CN113704684B - 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
CN113704684B
CN113704684B CN202110850244.9A CN202110850244A CN113704684B CN 113704684 B CN113704684 B CN 113704684B CN 202110850244 A CN202110850244 A CN 202110850244A CN 113704684 B CN113704684 B CN 113704684B
Authority
CN
China
Prior art keywords
interference
filtering
fusion
observed quantity
value
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
Application number
CN202110850244.9A
Other languages
English (en)
Other versions
CN113704684A (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

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：
卡尔曼滤波观测检测函数为：
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计算出干度γt；/>为vt的理论方差，/>
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，解耦计算出残差观测矩阵/>观测量
步骤3.2，定义观测量重新构造规则，即：则代价函数定义为/> 影响函数定义为/>权值函数定义为/>
如果则代价函数定义为/>影响函数定义为权值函数定义为/>
步骤3.3，计算重加权函数其中ω为Huber鲁棒方法的调解因子；
步骤3.4，计算为重新更新的观测量函数。
进一步地，步骤四的增益更新为估计值更新为方差更新为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：
卡尔曼滤波观测检测函数为：
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计算出干度γt；/>为vt的理论方差，/>
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，解耦计算出残差观测矩阵/>观测量
步骤3.2，定义观测量重新构造规则，即：则代价函数定义为/> 影响函数定义为/>权值函数定义为/>
如果则代价函数定义为/>影响函数定义为权值函数定义为/>
步骤3.3，计算重加权函数其中ω为Huber鲁棒方法的调解因子；
步骤3.4，计算为重新更新的观测量函数。
详细地，步骤四的增益更新为估计值更新为方差更新为/>
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：
卡尔曼滤波观测检测函数为：
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计算出干度γt；/>为vt的理论方差，/>
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，解耦计算出残差观测矩阵/>观测量
步骤3.2，定义观测量重新构造规则，即：则代价函数定义为/> 影响函数定义为/>权值函数定义为/>
如果则代价函数定义为/>影响函数定义为权值函数定义为/>
步骤3.3，计算重加权函数其中ω为Huber鲁棒方法的调解因子；
步骤3.4，计算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估计值更新为/>方差更新为
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 CN113704684A (zh) 2021-11-26
CN113704684B true 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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005074156A1 (en) * 2004-01-29 2005-08-11 Koninklijke Philips Electronics N.V. Echo canceller with interference-level controlled step size

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (1)

* Cited by examiner, † Cited by third party
Title
一种用于GPS/DR组合定位的非线性滤波算法;刘旭;张其善;杨东凯;;北京航空航天大学学报(第02期);全文 *

Also Published As

Publication number Publication date
CN113704684A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN108801131B (zh) 北斗高频变形监测数据的滤波方法及系统
CN108944935A (zh) 一种考虑参数耦合关系的汽车质量和道路坡度估计方法
CN109450405B (zh) 一种应用于ad采集中的复合式软件滤波方法及系统
CN108120452B (zh) Mems陀螺仪动态数据的滤波方法
CN112697215B (zh) 一种用于超声波水表数据滤波的卡尔曼滤波参数调试方法
CN109131342A (zh) 加速度传感器和轮轴速度传感器的融合测速方法及装置
CN116359742B (zh) 基于深度学习组合扩展卡尔曼滤波的储能电池荷电状态在线估计方法及系统
CN107994885A (zh) 一种同时估计未知输入和状态的分布式融合滤波方法
CN109840517A (zh) 一种mems陀螺噪声估计和滤波方法
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
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
CN113704684B (zh) 一种集中式融合鲁棒滤波方法
CN112269192A (zh) 一种快速自适应的动态北斗监测实时解算去噪方法
CN109471192B (zh) 一种全自动重力测试仪高精度动态数据处理方法
CN112632454B (zh) 一种基于自适应卡尔曼滤波算法的mems陀螺滤波方法
CN104331087B (zh) 一种鲁棒的水下传感器网络目标跟踪方法
CN113791240A (zh) 基于高阶滑膜跟踪微分器的加速度估计方法、系统、设备和介质
CN110632521B (zh) 一种锂离子电池容量的融合估计方法
CN113691237B (zh) 一种加权融合鲁棒滤波方法
CN116340766B (zh) 基于滑动窗口的锂电池soc在线预测方法与相关设备
CN115047505B (zh) 基于载波相位差分辅助的gnss定位方法及导航方法
CN116449222A (zh) 电池参数的确定方法、装置、处理器和车辆
CN110569966A (zh) 一种数据处理方法、装置及电子设备
CN106814608B (zh) 基于后验概率分布的预测控制自适应滤波算法
CN115563579A (zh) 一种电容式传感器测量含沙量的数据融合方法

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