CN109728795B - 未知概率情形下具有数据丢失的时变事件触发滤波方法 - Google Patents
未知概率情形下具有数据丢失的时变事件触发滤波方法 Download PDFInfo
- Publication number
- CN109728795B CN109728795B CN201811582361.6A CN201811582361A CN109728795B CN 109728795 B CN109728795 B CN 109728795B CN 201811582361 A CN201811582361 A CN 201811582361A CN 109728795 B CN109728795 B CN 109728795B
- Authority
- CN
- China
- Prior art keywords
- matrix
- time
- data loss
- filter
- upper bound
- 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
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
未知概率情形下具有数据丢失的时变事件触发滤波方法,属于控制系统领域。现有的滤波方法不能同时处理未知概率的数据丢失和随机非线性以及事件触发机制,影响滤波器性能的问题。本发明方法包括,建立具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型;根据建立的时变系统动态模型设计滤波器;计算滤波器的一步预测误差协方差矩阵的上界;之后计算滤波增益矩阵;之后计算滤波误差协方差矩阵的上界;将获得的滤波增益矩阵代入设计的滤波器,获得具有未知概率的数据丢失、随机非线性以及事件触发机制滤波器。本发明可以同时处理未知概率的数据丢包和随机非线性以及事件触发机制,达到非线性扰动的目的,且易于求解与实现。
Description
技术领域
本发明涉及一种,特别涉及未知概率情形下具有数据丢失的时变事件触发滤波方法。
背景技术
滤波是将信号中特定波段频率滤除的操作,是选择信号和抑制干扰的一项基本而重要措施。滤波在控制系统中属于重要的研究问题,在雷达测距、目标跟踪系统、图像采集等领域的信号估计任务中获得广泛应用。由于数据的冗余和信道带宽限制,当数据通过网络传输到滤波器端时,通常会导致一些网络诱导现象发生,如网络拥堵、延迟等,设计适应这些网络诱导现象的滤波算法是十分必要的。
滤波是控制系统中一种重要的研究问题,在飞行器编队、全局定位系统、目标跟踪系统等领域的信号估计任务中获得广泛应用。
现有的滤波方法不能同时处理未知概率的数据丢失和随机非线性以及事件触发机制,进而影响滤波器性能。
发明内容
本发明的目的是为了解决现有的滤波方法不能同时处理未知概率的数据丢失和随机非线性以及事件触发机制,进而影响滤波器性能的问题,而提出未知概率情形下具有数据丢失的时变事件触发滤波方法。
未知概率情形下具有数据丢失的时变事件触发滤波方法,所述方法包括以下步骤:
步骤一、建立具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型;
步骤二、根据步骤一中建立的具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型设计滤波器的结构;
步骤三、计算动态模型在k时刻的一步预测误差协方差矩阵的上界;
步骤四、根据步骤三的一步预测误差协方差矩阵的上界,计算k+1时刻的滤波增益矩阵;
步骤五、将步骤四中获得的第k+1时刻的增益矩阵代入步骤二中的滤波器方程,得到在k+1时刻的估计实现对具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的状态估计;判断k+1是否达到总时长M,若k+1<M,则执行步骤六,若k+1≥M,则结束对具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的状态估计;
步骤六、根据步骤四中计算出的动态模型在k+1时刻的增益矩阵,计算出动态模型在k+1时刻的估计误差协方差矩阵上界;令k=k+1,执行步骤三,直至满足k+1≥M。
本发明的有益效果为:
本发明的滤波方法同时考虑了未知概率的数据丢包和随机非线性以及事件触发机制对滤波器性能的影响,与现有滤波方法相比较,本发明的滤波方法可以同时处理未知概率的数据丢包和随机非线性以及事件触发机制,得到了基于扩展卡尔曼滤波的滤波方法,达到抗非线性扰动的目的,且具有易于求解与实现的优点。
针对未知概率的数据丢包和随机非线性以及事件触发机制的非线性时变系统,所发明的滤波器设计方法可有效地估计出目标状态并且滤波误差协方差上界的迹总能够保持在对应的均方误差上面。相比现有方法,滤波相对误差减少约30%。
附图说明
图1为本发明所述方法流程图;
具体实施方式
具体实施方式一:
本实施方式的未知概率情形下具有数据丢失的时变事件触发滤波方法,所述方法包括以下步骤:
步骤一、建立具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型;
步骤二、根据步骤一中建立的具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型设计滤波器的结构;
步骤三、计算动态模型在k时刻的一步预测误差协方差矩阵的上界;
步骤四、根据步骤三的一步预测误差协方差矩阵的上界,计算k+1时刻的滤波增益矩阵;
步骤五、将步骤四中获得的第k+1时刻的增益矩阵代入步骤二中的滤波器方程,得到在k+1时刻的估计实现对具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的状态估计;判断k+1是否达到总时长M,若k+1<M,则执行步骤六,若k+1≥M,则结束对具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的状态估计;
步骤六、根据步骤四中计算出的动态模型在k+1时刻的增益矩阵,计算出动态模型在k+1时刻的估计误差协方差矩阵上界;令k=k+1,执行步骤三,直至满足k+1≥M,解决了未知概率情形下具有数据丢失的时变事件触发滤波问题。
具体实施方式二:
与具体实施方式一不同的是,本实施方式的未知概率情形下具有数据丢失的时变事件触发滤波方法,所述的步骤一中,建立的具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型的状态空间形式为:
xk+1=(Ak+ΔAk)xk+αkf(xk)+Bkωk (1)
yk=λkCkxk+νk (2)
式中,xk为k时刻系统的状态变量,yk是测量输出;f(xk)为非线性连续可微函数;ωk是均值为零方差为Qk的过程噪声;νk是均值为零方差为Rk的测量噪声;Ak是系统矩阵,Ck是在k时刻的测量矩阵,Bk是噪声分布矩阵;ΔA代表系统未知性,且满足范数有界不确定,ΔA=M1F1,kN1,M1、F1,k和N1均为刻画范数有界参数不确定性的矩阵;M1,N1是已知的矩阵,M1表示刻画范数有界参数不确定性的矩阵,N1表示刻画范数有界参数不确定性的矩阵;F1,k是未知的矩阵,表示刻画范数有界参数不确定性的矩阵,满足I为单位矩阵,为F1,k的转置;αk与λk均为服从伯努利分布的随机变量,αk刻画随机发生的非线性,λk刻画随机发生的数据丢失,并满足以下条件:
具体实施方式三:
与具体实施方式二不同的是,本实施方式的未知概率情形下具有数据丢失的时变事件触发滤波方法,所述的步骤二中,根据步骤一中建立的具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型设计滤波器的过程,具体为:
首先,选取如下的事件触发公式:
然后,设计滤波器:
式中,是xk在k时刻的状态估计,是xk在k时刻的一步预测,是k+1时刻的状态估计,为非线性扰动的估计函数,Kk+1是k+1时刻的滤波增益矩阵,ΔKk+1为增益扰动矩阵,且ΔKk+1=M3F3,k+1N3,M3,F3,k+1,N3均为刻画增益扰动的矩阵,M3,N3已知,表示刻画增益扰动的矩阵,矩阵F3,k+1表示刻画增益扰动的矩阵,F3,k+1未知且满足I为单位矩阵,为F3,k+1的转置。
具体实施方式四:
与具体实施方式三不同的是,本实施方式的未知概率情形下具有数据丢失的时变事件触发滤波方法,所述的步骤三中,计算步骤一的动态模型在k时刻的一步预测误差协方差矩阵的上界的过程,具体为:
通过式(9)求解所述的一步预测误差协方差矩阵的上界Σk+1|k:
式中,
Σk|k为k时刻的滤波误差协方差矩阵的上界,
M2为泰勒展开误差矩阵,N2为泰勒展高阶无穷小误差矩阵;
εi为大于零的已知权重,i=1,2,...,7,tr{·}表示{·}的迹,
具体实施方式五:
与具体实施方式四不同的是,本实施方式的未知概率情形下具有数据丢失的时变事件触发滤波方法,所述的步骤四中,根据步骤三的一步预测误差协方差矩阵的上界,计算滤波增益矩阵的过程,具体为:
根据步骤三的一步预测误差协方差矩阵上界Σk+1|k,通过式(10)计算滤波增益矩阵Kk+1:
式中,
具体实施方式六:
与具体实施方式五不同的是,本实施方式的未知概率情形下具有数据丢失的时变事件触发滤波方法,所述的步骤五中,根据步骤四中得到的滤波增益矩阵,计算滤波误差协方差矩阵的上界的过程,具体为:
根据步骤四中得到的滤波增益矩阵Kk+1,计算滤波误差协方差矩阵的上界Σk+1|k+1;
滤波误差协方差矩阵的上界Σk+1|k+1的表达式为:
具体实施方式七:
具体实施方式八:
与具体实施方式七不同的是,本实施方式的未知概率情形下具有数据丢失的时变事件触发滤波方法,步骤五所述的计算滤波估计误差协方差矩阵的上届∑k+1|k+1是求取∑k+1|k+1的最小上界,使其满足:Pk+1|k+1≤∑k+1|k+1,
由于估计误差协方差矩阵存在不确定项,因此无法求得其真实值。然后,通过优化估计误差协方差矩阵上界∑k+1|k+1的迹的方法,获得k+1时刻的估计增益矩阵Kk+1。
采用本发明所述方法进行仿真:
系统参数:
f(xk)=[sin x2,kcos x1,k cos2x2,k]T,
滤波器效果:
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.未知概率情形下具有数据丢失的时变事件触发滤波方法,其特征在于:所述方法包括以下步骤:
步骤一、建立具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型;
步骤二、根据步骤一中建立的具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型设计滤波器的结构;
步骤三、计算步骤一的动态模型在k时刻的一步预测误差协方差矩阵的上界;
步骤四、根据步骤三的一步预测误差协方差矩阵的上界,计算k+1时刻的滤波增益矩阵;
步骤五、将步骤四中获得的第k+1时刻的增益矩阵代入步骤二中的滤波器方程,得到在k+1时刻的估计实现对具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的状态估计;判断k+1是否达到总时长M,若k+1<M,则执行步骤六,若k+1≥M,则结束对具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的状态估计;
步骤六、根据步骤四中计算出的动态模型在k+1时刻的增益矩阵,计算出动态模型在k+1时刻的估计误差协方差矩阵上界;令k=k+1,执行步骤三,直至满足k+1≥M;
所述的步骤一中,建立的具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型的状态空间形式为:
xk+1=(Ak+ΔAk)xk+αkf(xk)+Bkωk (1)
yk=λkCkxk+νk (2)
式中,xk为k时刻系统的状态变量,yk是测量输出;f(xk)为非线性连续可微函数;ωk是均值为零方差为Qk的过程噪声;νk是均值为零方差为Rk的测量噪声;Ak是系统矩阵,Ck是在k时刻的测量矩阵,Bk是噪声分布矩阵;ΔA代表系统未知性,且满足范数有界不确定,ΔA=M1F1,kN1,M1、F1,k和N1均为刻画范数有界参数不确定性的矩阵;M1,N1是已知的矩阵,M1表示刻画范数有界参数不确定性的矩阵,N1表示刻画范数有界参数不确定性的矩阵;F1,k是未知的矩阵,表示刻画范数有界参数不确定性的矩阵,满足I为单位矩阵,为F1,k的转置;αk与λk均为服从伯努利分布的随机变量,αk刻画随机发生的非线性,λk刻画随机发生的数据丢失,并满足以下条件:
Δαk与Δλk刻画未知概率,|Δαk|≤θ1与|Δλk|≤θ2,θ1与θ2为已知的常数,表示未知概率的上界;
所述的步骤二中,根据步骤一中建立的具有未知概率的数据丢失、随机非线性以及事件触发机制的时变系统的动态模型设计滤波器的过程,具体为:
首先,选取如下的事件触发公式:
然后,设计滤波器:
2.根据权利要求1所述的未知概率情形下具有数据丢失的时变事件触发滤波方法,其特征在于:所述的步骤三中,计算步骤一的动态模型在k时刻的一步预测误差协方差矩阵的上界的过程,具体为:
通过式(9)求解所述的一步预测误差协方差矩阵的上界Σk+1|k:
式中,
Σk|k为k时刻的滤波误差协方差矩阵的上界,
M2为泰勒展开误差矩阵,N2为泰勒展高阶无穷小误差矩阵;
εi为大于零的已知权重,i=1,2,...,7,tr{·}表示{·}的迹,
3.根据权利要求2所述的未知概率情形下具有数据丢失的时变事件触发滤波方法,其特征在于:所述的步骤四中,根据步骤三的一步预测误差协方差矩阵的上界,计算滤波增益矩阵的过程,具体为:
根据步骤三的一步预测误差协方差矩阵上界Σk+1|k,通过式(10)计算滤波增益矩阵Kk+1:
式中,
4.根据权利要求3所述的未知概率情形下具有数据丢失的时变事件触发滤波方法,其特征在于:所述的步骤五中,根据步骤四中得到的滤波增益矩阵,计算滤波误差协方差矩阵的上界的过程,具体为:
根据步骤四中得到的滤波增益矩阵Kk+1,计算滤波误差协方差矩阵的上界Σk+1|k+1;
滤波误差协方差矩阵的上界Σk+1|k+1的表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811582361.6A CN109728795B (zh) | 2018-12-24 | 2018-12-24 | 未知概率情形下具有数据丢失的时变事件触发滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811582361.6A CN109728795B (zh) | 2018-12-24 | 2018-12-24 | 未知概率情形下具有数据丢失的时变事件触发滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109728795A CN109728795A (zh) | 2019-05-07 |
CN109728795B true CN109728795B (zh) | 2022-11-18 |
Family
ID=66297094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811582361.6A Active CN109728795B (zh) | 2018-12-24 | 2018-12-24 | 未知概率情形下具有数据丢失的时变事件触发滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109728795B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083661B (zh) * | 2019-12-09 | 2022-06-17 | 南京工程学院 | 一种应用于光电传感网络中的事件触发异步状态估计方法 |
CN113361091B (zh) * | 2021-06-01 | 2022-05-17 | 杭州电力设备制造有限公司 | 一种esd强度估计方法和系统 |
CN115576206B (zh) * | 2022-11-07 | 2023-05-12 | 中国矿业大学 | 一种多速率重介分选信息物理系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930171A (zh) * | 2012-11-15 | 2013-02-13 | 北京理工大学 | 一种基于多胞型微分包含的非线性滤波方法 |
WO2013043093A1 (en) * | 2011-09-23 | 2013-03-28 | Telefonaktiebolaget L M Ericsson (Publ) | A radio network node, a controlling radio network node, and methods therein for enabling management of radio resources in a radio communications network |
CN103701433A (zh) * | 2013-12-29 | 2014-04-02 | 哈尔滨理工大学 | 一种多重测量丢失情形下时变目标跟踪系统的量化滤波方法 |
JP2015219714A (ja) * | 2014-05-16 | 2015-12-07 | 日本電信電話株式会社 | 状態推定装置、方法、及びプログラム |
CN107169193A (zh) * | 2017-05-11 | 2017-09-15 | 南京师范大学 | 基于自适应事件触发机制的非线性系统滤波器的设计方法 |
CN108228959A (zh) * | 2017-11-10 | 2018-06-29 | 东北石油大学 | 利用删失数据估计系统实际状态的方法及应用其的滤波器 |
CN108847828A (zh) * | 2018-07-23 | 2018-11-20 | 哈尔滨理工大学 | 一种具有随机建模误差的非线性事件触发滤波方法 |
CN108847829A (zh) * | 2018-07-23 | 2018-11-20 | 哈尔滨理工大学 | 一种具有随机发生不确定性和量化测量的非线性滤波方法 |
CN108959808A (zh) * | 2018-07-23 | 2018-12-07 | 哈尔滨理工大学 | 一种基于传感器网络的优化分布式状态估计方法 |
CN109039725A (zh) * | 2018-07-23 | 2018-12-18 | 哈尔滨理工大学 | 一种具有随机发生耦合的复杂网络优化估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10819724B2 (en) * | 2017-04-03 | 2020-10-27 | Royal Bank Of Canada | Systems and methods for cyberbot network detection |
DE102017111926A1 (de) * | 2017-05-31 | 2018-12-06 | Infineon Technologies Ag | Prozesssteuerschaltung und Verfahren zum Steuern einer Bearbeitungsanordnung |
-
2018
- 2018-12-24 CN CN201811582361.6A patent/CN109728795B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013043093A1 (en) * | 2011-09-23 | 2013-03-28 | Telefonaktiebolaget L M Ericsson (Publ) | A radio network node, a controlling radio network node, and methods therein for enabling management of radio resources in a radio communications network |
CN102930171A (zh) * | 2012-11-15 | 2013-02-13 | 北京理工大学 | 一种基于多胞型微分包含的非线性滤波方法 |
CN103701433A (zh) * | 2013-12-29 | 2014-04-02 | 哈尔滨理工大学 | 一种多重测量丢失情形下时变目标跟踪系统的量化滤波方法 |
JP2015219714A (ja) * | 2014-05-16 | 2015-12-07 | 日本電信電話株式会社 | 状態推定装置、方法、及びプログラム |
CN107169193A (zh) * | 2017-05-11 | 2017-09-15 | 南京师范大学 | 基于自适应事件触发机制的非线性系统滤波器的设计方法 |
CN108228959A (zh) * | 2017-11-10 | 2018-06-29 | 东北石油大学 | 利用删失数据估计系统实际状态的方法及应用其的滤波器 |
CN108847828A (zh) * | 2018-07-23 | 2018-11-20 | 哈尔滨理工大学 | 一种具有随机建模误差的非线性事件触发滤波方法 |
CN108847829A (zh) * | 2018-07-23 | 2018-11-20 | 哈尔滨理工大学 | 一种具有随机发生不确定性和量化测量的非线性滤波方法 |
CN108959808A (zh) * | 2018-07-23 | 2018-12-07 | 哈尔滨理工大学 | 一种基于传感器网络的优化分布式状态估计方法 |
CN109039725A (zh) * | 2018-07-23 | 2018-12-18 | 哈尔滨理工大学 | 一种具有随机发生耦合的复杂网络优化估计方法 |
Non-Patent Citations (5)
Title |
---|
Markov跳跃系统的鲁棒Kalman滤波与非线性控制;朱进;《中国优秀博士学位论文全文数据库信息科技辑》;20070415;全文 * |
Robust fault detection for stochastic time-delay systems with sensor nonlinearities;Zhisheng Chen;《2008 7th World Congress on Intelligent Control and Automation》;20080627;全文 * |
Robust sliding mode control for discrete delayed systems with randomly varying nonlinearities under uncertain occurrence probability;Jun Hu;《2017 Chinese Automation Congress (CAC) 》;20171231;全文 * |
具有通信约束和信息不完全的网络化系统的控制和滤波;张依恋;《中国优秀博士学位论文全文数据库信息科技辑》;20150515;全文 * |
网络环境下非线性随机系统的递推滤波及控制策略研究;胡军;《中国优秀博士学位论文全文数据库信息科技辑》;20150215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109728795A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109728795B (zh) | 未知概率情形下具有数据丢失的时变事件触发滤波方法 | |
CN109039725B (zh) | 一种具有随机发生耦合的复杂网络优化估计方法 | |
CN109088749B (zh) | 一种随机通讯协议下复杂网络的状态估计方法 | |
CN109728796B (zh) | 一种基于事件触发机制的滤波方法 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
CN105785338B (zh) | 一种频率捷变雷达载频的优化方法 | |
CN108847828B (zh) | 一种具有随机建模误差的非线性事件触发滤波方法 | |
CN107290742B (zh) | 一种非线性目标跟踪系统中平方根容积卡尔曼滤波方法 | |
CN103616687A (zh) | 分段线性估计的多项式拟合isar包络对齐方法 | |
CN111257934A (zh) | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 | |
CN110879927B (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN106707271A (zh) | 一种基于数字锁相环的自适应角度跟踪方法 | |
CN111880159A (zh) | 一种基于lstm的雷达序列信号检测方法及系统 | |
CN108847829B (zh) | 一种具有随机发生不确定性和量化测量的非线性滤波方法 | |
CN113283511A (zh) | 一种基于权重预分配的多源信息融合方法 | |
CN104215939A (zh) | 一种融合广义对称结构信息的知识辅助空时自适应处理方法 | |
CN110501686A (zh) | 基于一种新型自适应高阶无迹卡尔曼滤波的状态估计方法 | |
CN109856623B (zh) | 一种针对多雷达直线航迹线的目标状态估计方法 | |
CN113158785B (zh) | 一种振荡信号模态参数的识别方法 | |
CN108764482B (zh) | 基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法 | |
CN103701433A (zh) | 一种多重测量丢失情形下时变目标跟踪系统的量化滤波方法 | |
Krichene et al. | Compressive sensing and stretch processing | |
Zhou et al. | Sea clutter distribution modeling: A kernel density estimation approach | |
Choi et al. | Information-maximizing adaptive design of experiments for wind tunnel testing | |
CN115865702A (zh) | 一种网络调度策略下具有数据衰减的分布式融合估计方法 |
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 |