CN113704684A - 一种集中式融合鲁棒滤波方法 - Google Patents

一种集中式融合鲁棒滤波方法 Download PDF

Info

Publication number
CN113704684A
CN113704684A CN202110850244.9A CN202110850244A CN113704684A CN 113704684 A CN113704684 A CN 113704684A CN 202110850244 A CN202110850244 A CN 202110850244A CN 113704684 A CN113704684 A CN 113704684A
Authority
CN
China
Prior art keywords
interference
filtering
value
central
fusion
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
Application number
CN202110850244.9A
Other languages
English (en)
Other versions
CN113704684B (zh
Inventor
刘文强
陶贵丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN202110850244.9A priority Critical patent/CN113704684B/zh
Publication of CN113704684A publication Critical patent/CN113704684A/zh
Application granted granted Critical
Publication of CN113704684B publication Critical patent/CN113704684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种集中式融合鲁棒滤波方法，解决的是准确率低的技术问题，通过采用步骤一，检测局部滤波器的观测值行干扰度，提取滤波观测值；预设中心子单元的干扰度容忍度，每个中心子单元的干扰度容忍度不同；步骤二，定义干扰越权值为1则表征干扰度大于干扰容忍度，为0则表征干扰度小于等于干扰容忍度；加权计算干扰越权值，计算值超过阈值的，执行步骤四，否则执行步骤五；步骤三，中心子单元对观测量的干扰信息进行剔除，完成观测量的重新构建，将重新构建的观测量进行更新；步骤四，将新观测量作为输入，中心子单元进行滤波更新，顺序更新计算出每个局部滤波器的滤波系数；步骤五，进行综合加权计算的技术方案，较好的解决了该问题，可用于滤波应用中。

Description

一种集中式融合鲁棒滤波方法
技术领域
本发明涉及滤波领域，具体涉及一种集中式融合鲁棒滤波方法。
背景技术
滤波是以测量信号为基础对系统内部不可测量的信号进行估计，系统模型存在不确定情况下的滤波问题即鲁棒滤波问题。在很多的工业应用中，系统中含有不确定参数，精确的系统模型是很难获得的。为了克服这个困难，引入了鲁棒滤波方法。鲁棒滤波器是指考虑系统中的不确定性，设计滤波器使得滤波误差系统渐近稳定，并且满足所提出的性能指标。
现有的鲁棒滤波存在受随机干扰精度降低的问题。本发明提供一种集中式融合鲁棒滤波方法，以解决上述技术问题。
发明内容
本发明所要解决的技术问题是现有技术中存在的受随机干扰滤波精度降低的技术问题。提供一种新的集中式融合鲁棒滤波方法，该集中式融合鲁棒滤波方法具有有效抑制非高斯连续噪声、精度平稳的特点。
为解决上述技术问题，采用的技术方案如下：
本发明提供一种集中式融合鲁棒滤波方法，所述集中式融合鲁棒滤波方法适用于集中式融合鲁棒滤波系统，集中式融合鲁棒滤波系统包括多个局部滤波器，多个局部滤波器均连接到融合中心滤波单元，融合中心滤波单元包括并联的多个中心子单元，中心子单元之间相互隔离，并共同连接到加权计算单元；集中式融合鲁棒滤波方法包括：
步骤一，对局部滤波器的观测值进行干扰度检测，提取每个局部滤波器的滤波观测值；定义中心子单元的干扰度容忍度，每个中心子单元的干扰度容忍度不同；
步骤二，各中心子单元判断干扰度和干扰容忍度，定义干扰越权值为1则表征干扰度大于干扰容忍度，为0则表征干扰度小于等于干扰容忍度；加权计算干扰越权值，计算值超过阈值的，定义对应的中心子单元执行步骤四，否则执行步骤五；
步骤三，中心子单元对观测量的干扰信息进行剔除，保留有效信息完成观测量的重新构建，将重新构建的观测量进行更新；
步骤四，将更新后的观测量作为输入，中心子单元进行滤波更新，顺序更新计算出每个局部滤波器的滤波系数，包括滤波增益、滤波估计值、方差值；
步骤五，对各个中心子单元的滤波参数进行综合加权计算，得到集中式最优的滤波值。
本发明的工作原理：本发明通过对于各局部滤波器的观测量进行检测，在干扰度不同容忍度的情况下，将低于干扰容忍度度的观测量进行重新构建，剔除干扰信息后以新的观测量，对鲁棒滤波的估计进行更新。从而避免了干扰度发生变化，即噪声由高斯噪声变为非高斯噪声，或噪声强度增大带来的准确度下降。
上述方案中，为优化，进一步地，步骤一包括定义局部滤波器的滤波预测模型为：
Figure BDA0003182183680000031
Figure BDA0003182183680000032
卡尔曼滤波观测检测函数为：
Figure BDA0003182183680000033
其中，Ft,t-1为状态转移矩阵，Pt,t-1为方差值，Qt-1为正定对称阵；xt-1∈Rn是离散时间t时刻的估计值，yt∈Rm是离散时间t时刻的观测值，m是观测量yt的维数，n为估计量xt-1的维数，Ht为观测方程矩阵；
根据卡尔曼滤波观测检测函数，以及观测有效性检测函数
Figure BDA0003182183680000034
计算出干度γt；
Figure BDA0003182183680000035
为vt的理论方差，
Figure BDA0003182183680000036
进一步地，步骤二中的加权计算干扰越权值包括：将γt＞M的计算为1，γt≤M的计算为0，将计算的所有值进行或运算，或运算结果为0时，定义为融合中心滤波单元更新系数为1，或运算结果为1融合中心滤波单元更新系数为0。
进一步地，所述步骤三包括：
步骤3.1，解耦计算出残差
Figure BDA0003182183680000037
观测矩阵
Figure BDA0003182183680000038
观测量
Figure BDA0003182183680000039
步骤3.2，定义观测量重新构造规则，即：
Figure BDA00031821836800000310
则代价函数定义为
Figure BDA00031821836800000311
Figure BDA0003182183680000041
影响函数定义为
Figure BDA0003182183680000042
权值函数定义为
Figure BDA0003182183680000043
如果
Figure BDA0003182183680000044
则代价函数定义为
Figure BDA0003182183680000045
影响函数定义为
Figure BDA0003182183680000046
权值函数定义为
Figure BDA0003182183680000047
步骤3.3，计算重加权函数
Figure BDA0003182183680000048
其中ω为Huber鲁棒方法的调解因子；
步骤3.4，计算
Figure BDA0003182183680000049
为重新更新的观测量函数。
进一步地，步骤四的增益更新为
Figure BDA00031821836800000410
估计值更新为
Figure BDA00031821836800000411
方差更新为Pt＝Pt，t-1-KtCvtKt。
本发明的有益效果：本发明通过对于各局部滤波器的观测量进行检测，在干扰度不同容忍度的情况下，将低于干扰容忍度度的观测量进行重新构建，剔除干扰信息后以新的观测量，对鲁棒滤波的估计进行更新。从而避免了干扰度发生变化，即噪声由高斯噪声变为非高斯噪声，或噪声强度增大带来的准确度下降。通过设置多个干扰容忍度的中心子单元对观测受污染情况不同的检测和容忍，重建观测作为估计依据。进而对于中心子单元进行加权计算，提高鲁棒滤波的估计精度。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1，实施例1中的集中式融合鲁棒滤波系统示意图。
图2，集中式融合鲁棒滤波方法示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供一种集中式融合鲁棒滤波方法，如图1，所述集中式融合鲁棒滤波方法适用于集中式融合鲁棒滤波系统，集中式融合鲁棒滤波系统包括多个局部滤波器，多个局部滤波器均连接到融合中心滤波单元，融合中心滤波单元包括并联的多个中心子单元，中心子单元之间相互隔离，并共同连接到加权计算单元；如图2，集中式融合鲁棒滤波方法包括：
步骤一，对局部滤波器的观测值进行干扰度检测，提取每个局部滤波器的滤波观测值；定义中心子单元的干扰度容忍度，每个中心子单元的干扰度容忍度不同；
步骤二，各中心子单元判断干扰度和干扰容忍度，定义干扰越权值为1则表征干扰度大于干扰容忍度，为0则表征干扰度小于等于干扰容忍度；加权计算干扰越权值，计算值超过阈值的，定义对应的中心子单元执行步骤四，否则执行步骤五；
步骤三，中心子单元对观测量的干扰信息进行剔除，保留有效信息完成观测量的重新构建，将重新构建的观测量进行更新；
步骤四，将更新后的观测量作为输入，中心子单元进行滤波更新，顺序更新计算出每个局部滤波器的滤波系数，包括滤波增益、滤波估计值、方差值；
步骤五，对各个中心子单元的滤波参数进行综合加权计算，得到集中式最优的滤波值。
本实施例通过对于各局部滤波器的观测量进行检测，在干扰度不同容忍度的情况下，将低于干扰容忍度度的观测量进行重新构建，剔除干扰信息后以新的观测量，对鲁棒滤波的估计进行更新。从而避免了干扰度发生变化，即噪声由高斯噪声变为非高斯噪声，或噪声强度增大带来的准确度下降。
对于观测量的干扰或感染检测方法有很多，本实施例采用的步骤一包括定义局部滤波器的滤波预测模型为：
Figure BDA0003182183680000061
Figure BDA0003182183680000062
卡尔曼滤波观测检测函数为：
Figure BDA0003182183680000063
其中，Ft,t-1为状态转移矩阵，Pt,t-1为方差值，Qt-1为正定对称阵；xt-1∈Rn是离散时间t时刻的估计值，yt∈Rm是离散时间t时刻的观测值，m是观测量yt的维数，n为估计量xt-1的维数，Ht为观测方程矩阵；
根据卡尔曼滤波观测检测函数，以及观测有效性检测函数
Figure BDA0003182183680000064
计算出干度γt；
Figure BDA0003182183680000065
为vt的理论方差，
Figure BDA0003182183680000066
判断是否重建或更新观测量时，可采用一般的加权算法。本实施例特别采用的是，步骤二中的加权计算干扰越权值包括：将γt＞M的计算为1，γt≤M的计算为0，将计算的所有值进行或运算，或运算结果为0时，定义为融合中心滤波单元更新系数为1，或运算结果为1融合中心滤波单元更新系数为0。
在重新构建观测量时，本实施例是设置干扰门限，对于超过干扰门限的观测量进行剔除，没超过的才进行重构。所述步骤三包括：
步骤3.1，解耦计算出残差
Figure BDA0003182183680000071
观测矩阵
Figure BDA0003182183680000072
观测量
Figure BDA0003182183680000073
步骤3.2，定义观测量重新构造规则，即：
Figure BDA0003182183680000074
则代价函数定义为
Figure BDA0003182183680000075
Figure BDA0003182183680000076
影响函数定义为
Figure BDA0003182183680000077
权值函数定义为
Figure BDA0003182183680000078
如果
Figure BDA0003182183680000079
则代价函数定义为
Figure BDA00031821836800000710
影响函数定义为
Figure BDA00031821836800000711
权值函数定义为
Figure BDA00031821836800000712
步骤3.3，计算重加权函数
Figure BDA00031821836800000713
其中ω为Huber鲁棒方法的调解因子；
步骤3.4，计算
Figure BDA00031821836800000714
为重新更新的观测量函数。
详细地，步骤四的增益更新为
Figure BDA00031821836800000715
估计值更新为
Figure BDA00031821836800000716
方差更新为
Figure BDA00031821836800000717
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种集中式融合鲁棒滤波方法，其特征在于：所述集中式融合鲁棒滤波方法适用于集中式融合鲁棒滤波系统，集中式融合鲁棒滤波系统包括多个局部滤波器，多个局部滤波器均连接到融合中心滤波单元，融合中心滤波单元包括并联的多个中心子单元，中心子单元之间相互隔离，并共同连接到加权计算单元；集中式融合鲁棒滤波方法包括：
步骤一，对局部滤波器的观测值进行干扰度检测，提取每个局部滤波器的滤波观测值；定义中心子单元的干扰度容忍度，每个中心子单元的干扰度容忍度不同；
步骤二，各中心子单元判断干扰度和干扰容忍度，定义干扰越权值为1则表征干扰度大于干扰容忍度，为0则表征干扰度小于等于干扰容忍度；加权计算干扰越权值，计算值超过阈值的，定义对应的中心子单元执行步骤四，否则执行步骤五；
步骤三，中心子单元对观测量的干扰信息进行剔除，保留有效信息完成观测量的重新构建，将重新构建的观测量进行更新；
步骤四，将更新后的观测量作为输入，中心子单元进行滤波更新，顺序更新计算出每个局部滤波器的滤波系数，包括滤波增益、滤波估计值、方差值；
步骤五，对各个中心子单元的滤波参数进行综合加权计算，得到集中式最优的滤波值。
2.根据权利要求1所述的集中式融合鲁棒滤波方法，其特征在于：步骤一包括定义局部滤波器的滤波预测模型为：
Figure FDA0003182183670000021
Figure FDA0003182183670000022
卡尔曼滤波观测检测函数为：
Figure FDA0003182183670000023
其中，Ft，t-1为状态转移矩阵，Pt，t-1为方差值，Qt-1为正定对称阵；xt-1∈Rn是离散时间t时刻的估计值，yt∈Rm是离散时间t时刻的观测值，m是观测量yt的维数，n为估计量xt-1的维数，Ht为观测方程矩阵；
根据卡尔曼滤波观测检测函数，以及观测有效性检测函数
Figure FDA0003182183670000024
计算出干度γt；
Figure FDA00031821836700000211
为vt的理论方差，
Figure FDA0003182183670000025
3.根据权利要求2所述的集中式融合鲁棒滤波方法，其特征在于：
步骤二中的加权计算干扰越权值包括：将γt＞M的计算为1，γt≤M的计算为0，将计算的所有值进行或运算，或运算结果为0时，定义为融合中心滤波单元更新系数为1，或运算结果为1融合中心滤波单元更新系数为0。
4.根据权利要求1所述的集中式融合鲁棒滤波方法，其特征在于：步骤一包括：所述步骤三包括：
步骤3.1，解耦计算出残差
Figure FDA0003182183670000026
观测矩阵
Figure FDA0003182183670000027
观测量
Figure FDA0003182183670000028
步骤3.2，定义观测量重新构造规则，即：
Figure FDA0003182183670000029
则代价函数定义为
Figure FDA00031821836700000210
Figure FDA0003182183670000036
影响函数定义为
Figure FDA0003182183670000037
权值函数定义为
Figure FDA0003182183670000038
如果
Figure FDA0003182183670000039
则代价函数定义为
Figure FDA00031821836700000310
影响函数定义为
Figure FDA0003182183670000032
权值函数定义为
Figure FDA00031821836700000311
步骤3.3，计算重加权函数
Figure FDA00031821836700000312
其中ω为Huber鲁棒方法的调解因子；
步骤3.4，计算
Figure FDA0003182183670000033
为重新更新的观测量函数。
5.根据权利要求1所述的集中式融合鲁棒滤波方法，其特征在于：步骤四的增益更新为
Figure FDA0003182183670000034
估计值更新为
Figure FDA0003182183670000035
方差更新为
Figure FDA00031821836700000313
CN202110850244.9A 2021-07-27 2021-07-27 一种集中式融合鲁棒滤波方法 Active CN113704684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110850244.9A CN113704684B (zh) 2021-07-27 2021-07-27 一种集中式融合鲁棒滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110850244.9A CN113704684B (zh) 2021-07-27 2021-07-27 一种集中式融合鲁棒滤波方法

Publications (2)

Publication Number Publication Date
CN113704684A true CN113704684A (zh) 2021-11-26
CN113704684B CN113704684B (zh) 2023-08-29

Family

ID=78650564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110850244.9A Active CN113704684B (zh) 2021-07-27 2021-07-27 一种集中式融合鲁棒滤波方法

Country Status (1)

Country Link
CN (1) CN113704684B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090022074A1 (en) * 2004-01-29 2009-01-22 Wolfgang Brox Echo canceller with interference-level controlled step size
CN108759870A (zh) * 2018-07-03 2018-11-06 哈尔滨工业大学 一种基于新型鲁棒广义高阶容积卡尔曼滤波的传递对准方法
CN109102521A (zh) * 2018-06-22 2018-12-28 南京信息工程大学 一种基于并行注意力相关滤波的视频目标跟踪方法
CN110727968A (zh) * 2019-09-19 2020-01-24 北京控制工程研究所 一种基于强化学习的导航滤波器参数优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090022074A1 (en) * 2004-01-29 2009-01-22 Wolfgang Brox Echo canceller with interference-level controlled step size
CN109102521A (zh) * 2018-06-22 2018-12-28 南京信息工程大学 一种基于并行注意力相关滤波的视频目标跟踪方法
CN108759870A (zh) * 2018-07-03 2018-11-06 哈尔滨工业大学 一种基于新型鲁棒广义高阶容积卡尔曼滤波的传递对准方法
CN110727968A (zh) * 2019-09-19 2020-01-24 北京控制工程研究所 一种基于强化学习的导航滤波器参数优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘旭;张其善;杨东凯;: "一种用于GPS/DR组合定位的非线性滤波算法", 北京航空航天大学学报, no. 02 *
徐树生;林孝工;: "基于鲁棒CKF的多传感器全信息融合算法", 电机与控制学报, no. 02 *

Also Published As

Publication number Publication date
CN113704684B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN107994885B (zh) 一种同时估计未知输入和状态的分布式融合滤波方法
CN103902819A (zh) 基于变分滤波的粒子优化概率假设密度多目标跟踪方法
CN110361744B (zh) 基于密度聚类的rbmcda水下多目标跟踪方法
CN110175541B (zh) 一种海平面变化非线性趋势提取的方法
CN109460539B (zh) 一种基于简化容积粒子滤波的目标定位方法
CN108120452B (zh) Mems陀螺仪动态数据的滤波方法
CN116736286B (zh) 基于随机超曲面的渐进贝叶斯扩展目标跟踪方法及系统
CN101256715A (zh) 无线传感器网络中基于粒子滤波的多车辆声信号分离方法
CN116186643B (zh) 一种多传感器协同目标跟踪方法、系统、设备及介质
CN110689130A (zh) 轴承故障诊断方法
CN108228959A (zh) 利用删失数据估计系统实际状态的方法及应用其的滤波器
CN110118979B (zh) 基于广义互熵的改进差分进化算法估计多径参数的方法
CN116541668B (zh) 一种游泳划水次数确定方法、装置、设备及存储介质
CN113704684B (zh) 一种集中式融合鲁棒滤波方法
CN113864665A (zh) 基于自适应ica和改进的rls滤波器的流体管道泄漏定位方法
CN109582914B (zh) 噪声相关的带偏差系统的并行式融合估计方法
CN116734860A (zh) 一种基于因子图的多auv自适应协同定位方法及系统
CN115563579A (zh) 一种电容式传感器测量含沙量的数据融合方法
Khorshidi et al. GA-inspired particle filter for mitigating severe sample impoverishment
CN106814608B (zh) 基于后验概率分布的预测控制自适应滤波算法
CN114895298A (zh) 一种雷达慢速弱机动目标量测修正伯努利滤波方法及装置
CN109670243B (zh) 一种基于勒贝格空间模型的寿命预测方法
CN115859030B (zh) 一种复杂耦合下的两步状态估计方法
CN110852451A (zh) 基于核函数的递归核自适应滤波方法
CN110852397A (zh) 一种基于相对波动的自适应信号融合方法及系统

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