CN110034746A - 一种基于最大协同熵卡尔曼滤波方法 - Google Patents
一种基于最大协同熵卡尔曼滤波方法 Download PDFInfo
- Publication number
- CN110034746A CN110034746A CN201910259574.3A CN201910259574A CN110034746A CN 110034746 A CN110034746 A CN 110034746A CN 201910259574 A CN201910259574 A CN 201910259574A CN 110034746 A CN110034746 A CN 110034746A
- Authority
- CN
- China
- Prior art keywords
- denotes
- covariance
- following formula
- entropy
- matrix
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000026676 system process Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000006854 communication Effects 0.000 abstract 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
- H03H17/0257—KALMAN filters
Landscapes
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Filters That Use Time-Delay Elements (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于最大协同熵卡尔曼滤波方法,对脉冲式非高斯噪声具有很强的鲁棒性,并保持了传统卡尔曼滤波算法的状态均值传播过程,而且保留了预测误差协方差的矩阵的传播过程。因此,这种新的滤波器也具有递归结构,适用于在线更新。
Description
技术领域
本发明涉及智能控制领域,尤其涉及一种基于最大协同熵卡尔曼滤波方法。
背景技术
传统的卡尔曼滤波器是基于最小均方误差,其在高斯噪声下有很好的表现。但是,很多实际的工程场景并不能满足高斯噪声的假设,这导致了传统卡尔曼滤波器在非高斯噪声干扰特别是脉冲式非高斯噪声干扰的应用中性能恶化,其导致的主要原因为传统卡尔曼滤波算法只能噪声是高斯分布的情况下给出可靠的估计,当把传统卡尔曼滤波器应用于非高斯情况时,它们的性能可能会变差,特别是当系统受到脉冲噪声的干扰时。脉冲噪声具有重尾分布(例如一些混合高斯分布),这在许多真实的自动控制和目标跟踪场景中很常见。这个问题的主要原因是传统卡尔曼滤波器是基于最小均方误差标准,该标准对大异常值非常敏感,导致传统卡尔曼滤波器在非高斯噪声环境中的鲁棒性恶化。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于最大协同熵卡尔曼滤波方法。可对脉冲式非高斯噪声具有很强的鲁棒性,并保持了传统卡尔曼滤波算法的状态均值传播过程,而且保留了预测误差协方差的矩阵的传播过程。
为了解决上述技术问题,本发明实施例提供了一种基于最大协同熵卡尔曼滤波方法,包括以下步骤:
S1:设定核带宽σ和一个小的正数η,设定初始状态估计和初始协方差矩阵P(0|0),t=1;
S2:使用以下公式获得和P(t|t-1),用Cholesky分解法得到Bp(t|t-1),
P(t|t-1)=A(t-1)P(t-1|t-1)AT(t-1)+Q
其中,A(k-1)是系统的控制参数,为上一个状态预测的结果,是上一个状态最优的结果,P(k|k-1)是对应的协方差,Q是系统过程的协方差;
S3:使j=1,其中表示在第j次定点迭代中的状态估计;
S4:使用以下公式计算后验估计
其中:
其中,表示第t时刻的卡尔曼增益,H表示测量矩阵,z表示测量值,表示测量噪声的协方差,对E[β(t)βT(t)]进行Cholesky分解(平方根法),得到B,ξ(t)表示测量噪声,符号E表示期望算子;diag()表示提取对角元素,Gσ表示高斯核。di(t)是D(t)的第i个元素,wi(t)是W(t)的第i行元素,其中
S5:当以下公式成立,则使否则,令j+1→j,重复S4,
S6:使用以下公式更新后验估计协方差矩阵,令t+1→t,重复S2,
实施本发明实施例,具有如下有益效果:本发明对脉冲式非高斯噪声具有很强的鲁棒性,并保持了传统卡尔曼滤波算法的状态均值传播过程,而且保留了预测误差协方差的矩阵的传播过程。因此,这种新的滤波器也具有递归结构,适用于在线更新。
附图说明
图1是基于最大协同熵的卡尔曼滤波预测和更新方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
对于标准卡尔曼滤波算法,将带有噪声的状态模型和测量模型记为:
其中,A(k-1)是系统的控制参数,在此为矩阵。H为测量矩阵。卡尔曼滤波模型假设t时刻的真实状态从(t-1)时刻演化而来。正如在许多实际情况下,动态系统只能得到带有噪声的输入数据。
假设在时刻t的测量集记为Z={z(t)},卡尔曼滤波算法为如下两个步骤:
(1)先验估计表示为
P(t|t-1)=A(t-1)P(t-1|t-1)AT(t-1)+Q#(3)
为上一个状态预测的结果,是上一个状态最优的结果。P(k|k-1)是对应的协方差。Q是系统过程的协方差。
(2)后验估计为
K(t)=P(t|t-1)HT(t)(H(t)P(t|t-1)HT(t)+R)-1#(4)
Pt=(1-K(t)H(t))P(t|t-1)#(6)
K(t)表示卡尔曼增益,即为后验状态估计,Pt为误差协方差矩阵更新。
由于交通流数据存在非高斯噪声,导致传统的卡尔曼滤波模型性能恶化。为此本发明实施例提出一种改进的卡尔曼滤波应用到交通流预测上,具体如下实施方案。
对于前面描述的状态模型和线性模型,有:
在这里,对E[β(t)β(t)T]进行Cholesky分解(平方根法),得到B(t),符号E表示期望算子。对公式7左乘B-1(t),得到D(t)=W(t)x(t)+e(t),其中
e(t)=B-1(t)β(t)。
基于最大协同熵的代价函数如下:
这里L表示D(t)的维度,di(t)表示D(t)的第i个元素,wi(t)表示W(t)的第i行。ei(t)为e(t)的第i个元素。符号Gσ表示高斯核,σ为高斯核带宽。在最大协同熵准则下,最优化估计如下:
具体而言,本实施例主要通过以下步骤进行。
(1)选择一个合适的核带宽σ和一个小的正数η,设定初始状态估计
和初始协方差矩阵P(0|0),t=1;
(2)用公式2和公式3获得和P(t|t-1),用Cholesky分解法得到Bp(t|t-1)。
(3)使j=1,其中表示在第j次定点迭代中的状态估计。
(4)用公式10,公式11计算后验估计
其中
其中,表示第t时刻的卡尔曼增益,H表示测量矩阵,z表示测量值,表示测量噪声的协方差,对E[β(t)βT(t)]进行Cholesky分解(平方根法),得到B,ξ(t)表示测量噪声,符号E表示期望算子;diag()表示提取对角元素,Gσ表示高斯核。di(t)是D(t)的第i个元素,wi(t)是W(t)的第i行元素,其中
(5)如果公式12成立,使然后执行(6),否则,令j+1→j,回到(4)。
(6)
(7)用公式13更新后验估计协方差矩阵,令t+1→t,回到(2)。
作为先验-后验估计算法,基于最大协同熵的卡尔曼滤波算法的可以总结为预测-更新方程,用如图1所示。
本发明实施例具有如下有益效果:
1、本发明设计一种基于最大协同熵的卡尔曼滤波算法,这种算法使用最大协同熵准则代替传统的最小二乘误差准则作为最优目标进行推导,因此可以很好地处理脉冲式非高斯噪声的干扰。
2、由于最大协同熵的最优目标准则并不是凸函数,本发明设计了一种新的定点算法更新后验估计。
3、本发明的不仅保持了传统卡尔曼滤波算法的状态均值传播过程,而且保留了预测误差协方差的矩阵的传播过程。因此,这种新的滤波器也具有递归结构,适用于在线更新。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (1)
1.一种基于最大协同熵卡尔曼滤波方法,其特征在于,包括以下步骤:
S1:设定核带宽σ和一个小的正数η,设定初始状态估计和初始协方差矩阵P(0|0),t=1;
S2:使用以下公式获得和P(t|t-1),用Cholesky分解法得到Rp(t|t-1),
P(t|t-1)=A(t-1)P(t-1|t-1)AT(t-1)+Q
其中,A(k-1)是系统的控制参数,为上一个状态预测的结果,是上一个状态最优的结果,P(k|k-1)是对应的协方差,Q是系统过程的协方差;
S3:使j=1,其中表示在第j次定点迭代中的状态估计;
S4:使用以下公式计算后验估计
其中:
其中,表示第t时刻的卡尔曼增益,H表示测量矩阵,z表示测量值,表示测量噪声的协方差,对E[β(t)βT(t)]进行Cholesky分解(平方根法),得到B,ξ(t)表示测量噪声,符号E表示期望算子;diag()表示提取对角元素,Gσ表示高斯核,di(t)是D(t)的第i个元素,wi(t)是W(t)的第i行元素,其中
S5:当以下公式成立,则使否则,令j+1→j,重复S4,
S6:使用以下公式更新后验估计协方差矩阵,令t+1→t,重复S2,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910259574.3A CN110034746B (zh) | 2019-04-02 | 2019-04-02 | 一种基于最大协同熵卡尔曼滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910259574.3A CN110034746B (zh) | 2019-04-02 | 2019-04-02 | 一种基于最大协同熵卡尔曼滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110034746A true CN110034746A (zh) | 2019-07-19 |
CN110034746B CN110034746B (zh) | 2023-10-13 |
Family
ID=67237211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910259574.3A Active CN110034746B (zh) | 2019-04-02 | 2019-04-02 | 一种基于最大协同熵卡尔曼滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110034746B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117965A (zh) * | 2017-06-22 | 2019-01-01 | 长城汽车股份有限公司 | 基于卡尔曼滤波器的系统状态预测装置和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7605747B1 (en) * | 2006-08-14 | 2009-10-20 | Lockheed Martin Corporation | Method for compensating for the positional errors of a sensor |
CN106487358A (zh) * | 2016-09-30 | 2017-03-08 | 西南大学 | 一种基于统计线性回归的最大相关熵容积卡尔曼滤波方法 |
CN108520107A (zh) * | 2018-03-19 | 2018-09-11 | 山西大学 | 基于最大似然准则鲁棒卡尔曼滤波的系统状态估计方法 |
CN109508445A (zh) * | 2019-01-14 | 2019-03-22 | 哈尔滨工程大学 | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 |
-
2019
- 2019-04-02 CN CN201910259574.3A patent/CN110034746B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7605747B1 (en) * | 2006-08-14 | 2009-10-20 | Lockheed Martin Corporation | Method for compensating for the positional errors of a sensor |
CN106487358A (zh) * | 2016-09-30 | 2017-03-08 | 西南大学 | 一种基于统计线性回归的最大相关熵容积卡尔曼滤波方法 |
CN108520107A (zh) * | 2018-03-19 | 2018-09-11 | 山西大学 | 基于最大似然准则鲁棒卡尔曼滤波的系统状态估计方法 |
CN109508445A (zh) * | 2019-01-14 | 2019-03-22 | 哈尔滨工程大学 | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
陆欣等: "一种高斯型非线性迭代更新滤波器", 《工程科学与技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117965A (zh) * | 2017-06-22 | 2019-01-01 | 长城汽车股份有限公司 | 基于卡尔曼滤波器的系统状态预测装置和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110034746B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zamiri-Jafarian et al. | EM-based recursive estimation of channel parameters | |
Boccato et al. | An echo state network architecture based on Volterra filtering and PCA with application to the channel equalization problem | |
CN110826021A (zh) | 一种非线性工业过程鲁棒辨识和输出估计方法 | |
CN110601777A (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰估计方法 | |
Song et al. | Variable forgetting factor linear least squares algorithm for frequency selective fading channel estimation | |
CN110034746A (zh) | 一种基于最大协同熵卡尔曼滤波方法 | |
CN110516198B (zh) | 一种分布式非线性卡尔曼滤波方法 | |
Guo et al. | An outlier robust finite impulse response filter with maximum correntropy | |
CN106934124B (zh) | 一种基于量测变化检测的自适应变划窗方法 | |
CN113381731B (zh) | 一种针对非高斯噪声的扩散式变步长自适应参数估计方法 | |
CN113391285B (zh) | 一种量测随机延迟下带闪烁噪声的目标跟踪平滑方法 | |
So | Modified LMS algorithm for unbiased impulse response estimation in nonstationary noise | |
Chien et al. | Correntropy-based data-selective MCC algorithm | |
CN109840069B (zh) | 一种改进的自适应快速迭代收敛解方法及系统 | |
CN113763710A (zh) | 一种基于非线性自适应系统的短期交通流预测方法 | |
Liu et al. | A GPS Distance Error Forecast Model Based on IIR Filter De-noising and LSTM | |
Liu et al. | Fundamental principles and applications of particle filters | |
Lou et al. | Distributed bias-compensated recursive least squares estimation over multi-agent networks | |
Ghasemi et al. | Dynamic quantization and power allocation for multisensor estimation of hidden markov models | |
CN111695617A (zh) | 一种基于改进的协方差交叉算法的分布式火控融合方法 | |
CN110649911A (zh) | 一种基于α散度的分布式非线性卡尔曼滤波方法 | |
Babadi et al. | Comparison of SPARLS and RLS algorithms for adaptive filtering | |
CN117351042B (zh) | 一种基于高斯和滤波的任意步时延目标跟踪方法 | |
Abdelkrim et al. | A simplified αβ based Gaussian sum filter | |
CN114739383B (zh) | 一种基于多目标不确定性改进的gm-phd滤波方法 |
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 |