CN110677140A - 一种含未知输入和非高斯量测噪声的随机系统滤波器 - Google Patents
一种含未知输入和非高斯量测噪声的随机系统滤波器 Download PDFInfo
- Publication number
- CN110677140A CN110677140A CN201911027702.8A CN201911027702A CN110677140A CN 110677140 A CN110677140 A CN 110677140A CN 201911027702 A CN201911027702 A CN 201911027702A CN 110677140 A CN110677140 A CN 110677140A
- Authority
- CN
- China
- Prior art keywords
- state
- estimation
- noise
- interference
- function
- 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
Images
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
- H03H17/0211—Frequency selective networks using specific transformation algorithms, e.g. WALSH functions, Fermat transforms, Mersenne transforms, polynomial transforms, Hilbert transforms
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明涉及一种含未知输入和非高斯量测噪声的随机系统滤波器。首先,针对含未知输入/干扰的离散时间线性随机系统,基于状态方程完成状态的预测估计;其次,针对实际系统的量测噪声通常含有较多野值,噪声的概率分布往往具有尖峰肥尾等强非高斯特性,在求解干扰估计与状态滤波时基于Huber函数代替传统的均方误差准则构造指标函数;再次,通过最小化指标函数,基于不动点迭代法解算出干扰估计与状态的滤波估计;最后,将状态预测、干扰估计、状态滤波按时刻递推,给出滤波器的设计流程。本发明可推广应用于组合导航、目标跟踪、信号处理等领域,解决实际系统的高精度状态估计问题。
Description
技术领域
本发明涉及一种含未知输入/干扰和非高斯量测噪声的随机系统滤波器,针对系统所受到的未知输入或未知动态干扰,采用状态预测、干扰估计、状态滤波的递推滤波器结构,同时考虑到量测噪声的非高斯特性,基于Huber函数构造干扰与状态估计的性能指标函数,增强了滤波器对于量测野值的鲁棒性,本发明可应用于飞行器、船舶、车辆等运动体的组合导航系统,也可推广应用于目标跟踪、信号处理等相关领域。
背景技术
飞行器、船舶、车辆等运动体依靠导航系统实时获取自身的运动信息和姿态信息,而滤波算法又是导航系统信息处理的核心所在。传统的以卡尔曼滤波为典型代表的滤波算法在实际工程应用中已经取得了很大的成功,发挥了积极的作用。然而,运动体的任务需求日益提高,所面临的环境也日益复杂多样,这些都对导航系统的实时性、可靠性和精确性提出了进一步的挑战。为了提高导航系统的性能,以便能够快速、可靠、精准地获取和估计运动信息和姿态信息,一方面需要从硬件角度提高传感器性能或者研制新的智能感知机制,另一方面则要从软件角度提升滤波算法的适应性和鲁棒性。特别是在硬件资源有限的条件下,后者更是具有重要意义。
实际系统总是或多或少受到未知输入或未知干扰的影响。以惯性导航系统为例,陀螺仪的漂移、加速度计的常值偏置、外部环境的振动、安装误差等都可以视为干扰。因此,研究存在未知输入/干扰下的滤波方法即抗干扰滤波,具有积极的理论意义和工程应用价值。作为一种典型的抗干扰滤波方法,未知输入滤波无需对干扰信号的特性做出假设,能够在干扰信号完全未知的情形下给出状态的最优估计,一般为最小方差无偏估计。未知输入滤波最初由美国学者Kitanidis于上世纪八十年代提出,经过三十余年的发展,已建立起了一套较为成熟的理论体系。同时,这些理论成果也成功应用在了导航定位、环境监测、故障检测等相关领域。例如,专利1(火星动力下降段非线性三步滤波方法,申请号为201310341821.7)利用未知输入滤波技术对火星探测器动力下降段的位置和速度进行精确估计;专利2(一种基于智能手机移动检测的城市快速路交通状态估计方法,申请号为201610056587.7)将未知输入滤波应用于城市快速路交通状态估计问题当中,实现交通密度和边界流量的同步估计。
然而,现有的研究成果都是基于系统的过程噪声和量测噪声均服从高斯分布的假设,在最小方差意义下给出状态的最优估计。事实上,非高斯噪声广泛存在于实际系统当中。当随机变量的概率分布具有偏斜非对称、尖峰肥尾等强非高斯特性时,一般不能够再近似为高斯分布,见专利3(一种基于负熵的非高斯线性随机系统滤波方法,申请号为201410124598.5)。特别是对于量测噪声,其概率分布经常出现肥尾现象,这意味着量测噪声取得极端异常值的可能性很大。或者说,系统的量测通道经常受到野值的影响。在这种情况下,现有滤波器的估计性能会变差,甚至有可能导致滤波发散。因此,有必要研究一种针对非高斯随机系统的未知输入滤波器。
发明内容
本发明的技术解决问题是:针对现有的未知输入滤波方法局限于高斯系统的不足,提供一种适合于非高斯系统的新型随机抗干扰滤波器,解决复杂系统的高精度状态估计问题。
本发明的技术解决方案为:一种含未知输入和非高斯量测噪声的随机系统新型抗干扰滤波器,其特征在于,包括以下步骤:首先,基于状态方程得到状态的预测估计与预测误差的协方差矩阵;其次,基于Huber函数构造干扰与状态联合估计的性能指标函数;进而,通过最小化性能指标函数,借助矩阵相关运算和不动点迭代法给出干扰估计与状态的滤波估计,以及相应的估计误差和协方差矩阵;最后,总结归纳出包括状态预测、干扰估计、状态滤波在内的递推滤波器设计流程;具体步骤如下:
第一步,状态预测
(1)一类含有未知输入/干扰的离散时间线性随机系统,其状态空间模型表示如下:
其中,为系统状态变量,为量测输出变量,为系统的未知输入,也可认为是动态特性未知的干扰,和分别表示过程噪声和量测噪声,为互不相关的零均值白噪声且协方差分别为正定矩阵Qk和Rk,过程噪声ωk认为服从高斯分布,而量测噪声υk为非高斯随机变量,尤其是具有尖峰肥尾的强非高斯特性,Ak,Gk,Ck和Hk为已知的时变矩阵,假设(Ak,Ck)可观且Hk列满秩,系统初始状态x0服从高斯分布且与噪声ωk和υk均不相关。
(2)基于状态方程,根据系统运行的前一时刻的干扰估计和状态滤波估计,可得到当前时刻的状态预测估计、预测误差、预测误差的协方差矩阵,分别如下三式所示:
第二步,基于Huber函数的性能指标函数构造
考虑到量测噪声的尖峰肥尾非高斯特性,这里采用Huber函数构造相应的性能指标函数。当量测噪声含有野值时,Huber函数等价于残差的l1范数,因此对量测野值具有较强的鲁棒性。定义其第i个分量表示为ξk[i]。给出如下的性能指标函数:
其中,ρ(·)为Huber函数,定义如下:
其中τ是函数自变量,γ为一个可调节的参数。
第三步,干扰估计与状态滤波
(1)基于第二步构造的性能指标函数,将其最小化则可得到干扰的估计与状态的滤波估计,即估计问题转化为优化问题为了求解这一优化问题,将指标函数分别对xk和dk求导,可以得到以下方程组:
(2)注意到在上述结果中,Mk,Kk均与Ψk有关,而Ψk是xk和dk的函数,故上式可看作是关于xk和dk的不动点方程。基于不动点迭代法,我们可以得到下述的迭代求解过程:
其中,t表示迭代时标,和由前述定义结合给出,迭代初值可以取为迭代终止条件或者可以通过直接设定迭代次数给出,或者可以给出相应判断准则及阈值。迭代终止后,记其中tf表示最后一次迭代的时标。这样,干扰的估计与状态的滤波估计表示为:
同时,我们可以得到相应的估计误差与协方差矩阵如下两式所示:
第四步,滤波器按时刻递推
本发明与现有技术相比的优点在于:针对同时含有未知输入/干扰和非高斯量测噪声的复杂随机系统,提出了一种新型随机抗干扰滤波方法,通过采用基于Huber函数的未知输入滤波算法,相对于现有的基于最小方差准则的未知输入滤波方法而言,提高了滤波器对量测野值的鲁棒性,增强了滤波器对受扰非高斯随机系统的适应性,使得滤波器能够在复杂情况下实现高精度的状态估计。
附图说明
图1为本发明一种含未知输入和非高斯量测噪声的随机系统滤波器的设计流程图;
图2为本发明一种含未知输入和非高斯量测噪声的随机系统滤波器的不动点迭代法过程示意图。
具体实施方式
如图1所示,本发明具体实现步骤如下(以某一做近似匀加速直线运动的运动体为例来说明方法的具体实现):
1、状态预测
(1)当运动体做近似匀加速直线运动时,运动学方程如下所示:
量测方程为:
yk=sk+dk+υk
其中sk,vk和ak分别表示运动体在k时刻的位置、速度和加速度,量测信息yk由位置传感器提供,T为采样周期,dk表示未知输入/干扰,(i=1,2,3)为相互独立的高斯白噪声,υk表示零均值方差为Rk的噪声,其具有学生t分布、Laplace分布或者其他尖峰肥尾分布的特性。将运动学方程和量测方程写成紧凑形式,则有:
其中,相关矩阵和向量定义如下:
Ck=[1 0 0],Hk=1
(2)基于状态方程,根据运动体前一时刻的干扰估计和状态滤波,可得到当前时刻的状态预测、预测误差、预测误差的协方差矩阵分别如下三式所示:
2、基于Huber函数的性能指标函数构造
考虑到量测噪声的尖峰肥尾非高斯特性,使用Huber函数构造相应的性能指标函数。当量测噪声含有野值时,Huber函数等价于残差的l1范数,因此对量测野值具有较强的鲁棒性。定义其第i个分量表示为ξk[i]。我们给出如下的性能指标函数:
其中,ρ(·)为Huber函数,定义如下:
其中τ是函数自变量,γ为一个可调节的参数。
3、干扰估计与状态滤波
(1)基于上一步构造的性能指标函数,将其最小化则可得到干扰估计与状态滤波,即需要求解优化问题:将指标函数Jk对xk和dk分别求导,可以得到以下方程组:
定义函数ψ(τ)=ρ′(τ)/τ,同时定义矩阵Ψk=diag{ψ(ξk[1]),…,ψ(ξk[m])},则上述方程组具有如下形式:
(2)在上述结果中,注意到Mk,Kk均与Ψk有关,而Ψk是xk和dk的函数,故上式可看作是关于xk和dk的不动点方程。基于不动点迭代法,我们可以得到下述迭代过程:
其中,t为迭代时标,和由前述定义结合给出,迭代初值可以取为迭代终止条件可以通过直接设定迭代次数给出,或者也可以给出相应判断准则及阈值。迭代终止后,我们记其中tf是最后一次迭代的时标,则干扰的估计和状态的滤波估计表示为:
同时,可以计算得到干扰估计误差、状态滤波误差,以及相应的协方差矩阵,如下所示:
4、滤波器按时刻递推
基于前述步骤中的结果,在系统运行的每一时刻首先进行状态预测获取接着进行干扰估计与状态滤波获取进而递推至下一时刻,重复这些步骤,可得到滤波器的完整工作流程,即可给出复杂环境下运动体的运动信息(包括位置、速度和加速度)的实时高精度估计。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (5)
1.一种含未知输入和非高斯量测噪声的随机系统滤波器,其特征在于,包括以下步骤:
第一步,基于系统状态方程进行状态预测,得到状态的预测估计与相应的协方差矩阵;
第二步,基于Huber函数构造干扰与状态联合估计的性能指标函数;
第三步,通过最小化第二步中的性能指标函数,基于矩阵运算和不动点迭代法解算出干扰估计与状态的滤波估计,以及相应的协方差矩阵;
第四步,将前述步骤中的状态预测、干扰估计、状态滤波按时刻递推,最终得到滤波器。
2.根据权利要求1所述的含未知输入和非高斯量测噪声的随机系统滤波器,其特征在于:所述第一步,状态预测过程如下:
(1)一类含有未知输入/干扰的离散时间线性随机系统,其状态空间模型表示如下:
其中,为系统状态变量,为量测输出变量,为系统的未知输入,即动态特性未知的干扰,和分别表示过程噪声和量测噪声,为互不相关的零均值白噪声且方差为正定阵Qk和Rk,过程噪声ωk认为是高斯分布,而量测噪声υk具有强非高斯特性,特别是尖峰肥尾现象,Ak,Gk,Ck和Hk为已知的时变矩阵,(Ak,Ck)可观且Hk列满秩,系统初始状态x0服从高斯分布且与噪声均不相关;
(2)基于状态方程,根据前一时刻得到的干扰和状态的估计,得到当前时刻状态的预测估计、预测误差与协方差矩阵分别如下三个公式所示:
4.根据权利要求1所述的含未知输入和非高斯量测噪声的随机系统滤波器,其特征在于:所述第三步,干扰估计与状态滤波过程如下:
(1)基于第二步构造的性能指标函数,将其最小化可以得到干扰的估计与状态的滤波估计,即需要求解如下方程:
(2)Mk、Kk均与Ψk有关,Ψk是xk和dk的函数,上式是关于xk和dk的不动点方程,基于不动点迭代法,得到下述迭代过程:
同时,相应的估计误差与协方差矩阵分别如下两式所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911027702.8A CN110677140B (zh) | 2019-10-28 | 2019-10-28 | 一种含未知输入和非高斯量测噪声的随机系统滤波器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911027702.8A CN110677140B (zh) | 2019-10-28 | 2019-10-28 | 一种含未知输入和非高斯量测噪声的随机系统滤波器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110677140A true CN110677140A (zh) | 2020-01-10 |
CN110677140B CN110677140B (zh) | 2021-07-02 |
Family
ID=69084085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911027702.8A Active CN110677140B (zh) | 2019-10-28 | 2019-10-28 | 一种含未知输入和非高斯量测噪声的随机系统滤波器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110677140B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180899A (zh) * | 2020-09-30 | 2021-01-05 | 山东科技大学 | 一种间歇异常测量检测下系统的状态估计方法 |
CN113433903A (zh) * | 2021-06-18 | 2021-09-24 | 杭州电子科技大学 | 一种气动调节阀粘滞特性参数在线估计方法 |
CN115265528A (zh) * | 2022-06-29 | 2022-11-01 | 烟台哈尔滨工程大学研究院 | 基于未知输入观测器的组合导航系统鲁棒抗扰滤波方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0827333A2 (en) * | 1996-08-30 | 1998-03-04 | Xerox Corporation | Method and apparatus for creating a continuous tone image from a halftone image |
CN103063212A (zh) * | 2013-01-04 | 2013-04-24 | 哈尔滨工程大学 | 一种基于非线性映射自适应混合Kalman/H∞滤波器的组合导航方法 |
CN103323005A (zh) * | 2013-03-06 | 2013-09-25 | 郭雷 | 一种sins/gps/偏振光组合导航系统多目标优化抗干扰滤波方法 |
CN103900559A (zh) * | 2014-03-29 | 2014-07-02 | 北京航空航天大学 | 一种基于干扰估计的高精度姿态解算系统 |
-
2019
- 2019-10-28 CN CN201911027702.8A patent/CN110677140B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0827333A2 (en) * | 1996-08-30 | 1998-03-04 | Xerox Corporation | Method and apparatus for creating a continuous tone image from a halftone image |
CN103063212A (zh) * | 2013-01-04 | 2013-04-24 | 哈尔滨工程大学 | 一种基于非线性映射自适应混合Kalman/H∞滤波器的组合导航方法 |
CN103323005A (zh) * | 2013-03-06 | 2013-09-25 | 郭雷 | 一种sins/gps/偏振光组合导航系统多目标优化抗干扰滤波方法 |
CN103900559A (zh) * | 2014-03-29 | 2014-07-02 | 北京航空航天大学 | 一种基于干扰估计的高精度姿态解算系统 |
Non-Patent Citations (2)
Title |
---|
施常勇等: "Huber_based滤波在非合作航天器相对导航中的应用", 《航天控制》 * |
白锦花: "带未知输入系统的分布式融合滤波及应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180899A (zh) * | 2020-09-30 | 2021-01-05 | 山东科技大学 | 一种间歇异常测量检测下系统的状态估计方法 |
CN113433903A (zh) * | 2021-06-18 | 2021-09-24 | 杭州电子科技大学 | 一种气动调节阀粘滞特性参数在线估计方法 |
CN115265528A (zh) * | 2022-06-29 | 2022-11-01 | 烟台哈尔滨工程大学研究院 | 基于未知输入观测器的组合导航系统鲁棒抗扰滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110677140B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110677140B (zh) | 一种含未知输入和非高斯量测噪声的随机系统滤波器 | |
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN106950562B (zh) | 一种基于预测值量测转换的状态融合目标跟踪方法 | |
CN103389094B (zh) | 一种改进的粒子滤波方法 | |
CN105136145A (zh) | 一种基于卡尔曼滤波的四旋翼无人机姿态数据融合的方法 | |
CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
CN108319570B (zh) | 一种异步多传感器空时偏差联合估计与补偿方法及装置 | |
CN103776453A (zh) | 一种多模型水下航行器组合导航滤波方法 | |
CN105043388A (zh) | 基于惯性/重力匹配组合导航的向量搜索迭代匹配方法 | |
CN103047982B (zh) | 基于角度信息的目标自适应跟踪方法 | |
CN111623779A (zh) | 一种适用于噪声特性未知的时变系统自适应级联滤波方法 | |
CN103973263A (zh) | 一种新的逼近滤波方法 | |
CN110555398A (zh) | 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法 | |
CN110738275A (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN113709662B (zh) | 一种基于超宽带的自主式三维反演定位方法 | |
CN109471192B (zh) | 一种全自动重力测试仪高精度动态数据处理方法 | |
CN112986977A (zh) | 一种克服雷达扩展卡尔曼航迹滤波发散的方法 | |
CN111291319B (zh) | 一种应用于非高斯噪声环境下的移动机器人状态估计方法 | |
CN112946641A (zh) | 一种基于卡尔曼滤波新息与残差相关的数据滤波方法 | |
CN105549003A (zh) | 一种汽车雷达目标跟踪方法 | |
CN107966697B (zh) | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 | |
CN114061592B (zh) | 基于多模型的自适应鲁棒auv导航方法 | |
CN112946697B (zh) | 一种基于深度学习的卫星信号周跳探测与修复方法 | |
CN115906641A (zh) | 一种基于深度学习的imu陀螺仪随机误差补偿方法及装置 | |
CN112241583A (zh) | 一种最小化后验距离的传感器路径优化方法 |
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 |