,得到矩阵值函数S(p):
则矩阵值函数S(p)对应的多细胞参数矩阵Sλ:
对多细胞线性化模型进行模式转换,得到张量积模型:
对矩阵值函数S(p)进行格式转换,得到所述矩阵值函数一般形式:
根据所述张量积模型对所述矩阵值函数一般形式进行张量积处理,得到矩阵值函数的张量积模型:
3.根据权利要求1所述的基于张量积模型变换的非线性调频系统的滤波方法,其特征在于,根据所述张量积模型对所述矩阵值函数一般形式进行张量积处理,得到矩阵值函数的张量积模型,具体包括:
(3)高阶奇异值分解:只在采样张量的1到np维执行高阶奇异值分解HOSVD,得到分解结果:
其中,表示由于部分奇异值的舍弃使是的近似,假设分别保留的4个非零1模奇异值和5个非零2模奇异值,是一个np+2的张量,其表示凸型归一化后张量积模型的顶点张量,K1、K2、Y和X均是大于0的整数,Un是维度大小为Jn×Kn的张量,并表示凸形归一化后张量积模型的权重函数;
(4)对所述分解结果进行凸型归一化处理:
(5)提取顶点张量和权重函数:将分解结果等价转化:
则矩阵值函数S(p)的张量积模型TMPR为:
4.根据权利要求3所述的基于张量积模型变换的非线性调频系统的滤波方法,其特征在于,对所述张量积模型矫正,得到矫正模型,具体包括:
对每一个Un构造一个矩阵;
根据构造的各矩阵对张量积模型进行矫正,获得矫正后的权重矩阵和顶点张量。
5.根据权利要求4所述的基于张量积模型变换的非线性调频系统的滤波方法,其特征在于,对每一个Un构造一个矩阵,具体包括:
在满足迭代矫正次数以及符合如下权重矩阵搜索的候选组合的限制条件的情况下,对每一权重矩阵矫正循环:
从当前权重矫正矩阵的RCH的所有面中随机选取未被考虑过的Kn个面组合,当所选择的Kn个面能够形成一个具有Kn个顶点的多面体,且包围当前权重矫正矩阵的RCH时,用Kn个顶点作为行构建一个Kn×Kn的矩阵T1n,T1n是矫正循环中矫正后的权重函数;按照紧性指数确定:←表示将←右边的数值赋值给←左边;
多次循环矫正,得到矫正后的最优权重函数Tn。
6.根据权利要求5所述的基于张量积模型变换的非线性调频系统的滤波方法,其特征在于,根据构造的各矩阵对张量积模型进行矫正,获得矫正后的权重矩阵和顶点张量,具体包括:
对整个过程进行迭代矫正次数循环,确定张量积矫正模型;
根据所述张量积矫正模型确定矫正后的顶点张量和权重函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711477679.3A CN108181617B (zh) | 2017-12-29 | 2017-12-29 | 一种基于张量积模型变换的非线性调频系统的滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711477679.3A CN108181617B (zh) | 2017-12-29 | 2017-12-29 | 一种基于张量积模型变换的非线性调频系统的滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108181617A CN108181617A (zh) | 2018-06-19 |
CN108181617B true CN108181617B (zh) | 2020-06-12 |
Family
ID=62548929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711477679.3A Active CN108181617B (zh) | 2017-12-29 | 2017-12-29 | 一种基于张量积模型变换的非线性调频系统的滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108181617B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343058B (zh) * | 2018-10-31 | 2019-12-10 | 中国科学院电子学研究所 | 基于混合算法的正交非线性调频信号生成方法及装置 |
CN111224643B (zh) * | 2020-01-16 | 2021-08-06 | 西安交通大学 | 快速收敛的样条自适应滤波方法 |
CN111274692B (zh) * | 2020-01-16 | 2022-04-05 | 西安交通大学 | 航空发动机非线性控制系统建模方法 |
CN111681186A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(北京)科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944241B (zh) * | 2012-11-15 | 2015-02-04 | 北京理工大学 | 基于多胞型线性微分包含的航天器相对姿态确定方法 |
CN102980580B (zh) * | 2012-11-16 | 2015-07-29 | 北京理工大学 | 基于张量积多胞鲁棒h2滤波的无陀螺卫星姿态确定方法 |
CA2824704A1 (en) * | 2013-08-26 | 2015-02-26 | Alastair Malarky | Methods and systems for determining a range rate for a backscatter transponder |
CN103792523B (zh) * | 2014-03-05 | 2016-05-18 | 西安科技大学 | 基于张量积的uhf波段多通道雷达径向速度检测方法 |
KR101426863B1 (ko) * | 2014-03-19 | 2014-08-06 | 국방과학연구소 | 특징인자를 이용한 레이더 펄스내 변조형태 인식 방법 |
CN105738061B (zh) * | 2016-02-19 | 2018-01-12 | 莆田学院 | 一种振动信号的图像分析方法 |
-
2017
- 2017-12-29 CN CN201711477679.3A patent/CN108181617B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108181617A (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108181617B (zh) | 一种基于张量积模型变换的非线性调频系统的滤波方法 | |
Zou et al. | Moving horizon estimation meets multi-sensor information fusion: Development, opportunities and challenges | |
CN109470268B (zh) | 一种提高卫星姿态确定精度和效率的方法 | |
CN113193556B (zh) | 基于概率预测模型的短期风电功率预测方法 | |
CN110119588B (zh) | 基于扩展卡尔曼滤波状态估计值的在线优化设计方法 | |
CN111459051A (zh) | 一种带扰动观测器的离散终端滑模无模型控制方法 | |
CN109254532B (zh) | 一种面向通信时滞的多智能体分布式合作故障检测方法 | |
CN111046327A (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
CN115390459A (zh) | 模型预测控制方法及装置 | |
CN113964884A (zh) | 基于深度强化学习的电网有功频率的调控方法 | |
CN110110475B (zh) | 基于在线学习渐消因子的扩展卡尔曼滤波方法 | |
CN113555891B (zh) | 基于平方和的含不确定参数交直流系统稳定域估计方法 | |
Ichalal et al. | Observer for Lipschitz nonlinear systems: mean value theorem and sector nonlinearity transformation | |
CN109638892B (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
CN116559579A (zh) | 基于改进的VMD和Teager能量算子故障定位方法 | |
Xiao et al. | Parameter identification of direct‐drive permanent magnet synchronous generator based on EDMPSO‐EKF | |
Liu et al. | A novel variational Bayesian adaptive Kalman filter with mismatched process noise covariance matrix | |
CN110597203A (zh) | 一种基于多gpu并行crpf的故障诊断方法 | |
Stepanov et al. | Adaptive algorithm for vessel roll prediction based on the Bayesian approach | |
Zhao et al. | A generalized data assimilation architecture of digital twin for complex process industrial systems | |
Kuti et al. | Analysis and improvement of multi-scaled unscented kalman-filters to increase accuracy | |
Sun et al. | Prognostics of capacitors for power converters based on data augmentation and IPSO-GRU | |
CN111103789B (zh) | 源网荷综合能源调度分析方法、系统及终端设备 | |
Sunny et al. | High performance parameter observation of induction motor with sensorless vector Control using extended Kalman filter | |
Glushankov et al. | Methods to Improve the Accuracy of State Estimation in Nonlinear Kalman Filter in Case of a Priori Uncertainty |
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 |