CN114565020A - 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 - Google Patents

一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 Download PDF

Info

Publication number
CN114565020A
CN114565020A CN202210088429.5A CN202210088429A CN114565020A CN 114565020 A CN114565020 A CN 114565020A CN 202210088429 A CN202210088429 A CN 202210088429A CN 114565020 A CN114565020 A CN 114565020A
Authority
CN
China
Prior art keywords
sensor
noise
aircraft
actual
matrix
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
Application number
CN202210088429.5A
Other languages
English (en)
Inventor
李昭莹
石若凌
张超凡
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202210088429.5A priority Critical patent/CN114565020A/zh
Publication of CN114565020A publication Critical patent/CN114565020A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，首先，根据红外和雷达传感器不同的量测信号特征进行时空对准的信号预处理；然后，使用最优数据压缩算法将两者的信息进行压缩融合，形成新的观测量，并使用EKF实现飞行器的状态估计；最后，使用DBN算法根据收到的估计值与观测值实时估计并调整系统受到的实际观测噪声，提高EKF的跟踪精度。通过本发明方法有效解决了飞行器飞行过程中红外和雷达的传感器信号融合以及环境噪声的不确定性所导致的状态估计困难的问题。

Description

一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信 号融合方法
技术领域
本发明涉及信号处理领域，尤其涉及飞行器的传感器多源信号融合方法，具体来说是一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方。
背景技术
伴随着战场规模的扩大以及作战武器的不断更新，现代战争对武器系统的跟踪性能提出了更高的要求。战争中的各类信息都是通过传感器设备获得的，而单传感器的各类性能都十分有限，且一旦被敌方察觉并进行打击，其性能会大幅下降。因此单传感器的作战性能已经不能满足实际需要，充分整合多传感器的各种观测数据才是更好的选择。不同种类的多个传感器充分发挥各自的优势，观测不同类型的目标信息，在一定的规则下进行处理综合，这样就能达到提升系统精度的目的。
非线性信息融合过程中常用到的状态估计方法是扩展卡尔曼滤波算法。然而，在飞行器的实际飞行环境中，信号的噪声特性极易收到各种因素干扰而发生改变，仅仅依靠扩展卡尔曼滤波算法难以对目标状态保持高精度的估计。
发明内容
本发明为了解决飞行器飞行过程中红外和雷达的传感器信号融合以及环境噪声的不确定性所导致的状态估计困难的问题，提出了一种基于深度置信网络(DBN)的飞行器传感器信号融合方法。
本发明基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，具体步骤为：
步骤1：根据红外和雷达传感器不同的量测信号特征进行时空对准的信号预处理。
步骤2：使用最优数据压缩算法将两者的信息进行压缩融合，形成新的观测量。
步骤3：使用EKF实现飞行器的状态估计。
步骤4：使用DBN算法根据收到的估计值与观测值实时估计并调整系统受到的实际观测噪声。
本发明的优点在于：
1、本发明飞行器传感器信号融合方法，结合雷达和红外传感器的信号特点产生了传感器量测信号，并通过时间对准技术和空间对准技术将两种传感器的量测信号进行了预处理；
2、本发明飞行器传感器信号融合方法，通过基于EKF的雷达红外最优数据压缩算法提高了传感器跟踪性能；
3、本发明飞行器传感器信号融合方法，通过使用深度置信网络算法自适应调节导航参数，提高了EKF的鲁棒性。
附图说明
图1为本发明飞行器传感器信号融合方法流程图。
图2为CV模型下雷达滤波后的误差与信息融合后的误差。
图3为CA模型下雷达滤波后的误差与信息融合后的误差。
图4为CT模型下雷达滤波后的误差与信息融合后的误差。
图5为实际噪声在60s改为40m时两种算法的融合误差(CV)。
图6为实际噪声在60s改为70m时两种算法的融合误差(CV)。
图7为实际噪声在60s改为100m时两种算法的融合误差(CV)。
图8为实际噪声在60s改为40m时两种算法的融合误差(CA)。
图9为实际噪声在60s改为70m时两种算法的融合误差(CA)。
图10为实际噪声在60s改为100m时两种算法的融合误差(CA)。
图11为实际噪声在60s改为40m时两种算法的融合误差(CT)。
图12为实际噪声在60s改为70m时两种算法的融合误差(CT)。
图13为实际噪声在60s改为100m时两种算法的融合误差(CT)。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，具体步骤如下：
步骤1：飞行器传感器信号预处理
101、时间对准
雷达传感器在t时刻的观测数据XR(t)定义如下：
Figure BDA0003488109140000021
其中，rR(t)表示雷达传感器测得目标相对距离，θR(t)表示雷达传感器测得目标方位角，
Figure BDA0003488109140000022
表示雷达传感器测得目标俯仰角。
红外传感器在t时刻的观测数据XI(t)定义如下：
Figure BDA0003488109140000031
其中，θI(t)表示红外传感器测得目标方位角，
Figure BDA0003488109140000032
表示红外传感器测得目标俯仰角。
由于红外和雷达传感器之间的开机时间和采样频率不同，需要先将两者的观测数据在时间上对准。本发明使用线性插值方法，将多传感器量测信号转化成具有相同采样频率和时间基准的数字信号。以雷达传感器观测数据为例，假设雷达传感器在相邻的两个采样时刻t1和t2的观测数据分别为XR(t1)和XR(t2)，则在时刻τ的近似雷达信号XR(τ)(t1<τ<t2)计算方法如下：
Figure BDA0003488109140000033
102、空间对准
雷达和红外传感器的观测数据一般都是在球坐标系下表征，为了方便后续在直角坐标系下处理，须要根据以下转换关系式将观测数据转换到直角坐标系。
Figure BDA0003488109140000034
上式中，(x,y,z)为直角坐标系下的状态量，
Figure BDA0003488109140000035
为球坐标系下状态量。
步骤2：基于最优数据压缩算法的数据融合
本发明使用最优数据压缩算法将雷达传感器和红外传感器接收到的观测数据融合，从而形成新的观测数据：
Figure BDA0003488109140000036
其计算方法如下：
r(t)＝rR(t)
Figure BDA0003488109140000037
Figure BDA0003488109140000038
其中，
Figure BDA0003488109140000039
和
Figure BDA00034881091400000310
分别是雷达传感器和红外传感器的方位角测量误差方差，
Figure BDA00034881091400000311
和
Figure BDA00034881091400000312
是雷达传感器和红外传感器的俯仰角测量误差方差，在本发明中视为传感器的固有属性。
步骤3：基于扩展卡尔曼滤波的状态估计
本发明使用扩展卡尔曼滤波算法对观测目标的状态进行估计，在离散时间域下的目标状态转移方程如下：
X(k+1)＝f(X(k))+v(k)
其中，X(k)为状态向量，f(X(k))为状态转移函数，v(k)为系统过程噪声矩阵，本发明中使用高斯白噪声来模拟其值，且其均值为零、协方差为Q(k)。
系统量测方程如下：
Z(k)＝h(X(k))+w(k)
其中，Z(k)为观测向量，h(X(k))为观测函数，w(k)为观测噪声矩阵，本发明中使用高斯白噪声来模拟其值，其均值为零、协方差为R(k)，且与过程噪声保持独立。
EKF在离散时间域下的预测和更新方程如下：
Figure BDA0003488109140000041
P(k+1|k)＝F(k)P(k|k)F(k)T+Q(k)
Figure BDA0003488109140000042
Figure BDA0003488109140000043
P(k+1|k+1)＝(I-K(k+1)H(k+1))P(k+1|k)
其中，
Figure BDA0003488109140000044
表示k+1时刻的后验状态估计值，P(k|k)和P(k+1|k+1)分别表示k和k+1时刻后验估计协方差，P(k+1|k)表示k+1时刻先验估计协方差，F(k)表示系统状态转移矩阵，K(k+1)表示滤波增益矩阵，
Figure BDA0003488109140000045
表示k+1时刻的先验状态估计值，H(k+1)称为观测矩阵的雅可比矩阵，其计算方法如下。
Figure BDA0003488109140000046
附图2～4分别是目标在匀速运动(CV)、匀加速(CA)和转弯运动(CT)状态下的信号融合仿真结果。
步骤4：使用DBN算法根据收到的观测目标的状态估计值与新的观测数据实时估计并调整系统受到的实际观测噪声，提高EKF的跟踪精度。
在EKF算法中，新息计算公式为：
Figure BDA0003488109140000047
如果动态系统的数学模型确定，新息应该是零均值白噪声，且实际新息方差与理论新息方差之比应该为1。因此，可以实时观测实际新息方差与理论新息方差之比，从而判断当前的系统模型是否准确以及是否需要调整噪声矩阵，这样就能有效提升EKF算法对于目标状态的估计精度。在本发明中，为了模拟实际噪声变化，分别取了均值为零，方差各不相同的实际噪声，将不同噪声对应的比值作为深度置信网络(DBN)的输入，训练DBN模型进行噪声分类，从而实时修改噪声矩阵。
深度置信网络的训练过程主要包括两个阶段：①预训练：这个过程是非监督学习，主要是依次单独地、充分地对每一层的受限玻尔兹曼机进行训练。训练过程中需要保证能够尽量保留原始信号的特征信息。此过程用到了非监督贪婪逐层方法，通过预训练获得权重。原始信号输入到显层生成一个向量v，再通过权值w传递给隐层，得到h，从而得到隐层所有节点值。以单层受限玻尔兹曼机(RBM)来说，显层即用来输入输出，隐层即用来提取特征。②微调：在DBN最后一层加上BP神经网络，最后一层受限玻尔兹曼机的输出信号输入BP网络，进行有监督学习。在进行预训练时，训练每一层受限玻尔兹曼机的时候只是让这一层的权值能最优化表达这一层的特征向量，而整层的DBN则不一定是最优。所以BP网络还要对整个网络进行微调，自上而下的在每层受限玻尔兹曼机之间传递错误信息。
根据上述方法，基于深度信念网络的扩展卡尔曼滤波算法(DBNEKF)步骤如下：
1、计算理论新息协方差：
Figure BDA0003488109140000051
式中，Hk为k时刻的观测矩阵的雅可比矩阵；
2、计算实际新息协方差：
Figure BDA0003488109140000052
其中，rj(j＝k-M+1,...,k)表示与当前时刻k最近邻的M个新息，时间窗大小M的选定规则有以下三条：
当调整观测噪声矩阵R时，窗口要小于更新度量的数量；
当调整系统噪声矩阵Q时，窗口要小于滤波器状态数；
当同时调整观测噪声矩阵R和系统噪声矩阵Q时，窗口要小于更新测量和滤波状态之和。
对于小样本，在选择估计窗口大小时有一个额外的限制。估计窗口越大，估计的偏差就越小。然而，大的估计窗口降低了算法正确跟踪轨迹高频变化(如转弯)的能力。所以，实际种要根据手头的应用，综合考虑估算的偏差和可跟踪性。
3、当理论新息方差与实际新息方差有偏差时，可以利用DBN判断实际噪声大小，从而调整观测噪声矩阵，降低不一致程度。本发明中定义了匹配度来衡量一致程度，其计算公式为：
Figure BDA0003488109140000061
当匹配度偏离1时，说明实际噪声与预设噪声有偏差，这时将Ink输入DBN模型，判断实际噪声大小，实时调整观测噪声矩阵Rk，使得Ink重新回到1附近。
在仿真实验中，于某个时刻加入测距误差的突变以模拟实际观测噪声发生改变的情况，图5～13是各算例下使用DBNEKF和EKF进行信号融合滤波的对比情况。

Claims (5)

1.一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，其特征在于：包括下述步骤：
步骤1：根据红外和雷达传感器不同的量测信号特征进行时空对准的信号预处理；
步骤2：使用最优数据压缩算法将两者的信息进行压缩融合，形成新的观测量；
步骤3：使用EKF实现飞行器的状态估计；
步骤4：使用DBN算法根据收到的估计值与观测值实时估计并调整系统受到的实际观测噪声。
2.如权利要求1所述一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，其特征在于：步骤1中信号预处理具体方法为：
101、时间对准
雷达传感器在t时刻的观测数据XR(t)定义如下：
Figure RE-FDA0003603280840000011
其中，rR(t)表示雷达传感器测得目标相对距离，θR(t)表示雷达传感器测得目标方位角，
Figure RE-FDA0003603280840000012
表示雷达传感器测得目标俯仰角；
红外传感器在t时刻的观测数据XI(t)定义如下：
Figure RE-FDA0003603280840000013
其中，θI(t)表示红外传感器测得目标方位角，
Figure RE-FDA0003603280840000014
表示红外传感器测得目标俯仰角；
使用线性插值方法，将多传感器量测信号转化成具有相同采样频率和时间基准的数字信号；
102、空间对准
雷达和红外传感器的观测数据一般都是在球坐标系下表征，为了方便后续在直角坐标系下处理，须要根据以下转换关系式将观测数据转换到直角坐标系：
Figure RE-FDA0003603280840000015
上式中，(x,y,z)为直角坐标系下的状态量，
Figure RE-FDA0003603280840000021
为球坐标系下状态量。
3.如权利要求1所述一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，其特征在于：步骤2中新的观测数据：
Figure RE-FDA0003603280840000022
其计算方法如下：
r(t)＝rR(t)
Figure RE-FDA0003603280840000023
Figure RE-FDA0003603280840000024
其中，
Figure RE-FDA0003603280840000025
和
Figure RE-FDA0003603280840000026
分别是雷达传感器和红外传感器的方位角测量误差方差，
Figure RE-FDA0003603280840000027
和
Figure RE-FDA0003603280840000028
是雷达传感器和红外传感器的俯仰角测量误差方差，在本发明中视为传感器的固有属性。
4.如权利要求1所述一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，其特征在于：步骤4的具体方法为：
A、为了模拟实际噪声变化，分别取了均值为零，方差各不相同的实际噪声，将不同噪声对应的比值作为深度置信网络的输入，训练深度置信网络模型进行噪声分类，从而实时修改噪声矩阵；
B、计算理论新息协方差：
Figure RE-FDA0003603280840000029
式中，Hk为k时刻的观测矩阵的雅可比矩阵；F(k)为系统状态转移矩阵；P(k|k)为表示k时刻先验估计协方差；Q(k)为系统过程噪声矩阵协方差；Rk为观测噪声矩阵协方差；
C、计算实际新息协方差：
Figure RE-FDA00036032808400000210
其中，rj(j＝k-M+1,...,k)表示与当前时刻k最近邻的M个新息；
D、当理论新息方差与实际新息方差有偏差时，可以利用DBN判断实际噪声大小；定义匹配度来衡量一致程度，其计算公式为：
Figure RE-FDA00036032808400000211
当匹配度偏离1时，说明实际噪声与预设噪声有偏差，这时将输入DBN模型，判断实际噪声大小，实时调整观测噪声矩阵Rk，使得Ink重新回到1附近。
5.如权利要求3所述一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，其特征在于：时间窗大小M的选定规则为：
当调整观测噪声矩阵R时，窗口要小于更新度量的数量；
当调整系统噪声矩阵Q时，窗口要小于滤波器状态数；
当同时调整观测噪声矩阵R和系统噪声矩阵Q时，窗口要小于更新测量和滤波状态之和。
CN202210088429.5A 2022-01-25 2022-01-25 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 Pending CN114565020A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210088429.5A CN114565020A (zh) 2022-01-25 2022-01-25 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210088429.5A CN114565020A (zh) 2022-01-25 2022-01-25 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法

Publications (1)

Publication Number Publication Date
CN114565020A true CN114565020A (zh) 2022-05-31

Family

ID=81714694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210088429.5A Pending CN114565020A (zh) 2022-01-25 2022-01-25 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法

Country Status (1)

Country Link
CN (1) CN114565020A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117269885A (zh) * 2023-11-23 2023-12-22 中国飞行试验研究院 基于机会信号融合的飞行器定位方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117269885A (zh) * 2023-11-23 2023-12-22 中国飞行试验研究院 基于机会信号融合的飞行器定位方法及装置
CN117269885B (zh) * 2023-11-23 2024-02-20 中国飞行试验研究院 基于机会信号融合的飞行器定位方法及装置

Similar Documents

Publication Publication Date Title
Li et al. Kalman filter and its application
CN109597864B (zh) 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统
CN104199022B (zh) 一种基于目标模态估计的临近空间高超声速目标跟踪方法
CN111813113B (zh) 仿生视觉自运动感知地图绘制方法、存储介质及设备
CN111027692A (zh) 一种目标运动态势预测方法及装置
CN111913484B (zh) 一种变电站巡检机器人在未知环境下的路径规划方法
CN109212519B (zh) 基于bf-dlstm的窄带雷达目标跟踪方法
CN110895146A (zh) 一种移动机器人同步定位与地图构建方法
CN108152812B (zh) 一种调整网格间距的改进agimm跟踪方法
CN111121770B (zh) 一种交互式多弹多模型航迹融合方法
CN114565020A (zh) 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法
CN117369507A (zh) 一种自适应粒子群算法的无人机动态路径规划方法
Blasch Modeling Intent for a target tracking and identification Scenario
CN114445456B (zh) 基于部分模型的数据驱动智能机动目标跟踪方法及装置
Thomas et al. Hierarchical GNC for High Cardinality Random Finite Set Based Teams with Autonomous Mission Planning
CN112986978A (zh) 一种雷达目标跟踪滤波的信任度获取方法
CN113689501A (zh) 一种基于收敛点的双机协同目标机定位跟踪控制方法
CN113238218A (zh) 基于phd滤波的临近空间高超声速目标跟踪方法
CN116047495B (zh) 一种用于三坐标雷达的状态变换融合滤波跟踪方法
CN116358564B (zh) 无人机蜂群质心运动状态跟踪方法、系统、设备及介质
Lee et al. Rao-blackwellized unscented particle filter for a handheld unexploded ordnance geolocation system using IMU/GPS
CN115937265A (zh) 一种基于逆伽马-高斯逆威沙特分布的目标跟踪方法
CN116383966B (zh) 一种基于交互多模型的多无人系统分布式协同定位方法
CN115128597B (zh) 基于imm-stekf的非高斯噪声下机动目标跟踪方法
Zheng et al. A Method of Square Root Central Difference Kalman Filter for Target Motion Analysis

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