CN113011475B - 考虑相关噪声和随机参数矩阵的分布式融合方法 - Google Patents
考虑相关噪声和随机参数矩阵的分布式融合方法 Download PDFInfo
- Publication number
- CN113011475B CN113011475B CN202110240455.0A CN202110240455A CN113011475B CN 113011475 B CN113011475 B CN 113011475B CN 202110240455 A CN202110240455 A CN 202110240455A CN 113011475 B CN113011475 B CN 113011475B
- Authority
- CN
- China
- Prior art keywords
- noise
- covariance
- local
- predictor
- random parameter
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种考虑相关噪声和随机参数矩阵的分布式融合算法,包括以下步骤:建立参杂有相关噪声和随机参数矩阵的系统模型;进行局部预测器设计,求解局部滤波器的一步预测均值和协方差;利用局部预测器及新息,设计局部滤波器;基于局部滤波器的估计结果对分布式融合预测器的预测值进行修正,计算修正后的均值和协方差。本发明的考虑相关噪声和随机参数矩阵的分布式融合算法,适用于多传感器的非线性系统,基于对数据处理中心的先验信息进行修正,推导了分布式融合预测器及分布式滤波器,相比于将线性系统下的结论基于EKF算法进行推广,针对非线性系统设计相应的估计器在处理非线性问题时可获得更高的估计精度。
Description
技术领域
本发明属于非线性系统估计领域,尤其涉及一种考虑相关噪声和随机参数矩阵的分布式融合方法。
背景技术
目前,多传感器系统由于可以增强系统的鲁棒性及提高系统的估计精度,被广泛应用于目标跟踪与定位、智能感知、模式识别等,并且伴随着产生了大量的数据处理方法。多传感器的数据处理方法大致可分为集中式、分布式及顺序式,考虑到分布式融合具有结构灵活、易于故障隔离及计算量小的优点,因此,获得了广泛关注。
比如专利申请号为CN109543143A,申请名称为非线性带偏差系统的多传感器融合估计方法,该融合估计方法并没有考虑相关噪声和随机参数矩阵,因此估计信息计算结果存在不准确、精度低问题。
因此,现有技术有待于改善。
发明内容
本发明的主要目的在于提出一种考虑相关噪声和随机参数矩阵的分布式融合方法,以解决背景技术中所提及的技术问题。
本发明的一种考虑相关噪声和随机参数矩阵的分布式融合方法,包括以下步骤:
步骤S10,建立参杂有相关噪声和随机参数矩阵的系统模型;
步骤S20,进行局部预测器设计,求解局部滤波器的一步预测均值和协方差;
步骤S30,根据一步预测均值和协方差设计分布式融合预测器;
步骤S40,计算局部滤波器的新息及对应协方差矩阵;
步骤S50,利用局部预测器及新息,设计局部滤波器;
步骤S60,基于局部滤波器的估计结果对分布式融合预测器的预测值进行修正,计算修正后的均值和协方差。
优选地,相关噪声包括系统噪声和量测噪声。
优选地,系统模型为非线性系统模型。
优选地,系统模型中的传感器数量至少为两个,局部预测器的数量至少为两个。
优选地,还包括步骤:
步骤S70,基于三阶球径容积法则进行数值格式化。
优选地,还包括步骤:
步骤S80,进行仿真。
本发明的考虑相关噪声和随机参数矩阵的分布式融合方法,适用于多传感器的非线性系统,基于对数据处理中心的先验信息进行修正,推导了分布式融合预测器及分布式滤波器,相比于将线性系统下的结论基于EKF算法进行推广,针对非线性系统设计相应的估计器在处理非线性问题时可获得更高的估计精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明分布式融合方法的原理拓扑图;
图2为本发明的融合方法与背景技术提及的专利文献的融合方法的状态估计误差示意图;
图3为本发明的融合方法与背景技术提及的专利文献的融合方法的状态估计均方根误差示意图;
图4为本发明考虑相关噪声和随机参数矩阵的分布式融合方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要注意的是,相关术语如“第一”、“第二”等可以用于描述各种组件,但是这些术语并不限制该组件。这些术语仅用于区分一个组件和另一组件。例如,不脱离本发明的范围,第一组件可以被称为第二组件,并且第二组件类似地也可以被称为第一组件。术语“和/或”是指相关项和描述项的任何一个或多个的组合。
背景技术中提及的CN109543143A,申请名称为非线性带偏差系统的多传感器融合估计方法,上述专利文献方法需要计算协方差矩阵,这就对系统先验信息提出了更高的要求。而先验信息往往存在误差,如果没有进行修正,则容易影响后续计算过程的准确性、精度。
本发明的一种考虑相关噪声和随机参数矩阵的分布式融合方法,包括以下步骤:
步骤S10,建立参杂有相关噪声和随机参数矩阵的系统模型;
在步骤S10中,系统模型如下:
且重构后的噪声有如下关系:
步骤S20,进行局部预测器设计,求解局部滤波器的一步预测均值和协方差;(涉及公式8-24)
本发明的实施例,以两个传感器为例进行说明,实际可针对多传感器的的非线性系统,如图1所示;
引理1:局部预测器设计:
其中,
考虑到上式括号中的三项互不相关,则有
这里
步骤S30,根据一步预测均值和协方差设计分布式融合预测器;具体如下:
定理1:针对系统(5)和(6),在假设1和2满足的条件下,分布式最优融合预测器设计如下:
背景技术中提及的CN109543143A,申请名称为非线性带偏差系统的多传感器融合估计方法,上述专利文献方法需要计算协方差矩阵,这就对系统先验信息提出了更高的要求。而先验信息往往存在误差,如果没有进行修正,则容易影响后续计算过程的准确性、精度。
上述背景技术所提及的专利文献中;对于分布式最优融合预测器设计,不同于本申请。
区别点在于:本申请中分布式融合预测器,基于局部预测信息对数据中心的先验信息进行修正。
因此:推导了分布式融合预测器及分布式滤波器,相比于将线性系统下的结论基于EKF算法进行推广,针对非线性系统设计相应的估计器在处理非线性问题时可获得更高的估计精度。
Lk+1在证明过程给出。
证明:
整理局部预测误差有
其中,
则一步预测误差协方差矩阵为
值得一提的是,依据式(46)-(47)中关于矩阵A,B的定义,Λ可重写为
这里
E[f(xk)fT(xk)]=∫f(xk)fT(xk)N3dxk (36)
E[f(xk)hT(xk)]=∫f(xk)hT(xk)N4dxk (40)
基于最小均方误差准则,Lk+1求取如下,令
其中为求导算子,H和M分别表示求导后的一次项以及常数项。为了清晰起见,对的求导过程分为三部分,包括Λ部分求导、ΛT部分求导以及其余部分求导,对应到一次项以及常数项中分别表示为H1,H2,H3,M1,M2,M3,具体整理如下
H2=H1 (44)
其中
则有
M2=M1 (52)
则有
因此
将Lk+1及A,B的值带入(33)即可得Λ,将Lk+1及Λ带入(32)即可得一步预测协方差,将Lk+1带入(25)即可得一步预测均值
步骤S40,计算局部滤波器的新息及对应协方差矩阵;具体如下:
引理2:针对系统(5)和(6),新息及其协方差计算如下:
其中,
则
新息互协方差为
步骤S50,利用局部预测器及新息,设计局部滤波器;具体如下:
引理3:针对系统(5)和(6),局部滤波器设计如下:
其中,
状态协方差计算如下:
带入协方差矩阵可得
互协方差矩阵计算如下
其中
步骤S60,基于局部滤波器的估计结果对分布式融合预测器的预测值进行修正,计算修正后的均值和协方差;具体如下:
定理2:针对系统(5)和(6),量测更新均值计算如下:
其中Lk+1在证明过程给出。
证明:
局部测量误差重写为
整理局部预测误差有
量测更新误差协方差矩阵为
基于最小均方误差准则,有
式(74)经过简单的代数运算,则有
其中
由定义可知,显然中的信息在一步预测过程中已计算获得,因此可得式(76),将(76)带入(75)可得Lk+1,将(75)和Lk+1带入(73)可得修正后的协方差,将Lk+1带入(69)可得修正后的估计值。
本发明针对带有随机参数矩阵及相关噪声的非线性多传感器系统,通过将局部估计状态视作量测并输送到数据处理中心,对数据处理中心的先验信息进行修正,推导出分布式融合预测器及分布式滤波器,相比于将线性系统下的结论基于EKF算法进行推广,针对非线性系统设计相应的估计器在处理非线性问题时可获得更高的估计精度。
具体的数值实现形式,如下;局部预测器设计:
假设k-1时刻信息已知,令
1)分解
2)计算容积点
3)容积点传播
4)局部预测均值和协方差计算
将式(87)和(88)带入(8)和(9),可得局部滤波器的一步预测均值及增益矩阵,将(89)-(91)带入(13)可得一步预测互协方差矩阵。
分布式融合预测器设计:
假设k-1时刻信息已知,令
1)分解
2)计算容积点
3)容积点传播
4)融合均值及协方差计算
将A,B,C的值带入Λ和Lk+1即可得预测均值和协方差。
新息计算:
假设k时刻一步预测信息已知,令
1)分解
2)计算容积点
3)容积点传播
4)新息及协方差计算
新息互协方差为
局部滤波器设计:
1)分解
2)计算容积点
3)容积点传播
4)协方差计算
将其带入,可得局部滤波器均值及协方差。
融合滤波器设计:
1)分解
2)计算容积点
3)容积点传播
4)协方差计算
上述公式78-139;是为了便于计算机仿真,基于三阶球径容积法则,给出的数值实现格式。
仿真过程如下:
为了验证所提出算法的有效性,给出强非线性模型如下
Φk=I3×3+ξkdiag([0.01 0.01 0.01]) (143)
其中ωk,ηk,ξk,γk是互不相关的高斯白噪声,且协方差分别为1,0.5,0.1,0.3,状态初值取为x0=[-0.7 1 1]T,滤波器初值取为做30次独立的蒙特卡洛仿真,对应仿真结果如图2、图3所示。
本发明基于EKF推广到非线性系统在处理非线性估计问题时,可获得更小的估计误差及均方根误差,表明在非线性系统下,相比于将线性系统下的结论基于EKF进行推广,直接针对其进行非线性滤波器设计,可获得更高的估计精度。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种考虑相关噪声和随机参数矩阵的分布式融合方法,其特征在于,包括以下步骤:
步骤S10,建立参杂有相关噪声和随机参数矩阵的系统模型;系统模型如下:
这里xk∈Rn是n维系统状态,是mi维传感器测量,ωk∈Rr是r维系统噪声,相关噪声包括系统噪声和量测噪声,以及是si维量测噪声,且是k时刻合适维数的相关随机参数矩阵,N是传感器个数,角标i代表第i个传感器,f和h是已知的非线性函数;
且重构后的噪声有如下关系:
步骤S20,进行局部预测器设计,求解局部滤波器的一步预测均值和协方差;实现多传感器的非线性系统;
局部预测器设计:
其中,
考虑到上式括号中的三项互不相关,则有
其中
这里
将Ψ1,Ψ2,Ψ3带入(13)即可得局部滤波器一步预测互协方差矩阵,将(10),(11)带入(8)(9)即可得一步预测均值;
步骤S30,根据一步预测均值和协方差设计分布式融合预测器;具体如下:
针对系统(5)和(6),在条件1和2满足的条件下,分布式最优融合预测器设计如下:
步骤S40,计算局部滤波器的新息及对应协方差矩阵;具体如下:
针对系统(5)和(6),新息及其协方差计算如下:
其中,
则
新息互协方差为
步骤S50,利用局部预测器及新息,设计局部滤波器;具体如下:
其中,
状态协方差计算如下:
带入协方差矩阵可得
互协方差矩阵计算如下
其中
步骤S60,基于局部滤波器的估计结果对分布式融合预测器的预测值进行修正,计算修正后的均值和协方差;具体如下:
针对系统(5)和(6),量测更新均值计算如下:
其中Lk+1在证明过程给出
证明:
局部测量误差重写为
整理局部预测误差有
量测更新误差协方差矩阵为
基于最小均方误差准则,有
则有
其中
2.如权利要求1所述考虑相关噪声和随机参数矩阵的分布式融合方法,其特征在于,系统模型中的传感器数量至少为两个,局部预测器的数量至少为两个。
3.如权利要求1所述考虑相关噪声和随机参数矩阵的分布式融合方法,其特征在于,还包括步骤:
步骤S70,基于三阶球径容积法则进行数值格式化。
4.如权利要求1所述考虑相关噪声和随机参数矩阵的分布式融合方法,其特征在于,还包括步骤:
步骤S80,进行仿真。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129035 | 2021-01-29 | ||
CN2021101290355 | 2021-01-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011475A CN113011475A (zh) | 2021-06-22 |
CN113011475B true CN113011475B (zh) | 2022-12-02 |
Family
ID=76405319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110240455.0A Active CN113011475B (zh) | 2021-01-29 | 2021-03-04 | 考虑相关噪声和随机参数矩阵的分布式融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011475B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114372237B (zh) * | 2021-12-16 | 2024-05-03 | 北京电子工程总体研究所 | 一种分布式状态估计方法 |
CN115442823B (zh) * | 2022-08-15 | 2023-07-04 | 黑龙江大学 | 一种多传感器系统的全局最优分布式融合估计方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035067A (zh) * | 2014-06-13 | 2014-09-10 | 重庆大学 | 一种基于无线传感器网络的移动机器人自动定位算法 |
CN106291533A (zh) * | 2016-07-27 | 2017-01-04 | 电子科技大学 | 一种基于amd的分布式多传感器融合算法 |
CN107994885A (zh) * | 2017-11-21 | 2018-05-04 | 郑州鼎创智能科技有限公司 | 一种同时估计未知输入和状态的分布式融合滤波方法 |
CN109543143A (zh) * | 2019-01-28 | 2019-03-29 | 杭州电子科技大学 | 非线性带偏差系统的多传感器融合估计方法 |
CN111735458A (zh) * | 2020-08-04 | 2020-10-02 | 西南石油大学 | 一种基于gps、5g以及视觉的石化巡检机器人导航定位方法 |
CN111985093A (zh) * | 2020-08-03 | 2020-11-24 | 哈尔滨工程大学 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536171B (zh) * | 2018-03-21 | 2020-12-29 | 电子科技大学 | 一种多约束下多无人机协同跟踪的路径规划方法 |
CN110262334B (zh) * | 2019-06-17 | 2021-05-28 | 江南大学 | 一种随机通信协议下状态饱和系统的有限时域h∞控制方法 |
CN111193528B (zh) * | 2019-12-30 | 2021-09-17 | 哈尔滨工业大学 | 基于非理想条件下非线性网络系统的高斯滤波方法 |
-
2021
- 2021-03-04 CN CN202110240455.0A patent/CN113011475B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035067A (zh) * | 2014-06-13 | 2014-09-10 | 重庆大学 | 一种基于无线传感器网络的移动机器人自动定位算法 |
CN106291533A (zh) * | 2016-07-27 | 2017-01-04 | 电子科技大学 | 一种基于amd的分布式多传感器融合算法 |
CN107994885A (zh) * | 2017-11-21 | 2018-05-04 | 郑州鼎创智能科技有限公司 | 一种同时估计未知输入和状态的分布式融合滤波方法 |
CN109543143A (zh) * | 2019-01-28 | 2019-03-29 | 杭州电子科技大学 | 非线性带偏差系统的多传感器融合估计方法 |
CN111985093A (zh) * | 2020-08-03 | 2020-11-24 | 哈尔滨工程大学 | 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 |
CN111735458A (zh) * | 2020-08-04 | 2020-10-02 | 西南石油大学 | 一种基于gps、5g以及视觉的石化巡检机器人导航定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113011475A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011475B (zh) | 考虑相关噪声和随机参数矩阵的分布式融合方法 | |
Dertimanis et al. | Input-state-parameter estimation of structural systems from limited output information | |
Duník et al. | Noise covariance matrices in state‐space models: A survey and comparison of estimation methods—Part I | |
Qi et al. | Robust weighted fusion Kalman filters for multisensor time-varying systems with uncertain noise variances | |
CN112525218B (zh) | 一种ins/dvl组合导航系统鲁棒智能协同校准方法 | |
Mai et al. | Surrogate modeling for stochastic dynamical systems by combining nonlinear autoregressive with exogenous input models and polynomial chaos expansions | |
US8543266B2 (en) | Modified Kalman filter for generation of attitude error corrections | |
CN111366156A (zh) | 基于神经网络辅助的变电站巡检机器人导航方法及系统 | |
CN112711039B (zh) | 一种基于最优估计的时间同步攻击检测与修正方法和装置 | |
US20140019046A1 (en) | Multiple truth reference system and method | |
CN103837159B (zh) | 一种经纬仪指向修正模型正交化解耦修正方法 | |
CN111193528B (zh) | 基于非理想条件下非线性网络系统的高斯滤波方法 | |
EP2869026B1 (en) | Systems and methods for off-line and on-line sensor calibration | |
Saltari et al. | Mechanical systems virtual sensing by proportional observer and multi-resolution analysis | |
Rheinboldt | Error estimates for nonlinear finite element computations | |
Mai et al. | Surrogate modelling for stochastic dynamical systems by combining NARX models and polynomial chaos expansions | |
Natke et al. | Properties of various residuals within updating of mathematical models | |
CN116088303B (zh) | 一种不确定复杂动态网络状态时变递推估计方法 | |
CN110208761B (zh) | 一种双通道单脉冲体制分段校相方法 | |
CN108332739B (zh) | 确定星敏感器在轨姿态测量精度主成分因素响应边界的方法 | |
CN110995203B (zh) | 一种基于条件数融合的非线性可观测度分析方法 | |
Guerrier et al. | Limits of the Allan variance and optimal tuning of wavelet variance based estimators | |
CN107421543B (zh) | 一种基于状态扩维的隐函数量测模型滤波方法 | |
CN113987803A (zh) | 基于模型修正的频率驾驭方法、装置、设备及存储介质 | |
Punchenko et al. | The strategy of informative redundancy of necessary measurements in the ship navigation as the independent direction in the development of a high tech park |
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 |