CN111222214A - 一种改进的强跟踪滤波方法 - Google Patents
一种改进的强跟踪滤波方法 Download PDFInfo
- Publication number
- CN111222214A CN111222214A CN201811323476.3A CN201811323476A CN111222214A CN 111222214 A CN111222214 A CN 111222214A CN 201811323476 A CN201811323476 A CN 201811323476A CN 111222214 A CN111222214 A CN 111222214A
- Authority
- CN
- China
- Prior art keywords
- state
- noise
- substituting
- stf
- measurement
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001914 filtration Methods 0.000 title claims description 25
- 238000005259 measurement Methods 0.000 claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 42
- 238000005562 fading Methods 0.000 claims description 21
- 230000015556 catabolic process Effects 0.000 claims description 12
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 230000003190 augmentative effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005183 dynamical system Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 108010046685 Rho Factor Proteins 0.000 claims 1
- 230000008707 rearrangement Effects 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 230000008033 biological extinction Effects 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明提供了一种改进的强跟踪滤波(Strong Tracking Filter,STF)方法,在消除相关噪声的同时,通过系统模型的恒等变换推导出解耦滤波(Decoupling Filter,DF)。DF的实现可以转化为计算高斯加权积分,通过一阶线性化近似法来得出新的EKF算法而实现的。在扩展正交性准则(Extended Orthogonality Principle,EOP)的意义下,推导出渐消因子的自适应调整公式,并引入渐消因子到新的EKF算法中,使EKF实时调整增益矩阵。这就产生了带有随机时滞量测和噪声相关的强跟踪滤波(STF/RDMCN)算法的最终形式。
Description
技术领域
本发明主要涉及目标跟踪领域,尤其涉及一种改进的强跟踪滤波方法。
背景技术
强跟踪滤波是一种被应用于各个领域的自适应滤波算法,强跟踪算法的核心思想是:当滤波器产生状态估计误差时,系统输出的残差序列的均值与幅值也会随之放生变化,这时采用时变的渐消因子实时调整状态预测误差协方差矩阵,进而实时调整滤波方程中的增益矩阵以强迫残差序列满足正交性准则(使得残差序列处处保持相互正交),最终实现滤波器保持对系统实际状态的跟踪。尽管强跟踪滤波及其相关改进算法取得了相当多的理论和实践研究成果,但需要指出的是,目前滤波算法在推导或计算过程中都没有同时考虑过程噪声和量测噪声相关以及量测值具有随机时滞情况,因为它们在处理噪声相关和随机时滞量测下非线性系统的滤波问题缺乏有效的理论支撑;在实际工程中,必然存在噪声相关和量测值随机时滞的情况。因此,研究噪声相关和量测随机时滞条件下的强跟踪滤波算法具有重要的理论价值和现实意义。
发明内容
发明目的:针对现有的强跟踪滤波算法无法同时解决一步随机时滞量测和过程噪声与量测噪声相关条件下的非线性系统滤波问题,本发明提供了一种改进的强跟踪滤波方法。
技术方案:为解决上述技术问题,本发明提供了一种改进的一步随机时滞量测扩展卡尔曼滤波方法。
步骤1:建立状态和量测模型,所述状态和量测模型包括带有噪声相关和一步随机时滞量测的非线性系统模型、正定矩阵构造的伪过程噪声模型、带有噪声相关和一步随机时滞量测的非线性系统的恒等状态空间模型:
其中,所述带有噪声相关和一步随机时滞量测的非线性系统模型的建立过程如下:
其中{xk;k≥0}表示n×1维状态向量,{zk;k≥1}表示m×1维实际量测向量,{yk;k≥1} 表示m×1维可用量测向量,fk(·)和hk(·)是能够无限连续可微分的非线性函数,{wk;k≥0}和{vk;k≥1}是满足协方差矩阵和的相关零均值高斯白噪声序列,δkl表示Kronecker函数,初始状态x0独立于{wk;k≥0} 和{vk;k≥1},表示高斯随机向量满足和{γk;k>1}表示可以取值0-1互不相关伯努利随机变量序列
其中,pk表示k时刻时滞概率。
所述定矩阵构造的伪过程噪声模型建立过程如下:
步骤1.2:为了解耦过程噪声和量测噪声的相关性,引入了一个正定矩阵。
其中,I表示单位矩阵,Rk和Sk分别表示量测噪声vk的协方差和过程噪声 wk的互协方差。因此,我们得到
所述带有噪声相关和一步随机时滞量测的非线性系统的恒等状态空间模型建立过程如下:
zk=hk(xk)+vk,k≥1, (4)
步骤2:由于恒等状态空间模型中所示的非线性系统模型满足过程噪声和量测噪声是互不相关的,因此给出了DF的框架。其次,在此框架的基础上,提出了一种新的基于一阶线性逼近的EKF算法。所述DF的框架的建立包括状态预测和状态更新。
所述DF的框架的建立过程如下:
步骤2.1:继续考虑(3)-(5)中所示的非线性系统模型。将(4)代入(5)中,我们得到
yk+1=(1-γk+1)[hk+1(xk+1)+vk+1]+γk+1[hk(xk)+vk]. (6)
根据等式(6),我们推导DP的框架时需要获得MMSE的前两个时刻 p(xk+1|Yk+1)和p(vk+1|Yk+1)。因此,需要定义一个扩展状态向量,如下所示:
定义均值、协方差和互协方差为
所述状态预测过程如下:
所述状态更新过程如下:
其中Kk是扩展状态的扩展矩阵,且
所述一种新的基于一阶线性逼近的EKF算法实现过程如下所示:
步骤2.2:在(11)-(12)和(15)-(20)中,实现DF的关键是计算(13)-(14)和(21)-(26)中的高斯加权积分。由于fk(·)和hk(·)的非线性,上述积分的计算过程是无法完成的。因此,需要数值近似估计,例如一阶线性化估计。在这里,我们使用带有基于一阶线性化的一步随机时滞量测的EKF来实现DF。
步骤3:标准强跟踪滤波(Strong Tracking Filter,STF)特别适用于这些情况下的非线性状态估计,即模型不确定性,噪声相关和随机时滞量测。然而,上述STF不能直接应用于(1)中所示的非线性系统中,这是因为基于正交性准则选择的残差对是根据没有随机时滞量测结果来计算的。因此,给出了在(1)中的非线性系统中应用的EOP。所述基于EOP的STF模型的建立包括渐消因子的引入与计算和随机时滞量测和噪声相关的STF模型的建立。具体步骤如下所示:
等式(39)是所提出的EKF的性能指标。等式(40)意味着根据(6)和(18)计算的是相互正交的任意选择的残差对。
所述渐消因子的引入与计算过程如下:
步骤3.1:当系统模型准确时,基于给定的可用量测值所提出的 EKF提供了对增广状态的次优估计。然而,当模型不确定时,EKF的估计性能将会很差甚至发散。基本问题是,(18)中所示的增益矩阵不能适应可用测量和预测测量之间残差的变化。为了克服这个问题并使得所提出的EKF具有STF的优良特性,自然的想法是将EOP与所提出的EKF结合以将次优退化因子代入到增广状态的滤波估计中来导出STF/RDMCN。修改后的滤波估计如下:
其中λk+1(λk+1≥1)表示次优退化因子。
将(41)代入(31)中,我们得知状态的预测估计Pk+1|k也同样被相同的次优退化因子改变了。等式(34),(36)-(38)和(17),我们发现STF/RDMCN可以利用时变的渐消因子来破坏的历史状态的影响,并且实时调整增广状态的增益矩阵,以提高滤波的跟踪性能。
然后,下一步的工作是根据EOP确定渐消因子λk+1。
根据(6),(18),(29),(32),(33)和(35),我们得到
用(28)减去(30)得到
将(43)代入(42)得到
使用相似的推导过程,我们得到
将(45)代入(40)得到
其中
根据(15),(8)和(9),我们得到
其中
将(51)代入(47),重新整理(47)得到
其中
其中
当i=1,得到公式(55)的形式,
将(17)代入(60),得到
根据(61),如果选择(41)中的适当的渐消因子λk+1能保证
然后满足EOP。将(19),(34)和(36)代入(62),重新整理(62)得到
将(31)和(41)代入(63),整理(63)得到
为了获取渐消因子λk+1,公式(64)两边引入跟踪后得到:
定义:
因此,等式(67)简化为 tr[λk+1Mk+1]=tr[Nk+1]. (68)
然后,渐消因子λk+1表达式如下
其中ρ(0<ρ≤1)是一个遗忘因子,通常选择ρ=0.95。当λk+1≥1,次优退化因子λk+1才能起作用,因此λk+1可以通过以下方式计算:
所述随机时滞量测和噪声相关的STF模型的建立过程如下:
步骤3.2现在,我们用一阶线性化方法去估计(13)-(14)和(21)-(26)中的积分部分,得到一个新的STF。我们将得到的STF/RDMCN应用到非线性系统模型(1)中,过程如下:
(1)初始化(k=0)
(2)当k=1
第1步:渐消因子的引入与计算
第2步:状态预测
第3步:状态更新
(3)当k>1
第1步:渐消因子的引入与计算
假定在时刻k,滤波估计和残差协方差均已知。在k+1时刻, Mk+1和Nk+1能通过(30),(18),(70),(66)和(67)分别计算得到。将Mk+1和 Nk+1代入(71)得到λk+1。然后,引入λk+1到(41)得到
第2步:状态预测
Pk+1|k通过下式计算得到:
第3步:状态更新
本发明公开了一种改进的强跟踪滤波方法,在消除噪声的相关性的同时,基于恒等模型变换推导出解耦滤波,进而在扩展正交准则的意义下,推导出渐消因子的自适应调整公式,并将其引入到新的EKF算法中,进行实时在线调整增益矩阵。从而有效地降低状态估计误差,获得优于现有STF的估计精度。
有益效果:本发明相对现有技术有以下优点:
1)采用恒等模型变换方法解耦非线性系统中过程噪声和量测噪声的相关性。
2)基于扩展正交性准则,导出噪声相关和量测值存在一步随机时滞情况下解耦STF算法的递推式。
附图说明
图1为本发明所提出的STF/RDMCN和STF/RDM作比较。仿真参数为pk=0.2和Sk=0。两种滤波的RMSEk。
图2为本发明所提出的STF/RDMCN和STF/RDM在Sk=0时RMSEk的均值表。
图3为本发明所提出的STF/RDMCN、STF/RDM和现有的EKF作比较。仿真参数为pk=0.5,Sk=0.5。三种滤波的RMSEk。
图4为本发明所提出的STF/RDMCN、STF/RDM和现有的EKF在Sk=0.5时RMSEk 的均值表。
图5为本发明所提出的STF/RDMCN、STF/RDM和现有的EKF作比较。仿真参数为pk=0.5,Sk=0.5。三种滤波的RMSEk的均值。
图6为本发明所提出的STF/RDMCN、STF/RDM和现有的EKF作比较。仿真参数为pk=0.1,0.2,...,0.9和Sk=0.5。三种滤波的RMSEk的均值。
图7为本发明所提出的STF/RDMCN、STF/RDM和现有的EKF作比较。仿真参数为pk=0.5和Sk=0.1,0.2,...,0.9。三种滤波的RMSEk的均值。图8为本发明的系统流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
其中{xk;k≥0}表示n×1维状态向量,{zk;k≥1}表示m×1维实际量测向量,{yk;k≥1} 表示m×1维可用量测向量,fk(·)和hk(·)是能够无限连续可微分的非线性函数,{wk;k≥0}和{vk;k≥1}是满足协方差矩阵和的相关零均值高斯白噪声序列,δkl表示Kronecker函数,初始状态x0独立于{wk;k≥0} 和{vk;k≥1},表示高斯随机向量满足和{γk;k>1}表示可以取值 0-1互不相关伯努利随机变量序列
其中,pk表示k时刻时滞概率。
步骤1.2:为了解耦过程噪声和量测噪声的相关性,引入了一个正定矩阵。
I表示单位矩阵,Rk和Sk分别表示量测噪声vk的协方差和过程噪声wk的互协方差。因此,我们得到
zk=hk(xk)+vk,k≥1, (4)
步骤2:由于恒等状态空间模型中所示的非线性系统模型满足过程噪声和量测噪声是互不相关的,因此给出了DF的框架。其次,在此框架的基础上,提出了一种新的基于一阶线性逼近的EKF算法。
步骤2.1:继续考虑(3)-(5)中所示的非线性系统模型。将(4)代入(5)中,我们得到
yk+1=(1-γk+1)[hk+1(xk+1)+vk+1]+γk+1[hk(xk)+vk]. (6)
根据等式(6),我们推导DP的框架时需要获得MMSE的前两个时刻 p(xk+1|Yk+1)和p(vk+1|Yk+1)。因此,需要定义一个扩展状态向量,如下所示:
定义均值、协方差和互协方差为
其中Kk是扩展状态的扩展矩阵,且
步骤2.2:在(11)-(12)和(15)-(20)中,实现DF的关键是计算(13)-(14)和 (21)-(26)中的高斯加权积分。由于fk(·)和hk(·)的非线性,上述积分的计算过程是无法完成的。因此,需要数值近似估计,例如一阶线性化估计。在这里,我们使用带有基于一阶线性化的一步随机时滞量测的EKF来实现DF。
步骤3:标准强跟踪滤波(Strong Tracking Filter,STF)特别适用于这些情况下的非线性状态估计,即模型不确定性,噪声相关和随机时滞量测。然而,上述STF不能直接应用于(1)中所示的非线性系统中,这是因为基于正交性准则选择的残差对是根据没有随机时滞量测结果来计算的。因此,给出了在(1)中的非线性系统中应用的EOP。
等式(39)是所提出的EKF的性能指标。等式(40)意味着根据(6)和(18)计算的是相互正交的任意选择的残差对。
步骤3.1:当系统模型准确时,基于给定的可用量测值所提出的EKF提供了对增广状态的次优估计。然而,当模型不确定时,EKF的估计性能将会很差甚至发散。基本问题是,(18)中所示的增益矩阵不能适应可用测量和预测测量之间残差的变化。为了克服这个问题并使得所提出的EKF具有STF的优良特性,自然的想法是将EOP与所提出的EKF结合以将次优退化因子代入到增广状态的滤波估计中来导出STF/RDMCN。修改后的滤波估计如下:
其中λk+1(λk+1≥1)表示次优退化因子。
将(41)代入(31)中,我们得知状态的预测估计Pk+1|k也同样被相同的次优退化因子改变了。等式(34),(36)-(38)和(17),我们发现STF/RDMCN可以利用时变的渐消因子来破坏的历史状态的影响,并且实时调整增广状态的增益矩阵,以提高滤波的跟踪性能。
根据(6),(18),(29),(32),(33)和(35),我们得到
用(28)减去(30)得到
将(43)代入(42)得到
使用相似的推导过程,我们得到
将(45)代入(40)得到
其中
根据(15),(8)和(9),我们得到
其中
将(51)代入(47),重新整理(47)得到
其中
其中
当i=1,得到公式(55)的形式,
将(17)代入(60),得到
根据(61),如果选择(41)中的适当的渐消因子λk+1能保证
然后满足EOP。将(19),(34)和(36)代入(62),重新整理(62)得到
将(31)和(41)代入(63),整理(63)得到
为了获取渐消因子λk+1,公式(64)两边引入跟踪后得到:
定义:
因此,等式(67)简化为
tr[λk+1Mk+1]=tr[Nk+1]. (68)
然后,渐消因子λk+1表达式如下
其中ρ(0<ρ≤1)是一个遗忘因子,通常选择ρ=0.95。当λk+1≥1,次优退化因子λk+1才能起作用,因此λk+1可以通过以下方式计算:
步骤3.2现在,我们用一阶线性化方法去估计(13)-(14)和(21)-(26)中的积分部分,得到一个新的STF。我们将得到的STF/RDMCN应用到非线性系统模型(1)中,过程如下:
1)初始化(k=0)
2)当k=1
第1步:渐消因子的引入与计算
第2步:状态预测
第3步:状态更新
3)当k>1
第1步:渐消因子的引入与计算
假定在时刻k,滤波估计和残差协方差均已知。在k+1时刻, Mk+1和Nk+1能通过(30),(18),(70),(66)和(67)分别计算得到。将Mk+1和 Nk+1代入(71)得到λk+1。然后,引入λk+1到(41)得到
第2步:状态预测
Pk+1|k通过下式计算得到:
第3步:状态更新
以下叙述均针对实际工作中的情况。
1)条件及参数设置
所提出的STF/RDMCN和STF/RDM作比较。仿真参数为pk=0.2和Sk=0。
2)仿真结果分析
所提出的STF/RDMCN的估计效果与STF/RDM一样。原因是Sk=0意味着wk与vk不相关,且所提出的STF/RDMCN可以降解为STF/RDM。也就是说,无论噪声相关与否,所提出的STF/RDMCN都可以解决这两种情况的滤波问题。因此,STF/RDM具有更广泛的应用。所提出的STF/RDMCN和STF/RDM在Sk=0时 RMSEk的均值由图1图2展示。
1)参数设置
本发明所提出的STF/RDMCN、STF/RDM和现有的EKF作比较。仿真参数为 pk=0.5,Sk=0.5。
2)仿真结果分析
在估计精度方面STF/RDMCN和STF/RDM比现有的EKF更好,这是由于STF/RDMCN和STF/RDM通过渐消因子自适应增加,可以及时发现残差的增加,提高估计精度,而现有的EKF不适应残差的增加。而且,RMSEk的均值和STF/RDMCN的渐消因子均值比STF/RDM的小。对比STF/RDM,和所提出的STF/RDMCN,可以通过较少调整渐消因子来反映残差的变化。这意味着不像STF/RDM,所提出的STF/RDMCN可以通过较小的渐消因子削弱累积估计误差的影响,以保证更好的跟踪精度。结果由图3,图4和图5展示。
1)参数设置
本发明所提出的STF/RDMCN、STF/RDM和现有的EKF作比较。仿真参数为 pk=0.1,0.2,...,0.9和Sk=0.5。三种滤波的RMSEk的均值。
2)仿真结果分析
随着p值增加,现有的EKF的均值增加,所提出的STF/RDMCN和 STF/RDM减少,所提出的STF/RDMCN的均值比STF/RDM和现有的EKF的都小。这个数据表明,在时滞概率p中选择较大值的前提下,所提出的STF/RDMCN 比其他两种滤波,具有更好的滤波效果。结果由图6展示。
1)参数设置
本发明所提出的STF/RDMCN、STF/RDM和现有的EKF作比较。仿真参数为 pk=0.5和Sk=0.1,0.2,...,0.9。
2)仿真结果分析
现有的EKF的均值是最差的,意味着所提出的STF/RDMCN和STF/RDM 具有更好的跟踪精度。进一步说明,无论相关参数Sk是否有大范围的变换,所提出的STF/RDMCN的效果都更好。结果由图7展示。
图8为本发明的系统流程图。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种改进的强跟踪滤波方法,其特征在于包括下述步骤:
步骤1:建立状态和量测模型,所述状态和量测模型包括带有噪声相关和一步随机时滞量测的非线性系统模型、正定矩阵构造的伪过程噪声模型、带有噪声相关和一步随机时滞量测的非线性系统的恒等状态空间模型:
其中,所述建立带有噪声相关和一步随机时滞量测的非线性系统模型过程如下:
步骤1.1:考虑离散时间非线性随机系统
其中{xk;k≥0}表示n×1维状态向量,{zk;k≥1}表示m×1维实际量测向量,{yk;k≥1}表示m×1维可用量测向量,fk(·)和hk(·)是能够无限连续可微分的非线性函数,{wk;k≥0}和{vk;k≥1}是满足协方差矩阵和的相关零均值高斯白噪声序列,δkl表示Kronecker函数,初始状态x0独立于{wk;k≥0}和{vk;k≥1},表示高斯随机向量满足和{γk;k>1}表示可以取值0-1互不相关伯努利随机变量序列
其中,pk表示k时刻时滞概率,
所述定矩阵构造的伪过程噪声模型建立过程如下:
步骤1.2:为了解耦过程噪声和量测噪声的相关性,引入了一个正定矩阵,
I表示单位矩阵,Rk和Sk分别表示量测噪声vk的协方差和过程噪声wk的互协方差,因此,我们得到
所述带有噪声相关和一步随机时滞量测的非线性系统的恒等状态空间模型建立过程如下:
zk=hk(xk)+vk,k≥1, (4)
步骤2:由于恒等状态空间模型中所示的非线性系统模型满足过程噪声和量测噪声是互不相关的,因此给出了DF的框架,其次,在此框架的基础上,提出了一种新的基于一阶线性逼近的EKF算法,所述DF的框架的建立包括状态预测和状态更新,
所述DF的框架的建立过程如下:
步骤2.1:继续考虑(3)-(5)中所示的非线性系统模型,将(4)代入(5)中,我们得到
yk+1=(1-γk+1)[hk+1(xk+1)+vk+1]+γk+1[hk(xk)+vk]. (6)
根据等式(6),我们推导DP的框架时需要获得MMSE的前两个时刻p(xk+1|Yk+1)和p(vk+1|Yk+1),因此,需要定义一个扩展状态向量,如下所示:
定义均值、协方差和互协方差为
所述状态预测过程如下:
所述状态更新过程如下:
其中Kk是扩展状态的扩展矩阵,且
所述一种新的基于一阶线性逼近的EKF算法实现过程如下所示:
步骤2.2:在(11)-(12)和(15)-(20)中,实现DF的关键是计算(13)-(14)和(21)-(26)中的高斯加权积分,由于fk(·)和hk(·)的非线性,上述积分的计算过程是无法完成的,因此,需要数值近似估计,例如一阶线性化估计,在这里,我们使用带有基于一阶线性化的一步随机时滞量测的EKF来实现DF,
步骤3:标准强跟踪滤波(Strong Tracking Filter,STF)特别适用于这些情况下的非线性状态估计,即模型不确定性,噪声相关和随机时滞量测,然而,上述STF不能直接应用于(1)中所示的非线性系统中,这是因为基于正交性准则选择的残差对是根据没有随机时滞量测结果来计算的,因此,给出了在(1)中的非线性系统中应用的EOP,所述基于EOP的STF模型的建立包括渐消因子的引入与计算和随机时滞量测和噪声相关的STF模型的建立,具体步骤如下所示:
等式(39)是所提出的EKF的性能指标,等式(40)意味着根据(6)和(18)计算的是相互正交的任意选择的残差对,
所述渐消因子的引入与计算过程如下:
步骤3.1:当系统模型准确时,基于给定的可用量测值所提出的EKF提供了对增广状态的次优估计,然而,当模型不确定时,EKF的估计性能将会很差甚至发散,基本问题是,(18)中所示的增益矩阵不能适应可用测量和预测测量之间残差的变化,为了克服这个问题并使得所提出的EKF具有STF的优良特性,自然的想法是将EOP与所提出的EKF结合以将次优退化因子代入到增广状态的滤波估计中来导出STF/RDMCN,修改后的滤波估计如下:
其中λk+1(λk+1≥1)表示次优退化因子,
将(41)代入(31)中,我们得知状态的预测估计Pk+1|k也同样被相同的次优退化因子改变了,等式(34),(36)-(38)和(17),我们发现STF/RDMCN可以利用时变的渐消因子来破坏的历史状态的影响,并且实时调整增广状态的增益矩阵,以提高滤波的跟踪性能,
然后,下一步的工作是根据EOP确定次优衰落因子λk+1,
根据(6),(18),(29),(32),(33)和(35),我们得到
用(28)减去(30)得到
将(43)代入(42)得到
使用相似的推导过程,我们得到
将(45)代入(40)得到
其中
根据(15),(8)和(9),我们得到
其中
将(51)代入(47),重新整理(47)得到
其中
其中
当i=1,得到公式(55)的形式,
将(17)代入(60),得到
根据(61),如果选择(41)中的适当的渐消因子λk+1能保证
然后满足EOP,将(19),(34)和(36)代入(62),重新整理(62)得到
将(31)和(41)代入(63),整理(63)得到
为了获取渐消因子λk+1,公式(64)两边引入跟踪后得到:
定义:
因此,等式(67)简化为
tr[λk+1Mk+1]=tr[Nk+1]. (68)
然后,渐消因子λk+1表达式如下
其中ρ(0<ρ≤1)是一个遗忘因子,通常选择ρ=0.95,当λk+1≥1,次优退化因子λk+1才能起作用,因此λk+1可以通过以下方式计算:
所述随机时滞量测和噪声相关的STF模型的建立过程如下:
步骤3.2现在,我们用一阶线性化方法去估计(13)-(14)和(21)-(26)中的积分部分,得到一个新的STF,我们将得到的STF/RDMCN应用到非线性系统模型中,过程如下:
1)初始化(k=0)
2)当k=1
第1步:渐消因子的引入与计算
第2步:状态预测
第3步:状态更新
3)当k>1
第1步:渐消因子的引入与计算
假定在时刻k,滤波估计和残差协方差均已知,在k+1时刻, Mk+1和Nk+1能通过(30),(18),(70),(66)和(67)分别计算得到,将Mk+1和Nk+1代入(71)得到λk+1,然后,引入λk+1到(41)得到第2步:状态预测
Pk+1|k通过下式计算得到:
第3步:状态更新
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811323476.3A CN111222214A (zh) | 2018-11-08 | 2018-11-08 | 一种改进的强跟踪滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811323476.3A CN111222214A (zh) | 2018-11-08 | 2018-11-08 | 一种改进的强跟踪滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222214A true CN111222214A (zh) | 2020-06-02 |
Family
ID=70805358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811323476.3A Pending CN111222214A (zh) | 2018-11-08 | 2018-11-08 | 一种改进的强跟踪滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222214A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112653410A (zh) * | 2020-12-15 | 2021-04-13 | 中国地质大学(武汉) | 噪声相关和量测一步随机延时系统高斯滤波器的设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777426A (zh) * | 2015-04-17 | 2015-07-15 | 河海大学 | 一种基于无迹变换强跟踪的发电机动态状态估计方法 |
CN105356860A (zh) * | 2015-07-01 | 2016-02-24 | 西北工业大学 | 改进的强跟踪平方根容积卡尔曼滤波方法 |
US20160105667A1 (en) * | 2014-10-11 | 2016-04-14 | Superd Co., Ltd. | Method and apparatus for object tracking and 3d display based thereon |
-
2018
- 2018-11-08 CN CN201811323476.3A patent/CN111222214A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160105667A1 (en) * | 2014-10-11 | 2016-04-14 | Superd Co., Ltd. | Method and apparatus for object tracking and 3d display based thereon |
CN104777426A (zh) * | 2015-04-17 | 2015-07-15 | 河海大学 | 一种基于无迹变换强跟踪的发电机动态状态估计方法 |
CN105356860A (zh) * | 2015-07-01 | 2016-02-24 | 西北工业大学 | 改进的强跟踪平方根容积卡尔曼滤波方法 |
Non-Patent Citations (1)
Title |
---|
HONGTAO YANG等: ""WStrong Tracking Filter for Nonlinear Systems with Randomly Delayed Measurements and Correlated Noises"", 《MATHEMATICAL PROBLEMS IN ENGINEERING》, 7 February 2018 (2018-02-07) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112653410A (zh) * | 2020-12-15 | 2021-04-13 | 中国地质大学(武汉) | 噪声相关和量测一步随机延时系统高斯滤波器的设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508510B (zh) | 一种基于改进的卡尔曼滤波的铷原子钟参数估计算法 | |
CN108512528B (zh) | 一种cim函数下的比例控制和归一化lmp滤波方法 | |
CN107947761A (zh) | 基于最小均方四阶的变阈值比例更新自适应滤波算法 | |
CN111222214A (zh) | 一种改进的强跟踪滤波方法 | |
CN113467236B (zh) | 一种对误差信号进行时滞补偿的方法 | |
CN110855269A (zh) | 一种自适应滤波的系数更新方法 | |
CN117896468A (zh) | 一种用于电话通信的偏差补偿回声消除方法及系统 | |
CN110048694A (zh) | 基于变元步长的随机傅里叶特征核最小均方算法 | |
Wigren | Loop‐shaping feedback and feedforward control for networked systems with saturation and delay | |
Choi et al. | Online state–space modeling using recurrent multilayer perceptrons with unscented kalman filter | |
CN112230552B (zh) | 针对离散时间多智能体博弈的抗干扰控制方法 | |
CN1310186C (zh) | 一种神经网络均衡器的优化训练方法 | |
Sturm et al. | Force reconstruction using an adaptive algorithm in time domain | |
Apley et al. | Cautious control of industrial process variability with uncertain input and disturbance model parameters | |
Gao et al. | Spline Adaptive Filtering Algorithm-based Generalized Maximum Correntropy and its Application to Nonlinear Active Noise Control | |
Rehr et al. | On the bias of adaptive First-Order recursive smoothing | |
Hübscher et al. | A model for the behavior of the least mean kurtosis (LMK) adaptive algorithm with Gaussian inputs | |
Zhu | Estimation of nonlinear ARX models | |
Ahmed et al. | Dynamic observers—a neural net approach | |
Wei et al. | Variable tap-length LMS algorithm with variable tap-length adaptation step size | |
CN114172490B (zh) | 一种基于Ekblom范数的鲁棒自适应噪声消除方法 | |
CN113724680B (zh) | 一种基于最大相关熵准则的主动噪声控制算法 | |
Shamsi et al. | A Flexible Approach to Interference Cancellation in Distributed Sensor Networks | |
Grimble et al. | Nonlinear Estimation Methods: Polynomial Systems Approach | |
Gentsch et al. | Real-time estimation of parameter maps |
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 |