CN117521018B - 基于扩展观测的融合估计方法、装置、设备及存储介质 - Google Patents
基于扩展观测的融合估计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117521018B CN117521018B CN202410024460.1A CN202410024460A CN117521018B CN 117521018 B CN117521018 B CN 117521018B CN 202410024460 A CN202410024460 A CN 202410024460A CN 117521018 B CN117521018 B CN 117521018B
- Authority
- CN
- China
- Prior art keywords
- observations
- fusion
- state
- determining
- extended
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 230000006870 function Effects 0.000 claims description 40
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 230000009466 transformation Effects 0.000 claims description 24
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Abstract
本发明属于融合估计技术领域,公开了一种基于扩展观测的融合估计方法、装置、设备及存储介质。该方法包括:根据状态方程确定初始状态估计量的预测状态估计量;根据所述预测状态估计量和观测方程,确定预测观测值;确定所述预测观测值的多个伪观测值;根据所述预测观测值以及所述多个伪观测值确定多个扩展观测;根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵;融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵;根据所述融合估计量以及所述融合协方差矩阵确定融合估计结果,并将所述融合估计结果用于雷达追踪。能够保证雷达追踪效果。
Description
技术领域
本发明涉及融合估计技术领域,尤其涉及一种基于扩展观测的融合估计方法、装置、设备及存储介质。
背景技术
现有的雷达追踪方式基于伪观测的非线性估计算法利用原观测的非线性变换作为伪观测在线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)框架下对状态量进行更新。主要的算法包括基于高斯函数的伪观测算法(第一类算法)和基于多个假设的概率融合算法(第二类算法),第一类算法与第二类算法均存在缺陷,第一类算法的缺陷在于将原观测假设成服从高斯分布,从而在高度非线性问题中或者噪声为非高斯噪声的情况下的估计效果欠缺,且第一类算法只考虑了单个伪观测的情况,无法包括多个伪观测;第二类算法利用了融合的思想,但是融合的方式使得所得的结果未必是满足一致性(Consistency)要求的,这导致在长时间的对状态量进行估计的同时使得结果的协方差矩阵比实际的均方误差更小从而产生不一致性。这两种算法都会影响到雷达追踪的追踪效果,因此,需要提出一种新的算法来对状态量进行更新。
发明内容
本发明的主要目的在于提供一种基于扩展观测的融合估计方法、装置、设备及存储介质,旨在解决现有技术中第一类算法与第二类算法影响到雷达追踪的效果的技术问题。
为实现上述目的,本发明提供了一种基于扩展观测的融合估计方法,所述方法包括以下步骤:
根据状态方程确定初始状态估计量的预测状态估计量;
根据所述预测状态估计量和观测方程,确定预测观测值;
确定所述预测观测值的多个伪观测值;
根据所述预测观测值以及所述多个伪观测值确定多个扩展观测;
根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵;
融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵;
根据所述融合估计量以及所述融合协方差矩阵确定融合估计结果,并将所述融合估计结果用于雷达追踪。
可选地,所述根据状态方程确定初始状态估计量的预测状态估计量,包括:
获取初始状态估计量;
根据系统状态迭代的非线性函数以及高斯白噪声构建状态方程;
将所述初始状态估计量输入所述状态方程中,得到预测状态估计量。
可选地,所述确定所述预测观测值的多个伪观测值,包括:
构造所述预测观测值的多个非线性变换函数,其中,非线性变换函数包括高斯函数和多项式函数;
采用无迹变换对所述多个非线性变换函数进行求解,确定多个伪观测值。
可选地,所述采用无迹变换对所述多个非线性变换函数进行求解,确定多个伪观测值,包括:
产生一组表征概率分布的Sigma点;
根据所述Sigma点对所述多个非线性变化函数进行求解,确定多个伪观测值。
可选地,所述根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵,包括:
确定预测状态估计量与扩展观测之间的第一协方差矩阵;
确定多个扩展观测的第二协方差矩阵;
根据所述第一协方差矩阵以及所述第二协方差矩阵确定卡尔曼增益;
根据所述预测状态估计量、所述多个扩展观测以及所述卡尔曼增益,确定多个更新状态量;
根据所述卡尔曼增益以及所述多个扩展观测的第一协方差矩阵,确定多个协方差矩阵。
可选地,所述融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵,包括:
判断所述多个更新状态量中是否存在异常值;
在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵。
可选地,所述在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵,包括:
确定更新状态量的实际观测值;
确定所述实际观测值的曼哈顿距离;
将曼哈顿距离大于预设阈值的更新状态量作为异常值;
在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵。
此外,为实现上述目的,本发明还提出一种基于扩展观测的融合估计装置,所述基于扩展观测的融合估计装置包括:
确定模块,用于根据状态方程确定初始状态估计量的预测状态估计量;
所述确定模块,还用于根据所述预测状态估计量和观测方程,确定预测观测值;
所述确定模块,还用于确定所述预测观测值的多个伪观测值;
所述确定模块,还用于根据所述预测观测值以及所述多个伪观测值确定多个扩展观测;
更新模块,用于根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵;
融合模块,用于融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵;
所述融合模块,还用于根据所述融合估计量以及所述融合协方差矩阵确定融合估计结果,并将所述融合估计结果用于雷达追踪。
此外,为实现上述目的,本发明还提出一种基于扩展观测的融合估计设备,所述基于扩展观测的融合估计设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于扩展观测的融合估计程序,所述基于扩展观测的融合估计程序配置为实现如上文所述的基于扩展观测的融合估计方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于扩展观测的融合估计程序,所述基于扩展观测的融合估计程序被处理器执行时实现如上文所述的基于扩展观测的融合估计方法的步骤。
本发明提出的基于扩展观测的融合估计方法、装置、设备及存储介质,根据状态方程确定初始状态估计量的预测状态估计量;根据所述预测状态估计量和观测方程,确定预测观测值;确定所述预测观测值的多个伪观测值;根据所述预测观测值以及所述多个伪观测值确定多个扩展观测;根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵;融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵;根据所述融合估计量以及所述融合协方差矩阵确定融合估计结果,并将所述融合估计结果用于雷达追踪。通过上述方式,通过一致性融合的方式利用多个扩展观测去更新状态量,使得在LMMSE框架下降低了状态量的不确定度,同时还能避免由于存在的未知相关性所带来的状态估计量的一致性问题,进而确保雷达追踪的效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于扩展观测的融合估计设备的结构示意图;
图2为本发明基于扩展观测的融合估计方法第一实施例的流程示意图;
图3为本发明基于扩展观测的融合估计方法第二实施例的流程示意图;
图4为本发明基于扩展观测的融合估计装置第一实施例的结构框图。
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用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于扩展观测的融合估计设备结构示意图。
如图1所示,该基于扩展观测的融合估计设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于扩展观测的融合估计设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于扩展观测的融合估计程序。
在图1所示的基于扩展观测的融合估计设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于扩展观测的融合估计设备中的处理器1001、存储器1005可以设置在基于扩展观测的融合估计设备中,所述基于扩展观测的融合估计设备通过处理器1001调用存储器1005中存储的基于扩展观测的融合估计程序,并执行本发明实施例提供的基于扩展观测的融合估计方法。
基于上述硬件结构,提出本发明基于扩展观测的融合估计方法实施例。
参照图2,图2为本发明一种基于扩展观测的融合估计方法第一实施例的流程示意图。
本实施例中,所述基于扩展观测的融合估计方法包括以下步骤:
步骤S10:根据状态方程确定初始状态估计量的预测状态估计量。
需要说明的是,本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备,例如手机、平板电脑、个人电脑等,或者是一种能够实现上述功能的电子设备或基于扩展观测的融合估计设备。以下以所述基于扩展观测的融合估计设备为例,对本实施例及下述各实施例进行说明。
需要说明的是,初始状态估计量可以随机进行确定;在做动态系统的状态估计时,需要涉及到状态方程和观测方程,预测状态估计量可以通过上一时刻的状态估计量来根据状态方程进行下一时刻的状态量进行预测,比如,将初始状态估计量作为第0时刻的预测状态估计量,便可得到第k时刻的预测状态估计量。
在一实施例中,所述根据状态方程确定初始状态估计量的预测状态估计量,包括:
获取初始状态估计量;
根据系统状态迭代的非线性函数以及高斯白噪声构建状态方程;
将所述初始状态估计量输入所述状态方程中,得到预测状态估计量。
在具体实现中,状态方程的具体表现形式如下:
式中,表示待估计的系统状态向量(如在雷达追踪的场景中,/>表示速度或者位置等等),/>是系统状态迭代的非线性函数,/>表示高斯白噪声,通常表示为(噪声的均值为0,协方差为Q),k表示时间。
步骤S20:根据所述预测状态估计量和观测方程,确定预测观测值。
在具体实现中,观测方程的具体表现形式如下:
式中,是高斯白噪声,h() 是一个非线性函数,用于将状态向量映射到观测空间。
步骤S30:确定所述预测观测值的多个伪观测值。
在一实施例中,所述确定所述预测观测值的多个伪观测值,包括:
构造所述预测观测值的多个非线性变换函数,其中,非线性变换函数包括高斯函数和多项式函数;
采用无迹变换对所述多个非线性变换函数进行求解,确定多个伪观测值。
在具体实现中,高斯函数为:;多项式函数为:
其中,表示原观测对应的协方差矩阵的逆矩阵,/>表示原观测的预测值,PZ表示原观测的协方差矩阵的平方根矩阵。
可以理解的是,通过构造多个非线性变换可以得到多个伪观测值。
在一实施例中,所述采用无迹变换对所述多个非线性变换函数进行求解,确定多个伪观测值,包括:
产生一组表征概率分布的Sigma点;
根据所述Sigma点对所述多个非线性变化函数进行求解,确定多个伪观测值。
在具体实现中,采用无迹变换对多个非线性变化函数进行求解的具体步骤如下:
首先,产生一组表征概率分布的Sigma点,其中,n为系统状态的维度。
其中,在k-1时刻得到的状态估计和相对应的协方差矩阵,为对应的矩阵/>的平方根矩阵的第i列,/>为参数,由这2n+1个Sigma点对/>,/>进行求解,便可得到多个伪观测值,如下所示:
式中,表示第s个伪观测值。
步骤S40:根据所述预测观测值以及所述多个伪观测值确定多个扩展观测。
在具体实现中,对于每个伪观测值,需要叠加预测观测值来得到多个扩展观测,也即每个扩展观测为预测观测值与伪观测值的叠加,扩展观测具体可表示为:
式中,表示预测观测值,/>表示伪观测值,s表示伪观测值的数量。
步骤S50:根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵。
在一实施例中,所述根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵,包括:
确定预测状态估计量与扩展观测之间的第一协方差矩阵;
确定多个扩展观测的第二协方差矩阵;
根据所述第一协方差矩阵以及所述第二协方差矩阵确定卡尔曼增益;
根据所述预测状态估计量、所述多个扩展观测以及所述卡尔曼增益,确定多个更新状态量;
根据所述卡尔曼增益以及所述多个扩展观测的第一协方差矩阵,确定多个协方差矩阵。
需要说明的是,需要根据每一个扩展观测对预测状态估计量进行更新,具体的更新方程如下(以下以第一个扩展观测为例):
式中,表示卡尔曼增益,/>表示预测状态估计量和第一个扩展观测之间的协方差矩阵(即第一协方差矩阵),/>表示第一个扩展观测的协方差矩阵(即第二协方差矩阵),/>表示第一个扩展观测(即根据预测观测值确定的扩展观测),zaug,1表示根据原始观测值确定的扩展观测,/>表示基于第一个扩展观测得到的状态估计量,/>表示基于第一个扩展观测得到的协方差矩阵。
可以理解的是,其他基于第m个扩展观测得到的状态估计量以及协方差矩阵可以通过同样的方式获得。
步骤S60:融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵。
在具体实现中,在获取到多个状态估计量(即更新状态量)以及多个协方差矩阵之后,可以通过逆协方差交叉算法将其进行融合,具体如下:
首先,将每一个状态估计量对应的协方差矩阵变换成对应的信息形式,也即,i=1,2…,m,通过逆协方差交叉的融合方式对基于不同伪观测获得的估计量进行融合的算法如下所示:
其中,和/>为第s个更新状态量对应的权重,在这里是一个可调参数,不同的权重策略将获得不同的协方差和估计量,/>表示融合协方差矩阵,/>表示融合后的状态估计量(即融合估计量),f表示融合。
步骤S70:根据所述融合估计量以及所述融合协方差矩阵确定融合估计结果,并将所述融合估计结果用于雷达追踪。
需要说明的是,通过一致性融合的方式确定的融合估计量能够避免未知相关性所带来的状态估计量的一致性问题,也即协方差矩阵小于均方误差矩阵的问题;在获取到融合估计量以及融合协方差矩阵之后,可将融合估计量以及融合协方差矩阵作为下一时刻的初始量,从而开始下一个估计周期,将融合估计结果用于雷达追踪上能够用于提高雷达追踪的追踪效果。
本实施例通过根据状态方程确定初始状态估计量的预测状态估计量;根据所述预测状态估计量和观测方程,确定预测观测值;确定所述预测观测值的多个伪观测值;根据所述预测观测值以及所述多个伪观测值确定多个扩展观测;根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵;融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵;根据所述融合估计量以及所述融合协方差矩阵确定融合估计结果,并将所述融合估计结果用于雷达追踪。通过上述方式,通过一致性融合的方式利用多个扩展观测去更新状态量,使得在LMMSE框架下降低了状态量的不确定度,同时还能避免由于存在的未知相关性所带来的状态估计量的一致性问题,进而确保雷达追踪的效果。
参考图3,图3为本发明一种基于扩展观测的融合估计方法第二实施例的流程示意图。
基于上述第一实施例,本实施例基于扩展观测的融合估计方法所述融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵,包括:
步骤S601:判断所述多个更新状态量中是否存在异常值。
步骤S602:在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵。
需要说明的是,当更新状态量中存在异常值时,需要将这部分异常的更新状态量删除,防止异常值影响融合估计量的融合效果。
在一实施例中,所述在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵,包括:
确定更新状态量的实际观测值;
确定所述实际观测值的曼哈顿距离;
将曼哈顿距离大于预设阈值的更新状态量作为异常值;
在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵。
在具体实现中,可以利用Sigma点来计算观测的协方差矩阵:
其中,函数将sigma点替换其中的/>即可。
然后根据实际观测值确定对应的曼哈顿距离
最后将曼哈顿距离和预设阈值进行比较,如果曼哈顿距离远大于1说明该更新状态量大概率为异常值,需要将其删除,此后需要进行s次曼哈顿距离的计算。
本实施例通过判断所述多个更新状态量中是否存在异常值。在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵。通过上述方式,能够通过构建曼哈顿距离衡量基于某个扩展观测得到的更新状态量是否为异常值,在一定程度上解决了多个更新状态量在融合时的异常值问题。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于扩展观测的融合估计程序,所述基于扩展观测的融合估计程序被处理器执行时实现如上文所述的基于扩展观测的融合估计方法的步骤。
参照图4,图4为本发明基于扩展观测的融合估计装置第一实施例的结构框图。
如图4所示,本发明实施例提出的基于扩展观测的融合估计装置包括:
确定模块10,用于根据状态方程确定初始状态估计量的预测状态估计量。
所述确定模块10,还用于根据所述预测状态估计量和观测方程,确定预测观测值。
所述确定模块10,还用于确定所述预测观测值的多个伪观测值。
所述确定模块10,还用于根据所述预测观测值以及所述多个伪观测值确定多个扩展观测。
更新模块20,用于根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵。
融合模块30,用于融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵。
所述融合模块30,还用于根据所述融合估计量以及所述融合协方差矩阵确定融合估计结果,并将所述融合估计结果用于雷达追踪。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
本实施例通过根据状态方程确定初始状态估计量的预测状态估计量;根据所述预测状态估计量和观测方程,确定预测观测值;确定所述预测观测值的多个伪观测值;根据所述预测观测值以及所述多个伪观测值确定多个扩展观测;根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵;融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵;根据所述融合估计量以及所述融合协方差矩阵确定融合估计结果,并将所述融合估计结果用于雷达追踪。通过上述方式,通过一致性融合的方式利用多个扩展观测去更新状态量,使得在LMMSE框架下降低了状态量的不确定度,同时还能避免由于存在的未知相关性所带来的状态估计量的一致性问题,进而确保雷达追踪的效果。
在一实施例中,所述确定模块10,还用于:
获取初始状态估计量;
根据系统状态迭代的非线性函数以及高斯白噪声构建状态方程;
将所述初始状态估计量输入所述状态方程中,得到预测状态估计量。
在一实施例中,所述确定模块10,还用于:
构造所述预测观测值的多个非线性变换函数,其中,非线性变换函数包括高斯函数和多项式函数;
采用无迹变换对所述多个非线性变换函数进行求解,确定多个伪观测值。
在一实施例中,所述确定模块10,还用于:
产生一组表征概率分布的Sigma点;
根据所述Sigma点对所述多个非线性变化函数进行求解,确定多个伪观测值。
在一实施例中,所述更新模块20,还用于:
确定预测状态估计量与扩展观测之间的第一协方差矩阵;
确定多个扩展观测的第二协方差矩阵;
根据所述第一协方差矩阵以及所述第二协方差矩阵确定卡尔曼增益;
根据所述预测状态估计量、所述多个扩展观测以及所述卡尔曼增益,确定多个更新状态量;
根据所述卡尔曼增益以及所述多个扩展观测的第一协方差矩阵,确定多个协方差矩阵。
在一实施例中,所述融合模块30,还用于:
判断所述多个更新状态量中是否存在异常值;
在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵。
在一实施例中,所述融合模块30,还用于:
确定更新状态量的实际观测值;
确定所述实际观测值的曼哈顿距离;
将曼哈顿距离大于预设阈值的更新状态量作为异常值;
在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于扩展观测的融合估计方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光 盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
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 (9)
1.一种基于扩展观测的融合估计方法,其特征在于,所述基于扩展观测的融合估计方法,包括:
根据状态方程确定初始状态估计量的预测状态估计量;
根据所述预测状态估计量和观测方程,确定预测观测值;
确定所述预测观测值的多个伪观测值;
根据所述预测观测值以及所述多个伪观测值确定多个扩展观测;
根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵;
融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵;
根据所述融合估计量以及所述融合协方差矩阵确定融合估计结果,并将所述融合估计结果用于雷达追踪;
所述根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵,包括:
确定预测状态估计量与扩展观测之间的第一协方差矩阵;
确定多个扩展观测的第二协方差矩阵;
根据所述第一协方差矩阵以及所述第二协方差矩阵确定卡尔曼增益;
根据所述预测状态估计量、所述多个扩展观测以及所述卡尔曼增益,确定多个更新状态量;
根据所述卡尔曼增益以及所述多个扩展观测的第一协方差矩阵,确定多个协方差矩阵。
2.如权利要求1所述的方法,其特征在于,所述根据状态方程确定初始状态估计量的预测状态估计量,包括:
获取初始状态估计量;
根据系统状态迭代的非线性函数以及高斯白噪声构建状态方程;
将所述初始状态估计量输入所述状态方程中,得到预测状态估计量。
3.如权利要求1所述的方法,其特征在于,所述确定所述预测观测值的多个伪观测值,包括:
构造所述预测观测值的多个非线性变换函数,其中,非线性变换函数包括高斯函数和多项式函数;
采用无迹变换对所述多个非线性变换函数进行求解,确定多个伪观测值。
4.如权利要求3所述的方法,其特征在于,所述采用无迹变换对所述多个非线性变换函数进行求解,确定多个伪观测值,包括:
产生一组表征概率分布的Sigma点;
根据所述Sigma点对所述多个非线性变化函数进行求解,确定多个伪观测值。
5.如权利要求1所述的方法,其特征在于,所述融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵,包括:
判断所述多个更新状态量中是否存在异常值;
在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵。
6.如权利要求5所述的方法,其特征在于,所述在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵,包括:
确定更新状态量的实际观测值;
确定所述实际观测值的曼哈顿距离;
将曼哈顿距离大于预设阈值的更新状态量作为异常值;
在判定所述多个更新状态量中是存在异常值时,则在删除所述多个更新状态量中的异常值之后,融合保留下来的多个更新状态量得到融合估计量,并融合保留下来的多个协方差矩阵得到融合协方差矩阵。
7.一种基于扩展观测的融合估计装置,其特征在于,所述基于扩展观测的融合估计装置包括:
确定模块,用于根据状态方程确定初始状态估计量的预测状态估计量;
所述确定模块,还用于根据所述预测状态估计量和观测方程,确定预测观测值;
所述确定模块,还用于确定所述预测观测值的多个伪观测值;
所述确定模块,还用于根据所述预测观测值以及所述多个伪观测值确定多个扩展观测;
更新模块,用于根据所述多个扩展观测对所述预测状态估计量进行更新,得到多个更新状态量和多个协方差矩阵;
融合模块,用于融合所述多个更新状态量之后得到融合估计量,以及融合所述多个协方差矩阵得到融合协方差矩阵;
所述融合模块,还用于根据所述融合估计量以及所述融合协方差矩阵确定融合估计结果,并将所述融合估计结果用于雷达追踪;
所述更新模块,还用于:
确定预测状态估计量与扩展观测之间的第一协方差矩阵;
确定多个扩展观测的第二协方差矩阵;
根据所述第一协方差矩阵以及所述第二协方差矩阵确定卡尔曼增益;
根据所述预测状态估计量、所述多个扩展观测以及所述卡尔曼增益,确定多个更新状态量;
根据所述卡尔曼增益以及所述多个扩展观测的第一协方差矩阵,确定多个协方差矩阵。
8.一种基于扩展观测的融合估计设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于扩展观测的融合估计程序,所述基于扩展观测的融合估计程序配置为实现如权利要求1至6中任一项所述的基于扩展观测的融合估计方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有基于扩展观测的融合估计程序,所述基于扩展观测的融合估计程序被处理器执行时实现如权利要求1至6任一项所述的基于扩展观测的融合估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410024460.1A CN117521018B (zh) | 2024-01-08 | 2024-01-08 | 基于扩展观测的融合估计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410024460.1A CN117521018B (zh) | 2024-01-08 | 2024-01-08 | 基于扩展观测的融合估计方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117521018A CN117521018A (zh) | 2024-02-06 |
CN117521018B true CN117521018B (zh) | 2024-03-26 |
Family
ID=89746141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410024460.1A Active CN117521018B (zh) | 2024-01-08 | 2024-01-08 | 基于扩展观测的融合估计方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117521018B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714045A (zh) * | 2014-01-09 | 2014-04-09 | 北京理工大学 | 面向异步多速率不均匀采样观测数据的信息融合估计方法 |
CN104849702A (zh) * | 2015-04-30 | 2015-08-19 | 中国民航大学 | 利用ads-b数据的gm-ephd滤波雷达系统误差联合估计方法 |
CN108089183A (zh) * | 2017-11-28 | 2018-05-29 | 西安电子科技大学 | 一种用于异步多基地雷达系统的检测跟踪一体化方法 |
CN111506873A (zh) * | 2020-04-13 | 2020-08-07 | 深圳埃瑞斯瓦特新能源有限公司 | 基于扩展卡尔曼滤波算法的非线性系统参数估计方法 |
CN113203418A (zh) * | 2021-04-20 | 2021-08-03 | 同济大学 | 基于序贯卡尔曼滤波的gnssins视觉融合定位方法及系统 |
CN114217283A (zh) * | 2021-11-04 | 2022-03-22 | 清华大学 | 多普勒雷达静态融合平滑变结构滤波方法及装置 |
CN115618299A (zh) * | 2022-10-08 | 2023-01-17 | 东南大学 | 一种基于投影统计量检测器的多源信息融合方法 |
CN115855048A (zh) * | 2023-01-31 | 2023-03-28 | 思灵机器人科技(哈尔滨)有限公司 | 一种多传感器融合位姿估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7289906B2 (en) * | 2004-04-05 | 2007-10-30 | Oregon Health & Science University | Navigation system applications of sigma-point Kalman filters for nonlinear estimation and sensor fusion |
WO2018229898A1 (ja) * | 2017-06-14 | 2018-12-20 | 三菱電機株式会社 | 状態推定装置 |
-
2024
- 2024-01-08 CN CN202410024460.1A patent/CN117521018B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714045A (zh) * | 2014-01-09 | 2014-04-09 | 北京理工大学 | 面向异步多速率不均匀采样观测数据的信息融合估计方法 |
CN104849702A (zh) * | 2015-04-30 | 2015-08-19 | 中国民航大学 | 利用ads-b数据的gm-ephd滤波雷达系统误差联合估计方法 |
CN108089183A (zh) * | 2017-11-28 | 2018-05-29 | 西安电子科技大学 | 一种用于异步多基地雷达系统的检测跟踪一体化方法 |
CN111506873A (zh) * | 2020-04-13 | 2020-08-07 | 深圳埃瑞斯瓦特新能源有限公司 | 基于扩展卡尔曼滤波算法的非线性系统参数估计方法 |
CN113203418A (zh) * | 2021-04-20 | 2021-08-03 | 同济大学 | 基于序贯卡尔曼滤波的gnssins视觉融合定位方法及系统 |
CN114217283A (zh) * | 2021-11-04 | 2022-03-22 | 清华大学 | 多普勒雷达静态融合平滑变结构滤波方法及装置 |
CN115618299A (zh) * | 2022-10-08 | 2023-01-17 | 东南大学 | 一种基于投影统计量检测器的多源信息融合方法 |
CN115855048A (zh) * | 2023-01-31 | 2023-03-28 | 思灵机器人科技(哈尔滨)有限公司 | 一种多传感器融合位姿估计方法 |
Non-Patent Citations (3)
Title |
---|
Practical development of the second-order extended Kalman filter for very long range radar tracking;Wei Mei et.al;Signal Processing;20111231;第1240–1248页 * |
多传感器非线性系统的序贯观测融合扩展卡尔曼滤波器;程秀钱, 孙书利;黑龙江大学工程学报;20230331;第14卷(第1期);第38-43页 * |
自适应选择的雷达回波空间积累检测方法;宋科康, 孙涛, 党同心等;电讯技术;20160731;第56卷(第7期);第771-776页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117521018A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cavanaugh et al. | The Akaike information criterion: Background, derivation, properties, application, interpretation, and refinements | |
CN108229488B (zh) | 用于检测物体关键点的方法、装置及电子设备 | |
Kurtz et al. | Cross-entropy-based adaptive importance sampling using Gaussian mixture | |
CN113282960B (zh) | 一种基于联邦学习的隐私计算方法、装置、系统及设备 | |
US11645562B2 (en) | Search point determining method and search point determining apparatus | |
US20150309962A1 (en) | Method and apparatus for modeling a population to predict individual behavior using location data from social network messages | |
CN112910710B (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
CN115345293A (zh) | 基于差分隐私的文本处理模型的训练方法及装置 | |
CN117349899B (zh) | 基于遗忘模型的敏感数据处理方法、系统及存储介质 | |
CN117521018B (zh) | 基于扩展观测的融合估计方法、装置、设备及存储介质 | |
Shen et al. | A new formulation of vector weights in localized particle filters | |
CN114693066B (zh) | 地震危险性分析方法、装置、设备及存储介质 | |
CN115082505B (zh) | 一种网络疆域地图调整方法、装置、电子设备及存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113641767B (zh) | 实体关系抽取方法、装置、设备及存储介质 | |
KR20180119443A (ko) | 가우시안 프로세스 회귀분석을 이용한 클러스터링 방법 및 그 장치 | |
CN115034692B (zh) | 数据漂移的跟踪方法、装置、终端设备及存储介质 | |
CN113792760A (zh) | 聚类分析方法、装置、计算机设备和存储介质 | |
CN111582430A (zh) | 基于萤火虫算法的参数优化方法、装置、设备及存储介质 | |
WO2023228371A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Mazzoni | Fast continuous‐discrete DAF‐filters | |
CN113962391B (zh) | 神经网络架构搜索方法、装置、设备及存储介质 | |
CN115984709B (zh) | 一种快速大尺度遥感图像的内容识别方法 | |
CN116436799B (zh) | 复杂网络节点重要性评估方法、装置、设备和存储介质 | |
JP7478069B2 (ja) | 情報処理装置、情報処理方法、およびプログラム |
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 |