CN112989260A - 一种自动加料称重系统的交互式多模型滤波方法 - Google Patents

Abstract

本发明涉及一种自动加料称重系统的交互式多模型滤波方法，包括：构建称重结构的物理模型及其状态方程和量测方程；构建状态方程和量测方程的参数的交互式多模型；根据交互式多模型对应的状态方程，计算每个模型的混合状态估计值与混合协方差估计值；对输入每个模型进行无迹卡尔曼滤波，输出当前时刻每个模型对应的状态估计值和协方差估计值；计算各模型的适用权重值，最终更新每个模型的概率矩阵；根据模型概率对每个模型的滤波结果加权合并，输出当前时刻的最优状态估计值和对应的状态估计协方差；多模型间切换可以准确地估计出物料的真实重量，进而能准确地切换粗细加料和切断加料，以此达到提高打包效率的同时，保证称重精度的要求。

Description

一种自动加料称重系统的交互式多模型滤波方法

技术领域

本发明涉及自动加料称重领域，尤其涉及一种自动加料称重系统的交互式多模型滤波方法。

背景技术

目前，在食品、工业原料、药品和金属五金等领域，许多生产线的后端都有自动加料称重包装这一环节，称重的速度和精度是这一环节的保障。而研究如何快速地从非稳态的动态称重信号中估计出被称物的真实重量，以减少干扰噪声对动态称重精度的影响，是这个环节的难点。有很多学者提出了提高称重精度的方法，主要有经验模拟分解法、卡尔曼滤波法、神经网络与噪声模型辨识法和小波滤波法等方法，每种方法不同程度地提高了称重精度，但是都有各自的不足。经验模态分解法易于实现，但设计者的经验知识对辨识参数有很大的影响，神经网络与噪声模型参数的结合，提高数据处理精度，该方法需要的测量样本大，且速度慢，小波变换滤波只能滤除部分的噪声，不能满足满足动态称重高精度的需求。

目前，最为常见的动态称重滤波方法是基于卡尔曼的改进算法,扩展卡尔曼，无迹卡尔曼和蒙特卡罗卡尔曼等都采用不同的方法计算均值和均方差，实现动态状态的最有估计，卡尔曼滤波堪称经典，但是在自动加料称重系统中，为了满足称重的速度和精度要求，加料过程分为粗加、粗细切换和细加三个阶段，通过单一模型卡尔曼滤波，与实际的自动加料称重模型不吻合。

发明内容

本发明针对现有技术中存在的技术问题，提供一种自动加料称重系统的交互式多模型滤波方法，解决现有技术中模型不吻合的问题。

本发明解决上述技术问题的技术方案如下：一种自动加料称重系统的交互式多模型滤波方法，所述方法包括：

步骤1，构建称重结构的物理模型及其状态方程和量测方程；

步骤2，构建所述状态方程和量测方程的参数的交互式多模型；

步骤3，根据所述交互式多模型对应的状态方程，将前一时刻的最优状态估计值、模型概率以及状态转移概率作为输入，计算每个模型的混合状态估计值与混合协方差估计值；

步骤4，对输入每个模型的混合状态估计值、混合协方差估计值和测量值进行无迹卡尔曼滤波，输出当前时刻每个模型对应的状态估计值和协方差估计值；

步骤5，采用极大似然函数来计算各模型的适用权重值，最终更新每个模型的概率矩阵；

步骤6，根据模型概率对每个模型的滤波结果加权合并，输出当前时刻的最优状态估计值和对应的状态估计协方差；

步骤7，将所述步骤6得到的最优状态估计值分别粗细加料切换值和包装值比较，如果所述最优状态估计值和粗细加料切换值的差在阈值范围之内，通过控制系统分别调整加料流量或者切断加料；如果所述最优状态估计值和所述包装纸的差在阈值范围之内，则结束该流程；重复执行所述步骤3- 步骤7。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1构建的所述物理模型为:

[M(t)-M_d+m]x″+cx′+Kx＝[M(t)-M_d]g+F(t)；

其中，M(t)为加进料斗的物料质量，t为时间，M_d为空中飞料的质量，m为称体的质量，x为秤体相对参考零点的位移，c为等效阻尼系数，K为等效刚度，g为重力加速度，F(t)为物料下落的冲击力；

状态量为X＝[x x′]^T，采样周期为Δt,所述状态方程和量测方程为：

其中，k为第k个时刻，Y为量测值，w为过程噪声,v为量测噪声， H＝[C 0]，C为标定常数，

进一步，所述步骤2中，所述交互式多模型包括:粗给料模型、粗细给料切换模型和细给料模型；

粗给料过程的模型参数方程为：

粗细给料切换过程的模型参数方程为：

粗给料过程的模型参数方程为：

进一步，所述步骤3中将K-1时刻的最优状态估计值

对应的状态估计协方差

模型概率

以及状态转移概率p_ij作为输入，计算每个模型的混合状态估计值

与混合协方差估计值

为：

进一步，采用隐马尔可夫链估计所述转移概率p_ij，隐马尔科夫模型由马尔可夫链和一个随机过程组，利用最大化辅助Baum函数在线递推估计过程参数；

随机过程为观测序列的先验概率，即称重测量值和各滤波模型之间的先验概率；

由最大化辅助Baum函数估计出隐马尔科夫模型的转移概率p_ij为：

其中，

表示t时刻处于模型i的概率，具体为称重测量值和各滤波模型之间的先验概率；

表示t时刻处于模型i而t+1时刻将处于模型j的概率。

进一步，，所述步骤4中进行无迹卡尔曼滤波的方法包括：

步骤401，选定滤波的初始状态值X0，Y0和协方差矩阵P0；

步骤402，计算k-1时刻的Sigma样本点集；

步骤403，根据选取的采样策略构造Sigma点集，计算每个模型j的状态量预测值

和方差预测值

步骤404，根据观测方程，计算每个模型j的测量预测值和协方差。

步骤405，更新滤波增益矩阵和滤波值。

进一步，所述步骤402中，采用对称采样方案计算Sigma点，并对Sigma 点进行比例修正：

其中,n为状态量的维数,λ＝α²(n+δ)-n,α为比例修正因子，δ为次级尺度调节因子，

是加权协方差矩阵的平方根矩阵的第i列；

所述步骤403计算每个模型j的状态量预测值

和方差预测值

的公式为：

其中，Q_k为系统噪声的方差，无迹变换的权值系数计算公式为：

β为设定参数。

进一步，所述步骤404中根据观测方程，计算每个模型j的测量预测值和协方差的公式为：

其中，R_k为量测噪声方差；

所述步骤405中，更新滤波增益矩阵和滤波值的计算公式为：

进一步，所述步骤5中，每个模型j的概率

其中，

滤波残差

与其协方差

为：

其中，

为量测噪声方差。

进一步，所述步骤6中根据模型概率

对每个模型的滤波结果

加权合并，输出当前时刻的最优状态估计值

和对应的状态估计协方差P_X,k/k的计算公式为：

采用上述方案的有益效果是：多模型间切换可以准确地估计出物料的真实重量，进而能准确地切换粗细加料和切断加料，以此达到提高打包效率的同时，保证称重精度的要求。

附图说明

图1为本发明实施例提供的一种自动加料称重系统的结构示意图；

图2为本发明实施例提供的一种自动加料称重等效为的质量弹性阻尼系统的结构示意图；

图3为本发明实施例提供的一种自动加料称重系统的交互式多模型滤波方法的流程图；

图4为本发明实施例提供的一种自动加料称重系统的交互式多模型滤波系统的工作原理示意图；

图5为本发明实施例提供的基于IMM算法的自动加料称重模型的后验模式概率示意图；

图6为本发明实施例提供的几种算法仿真结果局部细节示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

交互式多模型能够很好地描述时变系统的动态情况，具体为设计一个含有多个子模型的模型集，其中每个模型都是被检测目标一种动态模式的描述，模型之间通过马尔可夫切换系数相互联系。在每一时刻，通过计算当前时刻各个子模型的混合概率来对所有子模型滤波器的滤波结果进行加权，从而得到对当前目标状态的估计结果。而在自动加料过程中，加料速度太快, 冲击太大,不易保证称重精度；相反,加料速度慢可以保证精度,但却不能满足生产的需求。通常给料初期以较大速度粗给料，以提高称重速度，在给料的后期以较慢的速度给料，以保证最终的包装精度，交互式多模型通过模型间切换可以准确地估计出物料的真实重量，从而能准确地确定粗细给料切换点和关门提前量，实现系统在保证称重精度的前提下实现高速度称量。

自动加料称重系统主要由称重料斗、称重传感器以及测量控制部分构成，其结构如图1所示。利用弹性元件的弹力与被测物体的重力达到平衡来测量物体的质量，称重传感器用电阻应变片式，称重系统可等效为如图2所示的质量弹性阻尼系统,电阻应变式传感器的弹性敏感元件把被测物的重量转变成弹性体的应变值,把弹性体的应变同步地转换成电阻值的变化,最终通过桥电路转换成电压以便控制器处理。

如图3所示为本发明提供的一种自动加料称重系统的交互式多模型滤波方法的流程图，由图3可知，该方法包括：

步骤1，构建称重结构的物理模型及其状态方程和量测方程。

步骤2，构建状态方程和量测方程的参数的交互式多模型。

步骤3，根据交互式多模型对应的状态方程，将前一时刻的最优状态估计值、模型概率以及状态转移概率作为输入，计算每个模型的混合状态估计值与混合协方差估计值。

步骤4，对输入每个模型的混合状态估计值、混合协方差估计值和测量值进行无迹卡尔曼滤波，输出当前时刻每个模型对应的状态估计值和协方差估计值。

步骤5，采用极大似然函数来计算各模型的适用权重值，最终更新每个模型的概率矩阵。

步骤6，根据模型概率对每个模型的滤波结果加权合并，输出当前时刻的最优状态估计值和对应的状态估计协方差。

步骤7，将步骤6得到的最优状态估计值分别粗细加料切换值和包装值比较，如果最优状态估计值和粗细加料切换值的差在阈值范围之内，通过控制系统分别调整加料流量或者切断加料；如果最优状态估计值和包装纸的差在阈值范围之内，则结束该流程；重复执行步骤3-步骤7。

本发明提供一种自动加料称重系统的交互式多模型滤波方法，多模型间切换可以准确地估计出物料的真实重量，进而能准确地切换粗细加料和切断加料，以此达到提高打包效率的同时，保证称重精度的要求。

实施例1

本发明提供的实施例1为本发明提供的一种自动加料称重系统的交互式多模型滤波方法的实施例，本发明实施例要解决的技术问题是针对自动加料系统中，加料速度太快，不易保证称重精度，加料速度太慢，效率太低的矛盾，提供一种自动加料称重系统的交互式多模型滤波方法，通过多模型间切换可以准确地估计出物料的真实重量，进而能准确地切换粗细加料和切断加料。最后以某粮机厂自动称重打包设备为平台,采样周期可以为0.1s，5kg,10kg和15kg的采样数据进行交互式多模型无迹卡尔曼滤波，并与卡尔曼估计值和无迹卡尔曼估计值的均方根误差，稳定时间与稳定误差进行比较，结果验证了本发明在提高加料速度的情况下，还可以提高称重精度。

结合图3可知，该方法的实施例包括：

步骤1，构建称重结构的物理模型及其状态方程和量测方程。

优选的，根据沉重系统的工作原理抽象出其物理模型，称重系统可等效为一个弹性阻尼系统,通过对其机械结构分析可得出，称重结构的物理模型为:

[M(t)-M_d+m]x″+cx′+Kx＝[M(t)-M_d]g+F(t)。

其中，M(t)为加进料斗的物料质量，t为时间，M_d为空中飞料的质量， m为称体的质量，x为秤体相对参考零点的位移；c为等效阻尼系数，优选地,取0.03～0.05；K为等效刚度，优选地,取100n/mm～200N/mm；g为重力加速度，F(t)为物料下落的冲击力。

理想状态下，将加进料斗的物料引起秤体的相对位移为状态量x和速度 x′看作状态参数，状态量为X＝[x x′]^T，采样周期为Δt，本实施例中，取0.1s，实际量测值受冲击力和空中飞料的影响，具体构建的系统状态方程和量测方程为：

其中，k为第k个时刻，Y为量测值，w为过程噪声,v为量测噪声， H＝[C 0]，C为标定常数，

步骤2，构建状态方程和量测方程的参数的交互式多模型。

优选的，步骤2中，在整个称重过程中，[t,t+Δt]时间段内,由于物料不断下落,物料在称体上的质量变化M，冲击力大小F和空中飞料量w_d分别如下式所示：

其中，N为驱动装置的转速，d为常数，与物料的属性和给料装置的几何参数有关，h为物料的落差高度。设给料口到称重斗底部的距离为H₁，称重斗内物料的堆积高度为h1，给料口到称重斗内料面的距离h，称重斗内物料的堆积高度h1与斗内物料重量W成正比，在具体估算过程中取前一时刻的物料重量估计值，具体如下式所示：h(t)＝H₁-k₁M(t)g，k₁为物料重量与高度的比例关系。

给料初期以较大速度粗给料，以提高称重速度，在给料的后期以较慢的速度给料，以保证最终的包装精度，只有实时准确的滤波模型，才能准确地确定粗细给料切换点和关门提前量，系统在保证称重精度的前提下实现高速度称量。因此，根据加料的过程，自动加料称重滤波模型分为粗给料模型、粗细给料切换模型和细给料模型。

粗给料过程的模型参数方程为：

粗细给料切换过程的模型参数方程为：

粗给料过程的模型参数方程为：

步骤3，根据交互式多模型对应的状态方程，将前一时刻的最优状态估计值、模型概率以及状态转移概率作为输入，计算每个模型的混合状态估计值与混合协方差估计值。

优选的，步骤3中根据系统的r个模型状态方程,将K-1时刻的最优状态估计值

对应的状态估计协方差

模型概率

以及状态转移概率p_ij作为输入，计算每个模型的混合状态估计值

与混合协方差估计值

为：

具体的，传统交互式多模型算法中，根据经验设定好马尔科夫状态转移概率，为了减少主观性，提高算法鲁棒性，本发明实施例采用隐马尔可夫链估计所述转移概率p_ij，隐马尔科夫模型由马尔可夫链和一个随机过程组，利用最大化辅助Baum函数在线递推估计过程参数；，以实现对未知状态转移概率的自适应，解决了粗细给料切换区间时变状态转移概率的自适应问题。

根据加料过程，所述马尔可夫链可表示为：

称重的测量值能够粗略地反应加料的过程和对应的动态值，随机过程为观测序列的先验概率，即称重测量值和各滤波模型之间的先验概率。

由最大化辅助Baum函数估计出隐马尔科夫模型的转移概率p_ij为：

其中，

表示t时刻处于模型i的概率，具体为称重测量值和各滤波模型之间的先验概率；

表示t时刻处于模型i而t+1时刻将处于模型j的概率。

引入了以前时刻的信息，影响称重的实时性，采用当前时刻隐马尔科夫状态转移概率矩阵的一次估计作为当前时刻模型转移概率。

其中，

表示t时刻处于模型i的概率，具体为称重测量值和各滤波模型之间的先验概率；；

表示t时刻处于模型i而t+1时刻将处于模型j的概率。

采用当前时刻隐马尔科夫状态转移概率矩阵的一次估计作为当前时刻模型转移概率。

步骤4，对输入每个模型的混合状态估计值、混合协方差估计值和测量值进行无迹卡尔曼滤波，输出当前时刻每个模型对应的状态估计值和协方差估计值。

优选的，交互式多模型无迹卡尔曼滤波包括构造Sigma点，预测和更新三个步骤，进行无迹卡尔曼滤波的方法包括：

步骤401，选定滤波的初始状态值X0，Y0和协方差矩阵P0。

步骤402，计算k-1时刻的Sigma样本点集。

具体的，采用对称采样方案计算Sigma点，为了避免采样时的非局部效应和高阶项误差，并对Sigma点进行比例修正，具体如下式所示：

其中,n为状态量的维数,λ＝α²(n+δ)-n,α为比例修正因子,通常取值范围为[0.0001,1],δ为次级尺度调节因子，通常设置为0，

是加权协方差矩阵的平方根矩阵的第i列。

步骤403，根据选取的采样策略构造Sigma点集，计算每个模型j的状态量预测值

和方差预测值

具体的，计算每个模型j的状态量预测值

和方差预测值

的公式为：

其中，Q_k为系统噪声的方差，无迹(UT)变换的权值系数计算公式为：

β为设定参数，对于高斯分布，最优取2。

步骤404，根据观测方程，计算每个模型j的测量预测值和协方差。

具体的，根据观测方程，计算每个模型j的测量预测值和协方差的公式为：

其中，R_k为量测噪声方差。

步骤405，更新滤波增益矩阵和滤波值。

具体的，步骤405中，更新滤波增益矩阵和滤波值的计算公式为：

步骤5，采用极大似然函数来计算各模型的适用权重值，最终更新每个模型的概率矩阵。

为了实现模型概率更新，采用极大似然函数来计算各模型j的适用权重值，每个模型j的概率

其中，

滤波残差

与其协方差

为：

其中，

为量测噪声方差。

步骤6，根据模型概率对每个模型的滤波结果加权合并，输出当前时刻的最优状态估计值和对应的状态估计协方差。

优选的，根据模型概率

对每个模型的滤波结果

加权合并，输出当前时刻的最优状态估计值

和对应的状态估计协方差P_X,k/k的计算公式为：

步骤7，将步骤6得到的最优状态估计值分别粗细加料切换值和包装值比较，如果最优状态估计值和粗细加料切换值的差在阈值范围之内，通过控制系统分别调整加料流量或者切断加料；如果最优状态估计值和包装纸的差在阈值范围之内，则结束该流程；重复执行步骤3-步骤7。

如图4所示为本发明实施例提供的一种自动加料称重系统的交互式多模型滤波系统的工作原理示意图。

实施例2

本发明提供的实施例2为本发明提供的一种自动加料称重系统的交互式多模型滤波方法的具体应用实施例，为了验证本算法的动态性能，本文以某粮机厂自动称重打包设备为平台,采样周期为0.1s，15kg的采样数据进行卡尔曼,无迹卡尔曼,交互式多模型卡尔曼和交互式多模型无迹卡尔曼滤波，利用IMM算法获得的自动加料称重各模型的后验模式概率如图5所示。可以看出IMM算法能自适应地辨识自动加料真实的动态称重状态，尤其在初始加料和粗细加料切换区间过程受冲击力，空中飞料量和系统振动的影响，无法和单一模型吻合，通过自适应多模型交互，快速准确地确定粗细加料切换值。

从实际工程应用角度出发，滤波目的是保证称重精度的前提下实现高速度称量,为此，用加料后半周期MATLAB仿真的局部细节定性比较，如图5所示。用均方根误差和尺度函数定量衡量比较性能，尺度函数的稳定时间和稳定误差分别衡量称重的速度与精度，稳定时间为从开始测量到数据进入稳定域的时间，稳定误差为稳定域内数据的分散程度，稳定时间越小表示称重速度越快，稳定误差越小表示称重精度越高。卡尔曼(KF),无迹卡尔曼(UKF), 交互式多模型卡尔曼(IMM-KF)和交互式多模型卡尔曼无迹卡尔曼IMM-UKF 的均方根误差，稳定时间与稳定误差的比较结果如表1所示。

表1三种方法性能参数比较

如图6所示为本发明实施例提供的几种算法仿真结果局部细节示意图，从图6和表1可以看出,IMM-UKF的均方根误差，稳定时间和稳定误差最小，这反映了其离散程度小，稳定性能好，根据尺度函数模型，可以很清晰地得到IMM-UKF提高了动态称重的速度与精度。由样本推断总体的原理,可以得到本发明提高了动态称重的速度与精度，与理论分析一致。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种自动加料称重系统的交互式多模型滤波方法，其特征在于，所述方法包括：

步骤1，构建称重结构的物理模型及其状态方程和量测方程；

步骤2，构建所述状态方程和量测方程的参数的交互式多模型；

步骤3，根据所述交互式多模型对应的状态方程，将前一时刻的最优状态估计值、模型概率以及状态转移概率作为输入，计算每个模型的混合状态估计值与混合协方差估计值；

步骤4，对输入每个模型的混合状态估计值、混合协方差估计值和测量值进行无迹卡尔曼滤波，输出当前时刻每个模型对应的状态估计值和协方差估计值；

步骤5，采用极大似然函数来计算各模型的适用权重值，最终更新每个模型的概率矩阵；

步骤6，根据模型概率对每个模型的滤波结果加权合并，输出当前时刻的最优状态估计值和对应的状态估计协方差；

步骤7，将所述步骤6得到的最优状态估计值分别粗细加料切换值和包装值比较，如果所述最优状态估计值和粗细加料切换值的差在阈值范围之内，通过控制系统分别调整加料流量或者切断加料；如果所述最优状态估计值和所述包装纸的差在阈值范围之内，则结束该流程；重复执行所述步骤3-步骤7。

2.根据权利要求1所述的交互式多模型滤波方法，其特征在于，所述步骤1构建的所述物理模型为:

[M(t)-M_d+m]x″+cx′+Kx＝[M(t)-M_d]g+F(t)；

其中，M(t)为加进料斗的物料质量，t为时间，M_d为空中飞料的质量，m为称体的质量，x为秤体相对参考零点的位移，c为等效阻尼系数，K为等效刚度，g为重力加速度，F(t)为物料下落的冲击力；

状态量为X＝[x x′]^T，采样周期为Δt,所述状态方程和量测方程为：

其中，k为第k个时刻，Y为量测值，w为过程噪声,v为量测噪声，H＝[C 0]，C为标定常数，

3.根据权利要求2所述的交互式多模型滤波方法，其特征在于，所述步骤2中，所述交互式多模型包括:粗给料模型、粗细给料切换模型和细给料模型；

粗给料过程的模型参数方程为：

粗细给料切换过程的模型参数方程为：

粗给料过程的模型参数方程为：

4.根据权利要求1所述的交互式多模型滤波方法，其特征在于，所述步骤3中将K-1时刻的最优状态估计值

对应的状态估计协方差

模型概率

以及状态转移概率p_ij作为输入，计算每个模型的混合状态估计值

与混合协方差估计值

为：

5.根据权利要求4所述的交互式多模型滤波方法，其特征在于，采用隐马尔可夫链估计所述转移概率p_ij，隐马尔科夫模型由马尔可夫链和一个随机过程组，利用最大化辅助Baum函数在线递推估计过程参数；

随机过程为观测序列的先验概率，即称重测量值和各滤波模型之间的先验概率；

由最大化辅助Baum函数估计出隐马尔科夫模型的转移概率p_ij为：

其中，

表示t时刻处于模型i的概率，具体为称重测量值和各滤波模型之间的先验概率；

表示t时刻处于模型i而t+1时刻将处于模型j的概率。

6.根据权利要求4所述的交互式多模型滤波方法，其特征在于，所述步骤4中进行无迹卡尔曼滤波的方法包括：

步骤401，选定滤波的初始状态值X0，Y0和协方差矩阵P0；

步骤402，计算k-1时刻的Sigma样本点集；

步骤403，根据选取的采样策略构造Sigma点集，计算每个模型j的状态量预测值

和方差预测值

步骤404，根据观测方程，计算每个模型j的测量预测值和协方差。

步骤405，更新滤波增益矩阵和滤波值。

7.根据权利要求6所述的交互式多模型滤波方法，其特征在于，所述步骤402中，采用对称采样方案计算Sigma点，并对Sigma点进行比例修正：

其中,n为状态量的维数,λ＝α²(n+δ)-n,α为比例修正因子，δ为次级尺度调节因子，

是加权协方差矩阵的平方根矩阵的第i列；

所述步骤403计算每个模型j的状态量预测值

和方差预测值

的公式为：

其中，Q_k为系统噪声的方差，无迹变换的权值系数计算公式为：

β为设定参数。

8.根据权利要求7所述的交互式多模型滤波方法，其特征在于，所述步骤404中根据观测方程，计算每个模型j的测量预测值和协方差的公式为：

其中，R_k为量测噪声方差；

所述步骤405中，更新滤波增益矩阵和滤波值的计算公式为：

9.根据权利要求4所述的交互式多模型滤波方法，其特征在于，所述步骤5中，每个模型j的概率

其中，

滤波残差

与其协方差

为：

其中，

为量测噪声方差。

10.根据权利要求9所述的交互式多模型滤波方法，其特征在于，所述步骤6中根据模型概率

对每个模型的滤波结果

加权合并，输出当前时刻的最优状态估计值

和对应的状态估计协方差P_X,k/k的计算公式为：

Images