CN1981251A - 信号处理方法和装置 - Google Patents

Abstract

一种具有处理单元(20)和用于提供数据样值(22)的传感器的控制系统，诸如车辆管理系统，包括基于在先数据样值(26)的加权函数预测数据样值的多级前向预测滤波器。这允许系统在例如实际数据样值(22)因为噪声、通信故障等原因临时中断的情况下使用预测出的数据样值继续工作，而不考虑需要预测的丢失的数据样值的数目，并且该组权值(28)可以基于传感器信号的特性来确定。还讨论了确定该组权值的各种方法。

Description

信号处理方法和装置

本发明要求2005年6月22日提交的题为“Signal Processing Methods andApparatus”的澳大利亚专利申请第2004903397号的优先权，该申请的内容全部结合在此作为参考。

本发明涉及提供数据的多级前向预测滤波的信号处理方法和装置。本发明还涉及包括使用多级前向预测滤波器的车辆管理系统在内的实现多级前向预测滤波的控制系统。

通常，控制系统包括能够操作一个或多个执行器的控制单元，以及能够提供与系统状态有关的数据的一个或多个传感器。控制单元使用这些传感器数据做出控制决策并基于系统状态操作执行器。

控制系统通常提供安全措施以对抗传感器故障，例如提供冗余传感器和/或故障自动保护状态。除了完全的传感器损失之外，控制系统还会遭受间歇数据损失。例如，传感器数据有时未能到达控制单元。产生这一情况的原因很多，并且可能由于传感器本身和/或数据传输路径的临时问题。例如，它可能是由于瞬时短路或断开、通信网络故障和/或噪声的突然增加所引起的。

为了解决间歇数据丢失问题，已知提供了一种尝试从先前接收到的真实传感器数据来预测传感器数据的预测滤波器。于是，当一级或多级传感器采样缺少真实数据时，控制单元就使用预测滤波器来确定丢失的数据应该是什么(基于多个先前的真实数据样值)。

本发明的目的在于提供用于在实际传感器数据丢失时预测数据的新颖方法和装置。

从一个方面来看，本发明提供一种具有处理单元和传感器的控制系统，该系统包括用于传感器数据的多级前向预测滤波器，该滤波器基于在先数据样值的加权函数来预测数据样值，其中该滤波器不考虑需要预测的丢失的数据样本的量，使用单组权值来对这些在先数据样值加权，并且其中该组权值先前已基于传感器信号的特性确定。

从一方面来看，本发明可被看做一类有限脉冲响应(FIR)滤波器。然而，在现有的预测FIR滤波器系统中，必须应用多个不同的滤波器，每个滤波器都带有自己的一组权值，因为滤波器必须取决于预测要处理多少个连续丢失的数据样值，例如系统需要考虑最后一个真实数据样值之前的一个、两个、三个还是更多的数据级来变化。于是，在现有技术的滤波器中，滤波器权值是基于必须预测的数据之前的级数：如果数据仅在一个时间段内丢失，则有一组系数适用，如果数据在两个连续的时间段内丢失，则需要另一组系数，而如果数据在三个采样间隔内丢失，则还需要再一组系数。确定提前4级或更多级采样的能力就需要相应的权值组数增加。

相反的是，本发明仅使用单独的一组权值，而不论必须预测的数据之前的级数。本发明因仅需存储一组权值，所以能节省存储器。因为无需损失宝贵的处理时间来为预测的样本选择一组合适的权值，所以它还能节约计算时间。因此，本发明尤其适用于对时间和/或存储器要求高并需要实时预测滤波的应用。

本发明从系统专用的观点而非要在多少级之前预测数据的观点来配置预测滤波器的构造。于是，在本发明的方法中，基于使用滤波器的输出传感器信号的特定动态特性来确定单独一组权值。这与权值不是传感器特性的函数的现有技术相反。在现有技术中，预测滤波器和它们的权值有着更为广泛的应用，而在本发明中，一组权值适用于特定的传感器或传感器类型。于是，在本发明中，为降低存储器和/或计算时间开销而牺牲了一般性。本发明还提供了更高性能的预测。

控制系统可以包括例如车辆管理/控制系统。在这些系统中，车辆状态和驾驶员指令被高速采样并处理，但同时却限制了可用于存储数据的存储器的量。在一个实施例中，本发明能够提供一种提供面对这些限制的预测滤波的极佳方法。采样的数据例如可以包括诸如轮转速和偏航之类的车辆状态，以及诸如踩刹车、踩油门和打方向盘之类的驾驶员指令。

本发明假设传感器动态特性不随时间大幅变化，并且通常也的确如此。于是，一般传感器将随时间保持稳定或发生灾难性的故障。在后一种情况下，必须使用替换的控制策略，例如提供冗余传感器和/或触发故障自动保护状态，诸如关机。这种情况例如会在确定有一组以上数据样值丢失时发生。

在一个实施例中，该系统被配置成使得权值可更新，例如可以在闪存中提供这些权值。这将允许每隔一定时间更新权值，并允许在需要时基于传感器随时间的渐变来修改这些权值。这一更新例如可以在车辆等的常规服务期间进行。

根据本发明的一个实施例，预测一级前的数据样值作为多个(P个)先前接收的实际数据样本的线性组合。这P个数据样值被临时存储在存储器中，每一新接收到的数据样值被放入存储器中，且最老的数据样本相应地被丢弃。当由于丢失一样值而必须预测一级前的数据样本时，该预测出的数据样本就作为最新的数据样本存储，而当必须预测两级前的数据样本时，它是最近预测出的数据样本和前P-1个物理数据样本的线性组合。

滤波器可以采取如下形式：

$\hat{y}\left(k\right)=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{a}_i{y}^{\′}(k-i)---\left(1\right)$

其中y′(k-i)可以等于前一数据样值y(k-i)或先前预测出的样值

为了确定用于一传感器的滤波器权值，可以使用训练程序，在训练程序中，将来自所感兴趣的传感器的输出的已知训练数据应用于滤波器，并迭代滤波器系数以提供最优的误差函数。

这一训练程序可由处理单元本身在合适的时间执行，或者可以由外部处理器用额外的存储器容量等进行处理。外部处理器例如可以插入到控制系统中以接收所感兴趣的传感器信号。可选地，可例如通过使用恒等传感器系统，即恒等传感器和恒等受监视对象，在系统外部对传感器信号进行建模/仿真。

在一个实施例中，在需要的预测达到L个可能丢失的数据并使用了N个训练数据的情况下，误差函数可以采取L项之和的形式，对每一级可能的前向预测有一项，其中每一项都是实际数据值与为该项的前级预测出的误差之间的全部N个数据的误差之和。于是，误差函数的形式如下：

$E=\frac{1}{2}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\left\{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{[y\left(k\right)-y_j\left(k\right)]}^2\right\}---\left(2\right)$

该误差函数的最小化提供了一组与已执行哪个训练有关的并能应用于该传感器的一级至L级前向预测中的任一级的权值。

在一个实施例中，可以对该误差函数的各项进行加权以排列多级前向预测中一级或多级的优先顺序：

$E=\frac{1}{2}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\left\{C_j\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{[y\left(k\right)-y_j\left(k\right)]}^2\right\}---\left(3\right)$

于是，如果传感器系统是丢失数据通常在三个样本中连续出现的系统，则加权该误差函数使得三级前的项C₃具有更高的权值，而这将在确定权值的过程中起支配作用。在这一情况下，所得的权值将为三级前向预测提供最佳预测。

在一个实施例中，对误差函数加权，使得第一级前向预测的权值大于第二级，依此类推，即C₁＞C₂＞...C_L，因为情况通常是丢失的数据最经常的是作为单个丢失数据出现，并且连续丢失的数据的数目越多，这一情形出现的可能性也就越小。

误差函数也可以采取其他合适的形式，即作为多级前向预测的函数反映预测优度的形式。它可以被概括成：

$E=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{C}_j\left\{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\ρ}(y_j\left(k\right)-y\left(k\right))\right\}---\left(4\right)$

其中ρ(x)是满足下列性质的任何函数：1)ρ(x)＝0，2)对全部的x来说，ρ(x)≥0，3)如果|x₁|＞|x₂|，则ρ(|x₁|)＞ρ(|x₂|)。于是，在以上的方程式(2)和(3)中，得到ρ(x)＝1/2x²。

迭代可以采取任何合适的形式，并且在一个实施例中，可以使用最陡梯度方法来优化该误差函数。在这个实施例中，参考系数的权值向量来确定误差函数的梯度，并沿着该梯度向下移动权值向量。

动量项可被包括在权值向量迭代的确定过程中，从而避免该迭代被困在局部极小。

迭代可由零阶保持滤波器开始，即除了第一个滤波器权值之外的全部权值都被初始设置为0。如果重新调整，则该迭代可以从当前的一组系数开始。

一旦优化了该误差函数，就使用所得的权值作为用于所考虑的传感器的滤波器权值。随后在正常的实时处理中使用这些系数以在控制系统的操作期间预测丢失的数据。

也可以使用其他的优化算法。于是，问题就是搜索误差函数或价值函数(2)或(3)的绝对最小值，而该问题就是一个优化问题。其他的优化搜索算法例如可以包括动态编程、遗传算法以及进化计算机算法。

假设传感器信号的动态特性保持稳定，则可以继续使用迭代的权值。但若是出于某些原因传感器信号的动态特性变化，则需要重新调整权值。如上所述，这可以通过在设备的常规服务期间重新测试和重新确定权值来实现。它还可以被自适应地实时执行。在一个实施例中，处理单元可包括调整权值的例程，例如在每次未在控制过程中使用传感器的时候。或者，还可以由插入到系统中或作为对例如恒等传感器系统的仿真的一部分的外部处理器来进行权值调整。

使用的训练数据样值额个数N可以取决于传感器信号的动态特性改变。它还可取决于使用它的应用。例如，如果传感器是制动踏板内的位移传感器或力传感器，则N个训练数据样值应该包括用于所有可能的制动状态的传感器信号，包括例如松开制动、软和阶段制动、硬和突然制动等等。于是，训练数据较佳地仿真在传感器监视的系统中出现的所有主要类型的系统状态。

建模的多级前向预测的个数L也可以改变。一般L是应用了预测滤波器的系统可以容忍的连续丢失的数据样值的最大数目。在系统中多于L个连续丢失的数据采样则要求一个替换策略，诸如忽略数据、使用冗余传感器和/或进入诸如关机等故障自动保护状态。

使用的权值和在前数据样值的数目越大，预测通常就越好，但这会导致使用更多的存储器以及更多的处理器时间来确定该预测。

本发明可以在许多不同种类的控制系统中使用。传感器和处理单元之间的连接可以采取任何合适的形式，例如可以是直接连接或沿着通信总线或其他网络(电缆线或无线)的连接。处理单元可以接收来自传感器的离散数据样值，或者可以接收稍后将由该处理单元采样的连续信号。在任一情况下，如果因为传感器信号丢失或破坏而无法获取数据样值，则可使用预测滤波器来提供丢失的数据。

对丢失的数据样值的检测可以采取任何合适的形式。例如，控制单元可以例如通过诸如检验和数字之类的误差检测算法的处理来确定未接收到来自传感器的通信、或者接收到的数据/信号是传感器的正常数据范围之外的信号、或者数据已被破坏。

如上所述，本发明的控制系统可用于车辆控制。它也可用于其他领域。它例如可用于其中一个或多个传感器在系统中其关键作用的系统，以及其中丢失的传感器数据会导致系统故障和/或引发危及安全的问题的系统。例如，它通常可应用于制动系统。其他的示例可包括航天控制系统、军事控制系统、卫星运动控制系统和空间机器人控制系统，特别是那些主要受其本身的传感器自主控制的系统。它例如可以涉及其中传感器数据流是GPS数据的系统。它在对可用的存储器数量和/或处理时间有着严格限制的应用中尤为有效。

本发明还提供一种使用上述预测滤波器的信号处理方法。由此，从另一个方面来看，本发明提供一种包含预测传感器数据的步骤在内的控制传感器系统的方法，该方法包括基于在前数据样值的加权函数预测数据样值的步骤，其中使用单独的一组权值来对函数加权以预测多种个数不同的连续丢失的数据样值，并且其中该组权值先前已基于传感器输出的特性确定。

本发明还提供一种调整上述预测滤波器权值的方法。这样，从另一个方面来看，本发明提供一种确定用于传感器的多级前向预测滤波器的权值的方法，该方法包括为多种预测确定单独的一组权值的步骤，其中该组权值是基于传感器输出的特性来确定的。

本发明还提供一种用于实现本发明的计算机软件。这样，从另一方面来看，本发明提供了以来自传感器的数据为基础来控制系统的软件，该软件包括：

检测传感器数据不可用的组件；以及

当传感器数据不可用时估计传感器数据的组件，该传感器数据是基于在前数据样值的加权函数来估计的，其中使用单独的一组权值来为全部估计加权在前数据样本，并且这些权值是基于传感器输出的特性。

该计算机软件可以在任何合适的计算机可读存储介质上提供，并且本发明提供一种其上带有该计算机软件的计算机可读存储介质。本发明还提供可嵌入该软件的硬件和固件。

本发明还提供一种服务根据本发明的控制系统的方法，其中依据传感器信号动态特性的任何变化来测试并重新调整滤波器权值。

本发明尤其适用于车辆控制系统，并且从另一方面来看，还提供了一种包括控制单元和传感器的车辆控制系统，该系统包括用于传感器数据的多级前向预测滤波器，该滤波器基于在前数据样值的加权函数来预测数据样值，其中该滤波器使用单独的一组权值来对在前数据样值加权，而不考虑需要预测的丢失数据样值的个数，并且该组权值先前已基于传感器信号的特性来确定。

从另一方面来看，本发明提供一种包括控制单元和传感器的控制系统，其中该系统包括用来确定丢失的传感器数据的预测滤波器，该滤波器采取如下形式：

$\hat{y}\left(k\right)=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{a}_i{y}^{\′}(k-i)$

其中y′(k-i)等于前一数据样值y(k-i)或先前预测出的样值

并且其中a_i是基于传感器信号的特性来确定的，使得对所有丢失数据预测都使用同一组a_i。

应该注意到，上述的任一方面都可以适当地包括与上述其他方面相关的任何特征。

如下将参考附图仅作为示例来描述本发明的实施例。应该理解，各附图的特殊性无法替代本发明的在前描述的一般性。

在附图中：

图1是根据本发明一个实施例的结合了预测滤波器的车辆控制系统的示意图；

图2是根据本发明一个实施例的结合了预测滤波器的通用控制系统的示意框图；

图3是根据本发明一个实施例的关于一种训练方法的流程图，该方法用于为预测滤波器确定一组最优权值。

参见图1，以图示的形式示出一车辆管理系统。该管理系统包括电子控制单元(处理单元)1，该单元接收来自关于车辆状态和驾驶员指令的各传感器的信号，并将信号输出给各执行器以控制车辆的操作。

车辆传感器可以包括用于确定车轮3的转动速度的轮转速传感器2，以及用于确定例如温度之类的发动机传感器4。

驾驶员指令传感器例如可以包括提供与驾驶员的刹车需求呈正比的信号的刹车踏板传感器5，该信号例如可由踏板的移动量或由驾驶员的脚对踏板所施的力来确定。

还可包括其他的驾驶员需求传感器(人机交互(HMI)传感器)以及车辆和发动机状态传感器，并由标号6所概括。它们可以包括偏航传感器、诸如NOX和O₂传感器等废气传感器、基于驾驶员旋转方向盘的转向角传感器、以及用于驾驶员刹车踏板的传感器。也可包括各种其他的线控(by-wire)控制传感器，例如可能的刹车线控传感器可以包括夹紧力传感器、(测量刹车卡钳内电动机电流的)电流传感器、以及(测量电动机转子角位移的)转子编码器。

控制单元1分析来自各传感器的数据，并通过向各执行器应用控制信号基于这些数据来执行各种车辆管理功能。

这些执行器例如可以包括车轮3上的刹车执行器7，还可以包括例如发动机控制执行器8，诸如燃料喷射器、火花点火器、排气反馈控制等等。

控制单元1能以多种不同的方式控制车辆。这些方式可以包括例如防抱死系统(ABS)、牵引控制(TC)、车辆稳定性、巡航控制功能和应急刹车控制。它们还可包括通用发动机管理，例如用于优化燃料效率、加速度等的定时和燃料喷射量管理。控制单元1还能以例如线控车辆控制方式来控制常规驾驶功能，使得驾驶员的需求(例如，期望加速或刹车等)能为控制单元所注意，控制单元随后可执行必要的命令以实现期望的动作。

控制单元1、传感器2、4、5、6、和执行器7、8可以用任何合适的方式通信。它们可以被独立地连接在一起，和/或可以经由一个或多个通信总线连接在一起。

依据本发明的一个实施例，如果控制单元1未能接收到来自各个传感器中的一个或多个(例如，来自车轮传感器2或刹车传感器5)的数据样本，则控制单元1就基于先前的数据样值实现用于预测这些丢失的数据样值的多级前向预测滤波器。这样即使在传感器数据因为例如临时短路或断开或是噪声电平中的尖峰脉冲等原因而丢失的情况下仍能确保维持对车轮的恰当控制。

控制单元1具有存储在采样时刻(k-1)T_s至(k-P)T_s从传感器接收的最后P个数据样值y(k-i)(i＝1至P)的存储器9，其中k是当前样值数而T_s是采样时刻。于是，一旦接收到新的数据样值，就丢弃最老的所存储的数据记录，当前存储的每个数据值向后移动一个存储单元变为数据y(k-(i+1))，而新的数据样值被记录在数据位置y(k-1)。

当有单个数据样值丢失时，预测存储器就使用已存储的P个在前数据样值以提供一级前向预测。该滤波器是基于使用一组P个权值a_i(i＝1至P)的FIR滤波器，该组权值也被存储在存储器9内并先前已在下述讨论的训练过程中为传感器确定。所存储的在先数据样值y(k-i)中的每一个都有一个系数a_i，因此预测出的数据样值是前P个实际数据样值的加权线性组合。

一旦预测了丢失的数据样值，就像对待真实的数据值那样对其进行处理并用于车辆控制过程。还可以将所预测的数据存储在存储器9内作为最新的数据样值，并且该预测出的数据与从传感器处实际接收的数据样值之间不作出区分。

如果丢失了两个连续的数据样值，则预测滤波器在检测到第一个丢失的数据时使用上述相同的过程来提供对应于第一个丢失的数据的预测的数据样值。当检测到第二个丢失的数据时，该预测滤波器就重复该过程以提供对应于第二个丢失的数据的预测的数据样值。然而在此情况下，该第二个预测的数据样值是第一个预测的数据样值与在第一个丢失的数据样值之前接收到的P-1个真实数据样值的加权线性组合。

对3个、4个、5个或更多个(直到L个)丢失的数据样值恰当地重复该过程。应该注意到，系统无需知晓已丢失了多少个数据样值，因为它总是重复相同的过程。处理器1不需要使用宝贵的计算时间来确定丢失的数据的数目和合适的滤波器。它仍然对数据丢失的次数进行计数，这样例如就能在丢失了超过设定数目的连续数据点时确定传感器发生故障，且处理器1随后切换到替换制度，在该替换制度中可将来自不同传感器的数据用作代替或进入故障自动保护状态。

可以采取任何形式来确定丢失的数据，例如可以通过在某一时间段内所欠缺的来自传感器的信号或是不良数据的接收来确定。不良数据例如可以是与正常操作参数不一致的数据值，例如太高或太低的电压值等等。还可以通过例如校验和等检错过程来确定数据是不良数据。

数据可以是接收自传感器的数字数据，或是可由处理器本身在随后采样的模拟数据。

本发明的一个特征是对所有的多级前向预测都使用相同的权值{a₁，...a_P}。这与已知的FIR滤波器相反，在已知的FIR滤波器中，权值a_i是要预测数据样值的在前级数的函数，即权值a_i取决于丢失的数据样值个数。

因为本发明能够仅使用单独的一组权值，所以就能节省存储器空间。因为控制单元1不需要为任何特定的丢失数据确定需要哪些滤波器权值，所以还能减少计算时间。这些属性在可用存储器受到限制以及所需计算时间开销很重要的车辆/发动机管理系统中尤为有用。

为了确定可用于所有多级前向预测的一组合适的权值a_i，可以基于传感器信号的特定动态特性来优化这些权值a_i。于是，可以基于该传感器的输出的动态特性来为刹车踏板传感器6选择一组特定权值系数{a₁，...a_P}，而为车轮传感器2选择另一组系数。

为确定用于一传感器的权值，可以使用一组用于传感器的已知训练数据来调整相关联的传感器滤波器。这样，能将N个已知的数据样值送入滤波器，并迭代权值a_i从而优化实际数据和预测数据之间的误差函数。随后将提供最优结果的系数用作实时计算系数。以下将更完全地讨论一种形式的误差函数和迭代方法。

应该认识到，传感器信号动态特性可以取决于传感器本身的特性和要感测的对象/特征的特性两者。于是，转动速度传感器在用作轮转速传感器2以监视车轮转动时具有一种信号动态特性，而在用于监视凸轮轴之类的转动时则具有不同的信号动态特性。因此，虽然可以在每一情况下使用同一个传感器，但是需要不同的滤波器权值。在传感器和所监视的项目相同的情况下，可以使用相同的权值，例如对全部四个轮转速传感器可以使用相同的权值。但是情况也可以是例如后轮或前轮等直接由发动机驱动的车轮可以具有与无驱动从动轮不同的信号动态特性，在这种情况下就需要单独的各组权值。同样，同种传感器也会因为制造时的公差或随时间的磨损等原因而具有不同的特性，在这种情况下用于监视相同的特征的相同种类的传感器可能需要不同的权值。

一般而言，传感器特性随时间保持稳定，所以一旦在最初确定了权值，滤波器就会在其使用寿命内持续提供良好结果。但如果因为例如老化或磨损等确实出现了传感器特性的变化，则可确定新的权值。这些变化可以在例如车辆的正常服务期间的合适的时刻通过重新调整权值而得到补偿。重新调整可由插入到系统中的外部设备来执行，或者可由处理器本身执行。控制单元1可以在使用期间，例如在不需要传感器输出并且控制单元有空闲的计算时间可用的时段被编程以重新调整这些权值。

现在讨论本滤波器过程背后的理论。

在处理单元(例如，经由网络)接收到来自传感器的数据样值的情况下，会因为例如瞬时短路和网络故障之类的原因而丢失某些数据样值。处理单元应该用预测出的值代替丢失的样值。假设最多可以处理L个连续丢失的数据样值。如果丢失了L个以上连续的样值，则处理器可以切换至另一控制策略，例如其中控制命令是基于其他可用的传感数据或基于冗余传感器等的策略，或者系统进入故障自动保护状态直到问题被解决的策略。

基于最近丢失的样值的个数，可以通过前一级、前二级等直至前L级预测来处理丢失的样值。每个丢失的样值的预测值是最近P个数据值的线性组合，如下：

$\hat{y}\left(k\right)=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{a}_i{y}^{\′}(k-i)---\left(5\right)$

其中，y′(k-i)可以等于前一数据样值y(k-i)或先前预测出的样值

因为可用的存储器、复杂度和代码执行延迟的限制，所以不希望为前一级、前二级等直至前L级预测搜索不同的a_i权值。因此，调整滤波器以使其在所有情况下都使用相同的a_i值进行预测。

在一级前向预测的情况下，通过P个在前的真实样值的线性组合来估计第一个丢失的样值，如下：

$y_1\left(k\right)=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{a}_{i}y(k-i)---\left(6\right)$

在二级前向预测的情况下，通过最近预测出的样值与P-1个在前数据样值的同一线性组合来估计第二个丢失的样值，如下：

$y_2\left(k\right)=a_1{y}_1(k-1)+\underset{i=2}{\overset{P}{\mathrm{\Σ}}}{a}_{i}y(k-i)---\left(7\right)$

将(6)中的y₁(k-1)代入(7)可得到如下方程式：

$y_2\left(k\right)=a_i{a}_{P}y(k-P-1)+\underset{i=2}{\overset{P}{\mathrm{\Σ}}}(a_1{a}_{i-1}+a_i)y(k-i)---\left(8\right)$

在三级前向预测的情况下，类似地计算预测出的样值，如下：

$y_3\left(k\right)=a_1{y}_2(k-1)+a_2{y}_1(k-2)+\underset{i=3}{\overset{P}{\mathrm{\Σ}}}{a}_{i}y(k-i)---\left(9\right)$

 并且通过代入(6)中的y₁(k-2)和(8)中的y₂(k-1)，可获得如下公式：

$y_3\left(k\right)=({a_i}^2{a}_{P-1}+a_1{a}_P+a_2{a}_{P-1})y(k-P-1)+({a_i}^2{a}_P+a_2{a}_P)y(k-P-2)$

$+\underset{j=3}{\overset{P}{\mathrm{\Σ}}}({a_1}^2{a}_{i-2}+a_1{a}_{j-1}+a_2{a}_{i-2}+a_i)y(k-i)$ (10)

一般而言，第j个丢失的数据样值可由如下方程式给出：

$y_j\left(k\right)=\underset{i=0}{\overset{j-1}{\mathrm{\Σ}}}{a}_i{y}_{j-1}(k-i)+\underset{i=j}{\overset{P}{\mathrm{\Σ}}}{a}_{i}y(k-i)---\left(11\right)$

其中2≤j≤L并且a₀＝0。假设P≥L，这是合理的，因为最大容许丢失的数据样值的个数L在实时控制系统中通常较小。通过迭代减去(11)中先前预测出的y_j-1，就可导出如下通式：

$y_j\left(k\right)=\underset{i=j}{\overset{P+j-1}{\mathrm{\Σ}}}{A_i}^{j}y(k-i);1\≤j\≤L---\left(12\right)$

其中乘数A_i ^j可以通过如下方程式递归计算：

A_i ^j＝a_i；1≤i≤P    (13)

${A_i}^j=\left\{\begin{array}{ccc}0& ;& i<j\\ a_i+\underset{i=1}{\overset{j-1}{\mathrm{\&Sigma;}}}{a}_i{A_{i-1}}^{j-1}& ;& j\&le;i\&le;P\\ \underset{i=1}{\overset{j-1}{\mathrm{\&Sigma;}}}{a}_i{A_{i-1}}^{j-1}& ;& P<i<j+P\\ 0& ;& i\&GreaterEqual;j+P\end{array}\right.---\left(14\right)$

其中2≤j≤L≤P。方程式(12)示出了建议的预测滤波器是带有如下传递函数的FIR滤波器：

$H_{\mathrm{FTR}}^j\left(z^{-1}\right)=Y_j\left(z^{-1}\right)/Y\left(z^{-1}\right)=\underset{i=j}{\overset{P+j-1}{\mathrm{\&Sigma;}}}{A}_i^j{z}^{-1};1\&le;j\&le;L.---\left(15\right)$

依据本发明，调整a_i权值的方法是使得能使用所得的滤波器通过(6)、(7)、(9)或(11)来预测所需个数(直至L个)丢失的数据样值中任一个的丢失值。

在本调整方法中，搜索a_i值以使如下误差函数最小：

$E=\frac{1}{2}\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}\left\{C_j\underset{L=1}{\overset{N}{\mathrm{\&Sigma;}}}{[y\left(k\right)-y_j\left(k\right)]}^2\right\}---\left(16\right)$

其中N是用于离线调整的样值总数，而C_j是基于1至L级前向预测的执行优先顺序，例如基于多级预测中每一级的期望频率来选择的常数。该优先顺序取决于应用。在大多数实时应用中，越低的前向预测级数具有越高的优先顺序，即C₁＞C₂＞...C_L。尽管如此，也可以设置其他的优先顺序，例如若发现样值时常三个一组地丢失，那么就将C₃设为优先。

可以利用最陡梯度方法来优化误差函数。在此方法中，权值向量Θ＝[a₁a₂...a_P]^T在与该权值向量相关的误差函数梯度向量的相反方向上迭代地移动。因此，需要计算梯度，该梯度的表达式如下：

${\&dtri;}_{\mathrm{\&theta;}}E={[\frac{\&PartialD;E}{\&PartialD;a_1}\frac{\&PartialD;E}{\&PartialD;a_2}\&CenterDot;\&CenterDot;\&CenterDot;\frac{\&PartialD;E}{\&PartialD;a_P}]}^T---\left(17\right)$

$\frac{\&PartialD;E}{\&PartialD;a_j}=\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}\left\{C_i\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{\&PartialD;y_i\left(k\right)}{\&PartialD;a_j}(y\left(k\right)-y_i\left(k\right))\right\}---\left(18\right)$

方程式(8)、(10)和(12-14)示出了对y_i(k)/a_j的直接计算，并且当i＞1时其公式化会变得复杂。因此，可改为基于(6)、(7)、(9)和(11)做出更易于公式化和计算的间接迭代计算。对(6)求a_j的偏导就能简单给出：

$\frac{\&PartialD;y_1\left(k\right)}{\&PartialD;a_j}=y(k-j)---\left(19\right)$

对(7)求a_j的偏导并代入(19)的y₁(k)/a_j就可给出：

$\frac{\&PartialD;y_2\left(k\right)}{\&PartialD;a_j}=y_1(k-1)+a_{i}y(k-2)$

$\frac{\&PartialD;y_2\left(k\right)}{\&PartialD;a_{j>1}}=y_1(k-j)+a_{i}y(k-j-1)$

对(9)求a_j的偏导并代入(19)和(20)的y₁(k)/a_j和y₂(k)/a_j就可得到：

$\frac{\&PartialD;y_3\left(k\right)}{\&PartialD;a_1}=y_2(k-1)+a_1{y}_1(k-2)+({a_1}^2+a_2)y(k-3)$

$\frac{\&PartialD;y_3\left(k\right)}{\&PartialD;a_2}=y_1(k-2)+a_{i}y(k-3)({a_1}^2+a_2)y(k-4)---\left(21\right)$

$\frac{\&PartialD;y_3\left(k\right)}{\&PartialD;a_{j>2}}=y(k-j)+a_{i}y(k-j-1)$

通过类似的方法，就能得到关于y₁(k)/a_j的如下通式：

$\&PartialD;y_i\left(k\right)/\&PartialD;a_j=\left\{\begin{array}{c}\underset{i=0}{\overset{i-j-1}{\mathrm{\&Sigma;}}}{B}_1{y}_{i-j-1}(k-l-j)+\underset{l-i-j}{\overset{l-i}{\mathrm{\&Sigma;}}}{B}_{1}y(k-i-j);j<i\\ \underset{i=0}{\overset{i-1}{\mathrm{\&Sigma;}}}{B}_{1}y(k-l-j);j\&GreaterEqual;i\end{array}\right.---\left(22\right)$

其中1≤j≤P，2≤j≤L，并且乘数B_l可由如下方程式递归地计算：

$B_1=\left\{\begin{array}{cccc}1& ;& l=0& \\ \underset{j=1}{\overset{\min \left(\mathrm{LP}\right)}{\mathrm{\&Sigma;}}}{a}_j{B}_{i-1}& ;& l>0& ---\left(23\right)\end{array}\right.$

(17)和(18)中的梯度向量可由(19-23)算出，并在随后通过如下规则应用于权值自适应：

ΔΘ(l)＝-η_ΘE(l)+αΔΘ(l-1)    (24)

其中l是对全部N个样值总体的搜索过程的迭代次数，-η_ΘE(l)是最陡梯度项而αΔΘ(l-1)是被添加用来避免局部极小值的动量项。

在搜索算法中，可将滤波器权值向量初始化为[100...0]^T，使得滤波器对应于零阶保持系统，而该零阶保持系统是简单且通用的预测器。通过(17-24)离线调整权值并在实时应用中用这些权值来处理丢失的数据。

如果因为任何原因而使传感器信号的动态特性发生变化，那么通过实时使用方程式(17-24)就能自适应地调整滤波器权值，即忽略(18)的和并用信号采样时间k来代替(24)中的l。

虽然以上讨论主要关于车辆管理系统，但是本发明也可应用于一般的控制系统，并且一般的控制系统在图2中以框图形式示出。

由此，处理器20可接收来自传感器的输入数据样值22，并相应地控制执行器24或采取合适的动作。处理器20可以包括存储P个在前数据样值y(k-i)或者预测出的数据y′(k-i)(1≤i≤P)以及滤波器权值{a₁，...，a_P}的相关联的存储器26和28。

由此，在处理器20确定未及时接收到数据22时，它使用上述滤波器来运行预测算法，其中对任意个连续丢失的数据都使用相同的滤波器权值{a₁，...a_P}并已经为例如传感器和被感测特征/对象等从其接收到数据的特定传感器系统调整了滤波器权值。

处理器20可以如图3中的流程图所示地运行权值调整过程。该过程可以在离线和训练模式下进行。可选地，该程序可以在插入到处理器系统中的外部装置上运行，或在对传感器信号的动态它特性进行方针，例如从恒等传感器系统中获取数据的外部装置上运行。

如此，传感器20可以在步骤S10中接收已知的训练数据，并在步骤S20中将滤波器权值{a₁，...a_P}设置成[100...0]的简单零阶保持滤波器，或者如果传感器先前已被调整，则可使用当前存储的权值设置。处理器随后在步骤S30中确定实际数据值和用于各级前向预测的预测值之间的例如如上所述的误差函数E的值。处理器20随后在步骤S40中例如通过确定误差函数在设定次数的迭代中无明显变化或者通过确定误差是否已低于一特定阈值来确定权值是否已被优化。如果未被优化，则处理器在步骤S50中修改权值a_i，并在步骤S30中重新确定误差函数。继续这一迭代直到确定误差函数被优化，此时在步骤S60处，将当前存储的权值a_i设置成用于实时使用的滤波器权值。

其他的控制系统例如还可以包括其中一个或多个传感器在系统中起到关键作用的系统，以及其中传感器数据丢失会导致系统故障和/或引起危及安全问题的系统。本发明一般可应用于例如制动系统。其他的示例可包括航天控制系统、军事控制系统、卫星运动控制系统和空间机器人控制系统，特别是那些主要受其本身传感器自主控制的系统。它例如可以涉及传感器数据流是GPS数据的系统。它在对可用的存储器数量和/或处理时间有着严格限制的应用中尤为有效。

应该理解，可以对前述各部分做出各种改变、附加和/或修改而不背离本发明的范围，并且本领域普通技术人员应该理解，可以依据上述教示以各种方式用软件、固件和/或硬件来实现本发明。

Claims (18)

1.一种带有处理单元和传感器的控制系统，所述系统包括用于传感器数据的多级前向预测滤波器，所述滤波器基于在前数据样值的加权函数预测数据样值，其中所述滤波器使用单独的一组权值来对所述在前数据样值加权，而不考虑需要预测的丢失的数据样值的个数，并且其中所述一组权值先前已基于传感器信号的特性来确定。

2.如权利要求1所述的系统，其特征在于，所述权值是通过优化用于所述传感器的已知输出信号和预测出的输出信号之间的误差函数来确定的。

3.如权利要求2所述的系统，其特征在于，所述优化过程是基于采取多项之和形式的误差函数，对每一级可能的前向预测有一项，每一项都是实际数据值和用于该项前级的预测值之间的全部数据样值的误差之和。

4.如权利要求3所述的系统，其特征在于，所述误差函数被加权以对所述多级前向预测中的一个或多个进行优先排序。

5.如权利要求3所述的系统，其特征在于，要预测的丢失的级数越低，所述优先权值就越高。

6.如权利要求2、3、4或5所述的系统，其特征在于，所述优化过程是基于迭代过程。

7.如权利要求6所述的系统，其特征在于，所述迭代过程是基于最陡梯度下降方法。

8.如前述权利要求中任一项所述的系统，其特征在于，所述控制系统是车辆管理系统。

9.如前述权利要求中任一项所述的系统，其特征在于，所述控制系统是车辆刹车系统。

10.如前述权利要求中任一项所述的系统，其特征在于，所述传感器是轮转速传感器或脚踏板传感器，例如刹车踏板传感器。

11.如前述权利要求中任一项所述的系统，其特征在于，所述权值可更新。

12.一种包括控制单元和传感器的控制系统，其中所述系统包括用于确定丢失的传感器数据的预测滤波器，所述滤波器采取如下形式：

$\hat{y}\left(k\right)=\underset{j=1}{\overset{P}{\mathrm{\&Sigma;}}}{a}_i{y}^{\&prime;}(k-i)---\left(4\right)$

其中y′(k-i)等于前一数据样值y(k-i)或先前预测出的样值

，并且其中α_i基于传感器信号的特性来确定，使得对所有丢失的数据预测都使用同一组α_i。

13.如权利要求12所述的控制系统，其特征在于，所述权值α_i是基于采取如下形式的误差函数的优化来确定的：

$E=\frac{1}{2}\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}\left\{C_j\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\&lsqb;y\left(k\right)-y_j\left(k\right)\&rsqb;}^2\right\}$

其中上是要预测的连续丢失的数据样值的最大数目，C_j是用于对所述多个连续丢失的数据样值中的一个或多个进行优先排序的权值，并且其中ρ(x)是具有下列性质的任何函数：1)ρ(x)＝0，2)对全部的x来说，ρ(x)≥0，3)如果|x₁|＞|x₂|，则ρ(|x₁|)＞ρ(x₂)。

14.如权利要求12所述的控制系统，其特征在于，所述权值α_i是基于采取如下形式的误差函数的优化来确定的：

其中L是要预测的连续丢失的数据样值的最大数目，C_j是用于对所述多个连续丢失的数据样值中的一个或多个进行优先排序的权值。

15.一种包括预测传感器数据的步骤的控制传感器系统的方法，所述方法包括基于在先数据样值的加权函数来预测数据样值的步骤，其中使用单独的一组权值来对所述预测函数加权以预测多种个数不同的连续丢失的数据样值，并且其中所述一组权值先前已所述传感器输出的特性来确定。

16.一种确定用于传感器的多级前向预测滤波器权值的方法，所述方法包括为多种预测确定单独的一组权值的步骤，其中所述一组权值是所述传感器输出的特性来确定的。

17.一种基于来自传感器的数据来控制系统的计算机软件，所述软件包括：

检测传感器数据不可用的组件；以及

当所述传感器数据不可用时估计所述传感器数据的组件，所述传感器数据基于在先数据样值的加权函数来估计，其中使用单独的一组权值来为全部估计加权在先数据样值，并且所述权值是基于传感器输出的特性。

18.一种包括控制单元和传感器的车辆控制系统，所述系统包括用于传感器数据的多级前向预测滤波器，所述滤波器基于在先数据样值的加权函数来预测数据样值，其中所述滤波器使用单独的一组权值来对在先数据样值加权，而不考虑需要预测的丢失的数据样值的个数，并且所述一组权值先前已基于传感器信号的特性来确定。