[發明專利]基于多方法融合的量化卡爾曼濾波方法

有效

• 申請號: 201410522855.0
• 申請日: 2014-09-30
• 公開（公告）號: CN104298650B
• 公開（公告）日: 2017-05-10
• 發明（設計）人: 葛泉波;李超;馬金艷;邵騰
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F17/16
• 分類號: G06F17/16
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙)33240
• 代理人: 杜軍

技術領域

本發明屬于線性系統的目標跟蹤領域，特別涉及一種基于多方法融合的量化卡爾曼濾波方法。

背景技術

線性濾波理論被廣泛應用于目標跟蹤、信息處理和故障診斷等應用領域當中，其發展較之于非線性濾波已然相當成熟。尤其，在分布式傳感器網絡系統大量涌現的時代背景下，量化濾波和融合已經在信號處理和控制等領域成為了熱點研究話題。

卡爾曼濾波器(KF)最初是由R.E Kalman處理線性動態系統的狀態估計時提出來的，它建立在模型精確、隨機干擾信號統計特性已知以及狀態沒有突變的基礎上。但在實際系統中，往往存在這些不確定因素，這導致了Kalman濾波算法的估計精度大大降低，失去了原先的最優性。在此基礎上，強跟蹤(STF)方法和變分貝葉斯(VB)方法的引入使得問題得到了有效的解決。在狀態突變且估計量化誤差的方差未知情況下，STF通過引入漸消因子來自動調節一步預測誤差協方差，以有效跟蹤狀態即實現了強跟蹤功能，提高了估計精度，但它無法估計量測噪聲的未知方差。而VB能實時在線估計量測噪聲的未知方差，它提高了系統的估計精度，但魯棒性能較差。實際上，量測噪聲的方差為強跟蹤濾波提供了基礎，量測噪聲的方差的準確計算提高了強跟蹤的自適應能力；而強跟蹤漸消因子則有助于量化估計適應最新信息并能從中提取出有效信息。因此在這種復雜環境下，最優線性加權融合技術的引入，同步實現了強跟蹤功能和針對量測噪聲未知方差的動態估計功能，提高了狀態估計的精確性。

發明內容

為了應對上面提到的未知量測噪聲方差和狀態突變等情況，本發明參考運用基于強跟蹤量化卡爾曼濾波(QKF-STF)方法得到的估計結果與基于變分貝葉斯自適應量化卡爾曼濾波(VB-AQKF)方法得到的估計結果進行加權融合，提出了一種新的線性濾波方法，即基于多方法融合的量化卡爾曼濾波方法(QKF-MMF)。

本發明大體包括三部分內容。第一部分根據實際目標運動進行系統建模；第二部分參考相關文獻，分別給定QKF-STF和VB-AQKF的最優估計結果；第三部分使用QKF-MMF實現最優線性加權融合，其中包括計算最優加權矩陣、最終目標狀態的加權融合狀態估計、融合估計誤差協方差及互協方差矩陣。

利用本發明實現的線性濾波器不僅具有強跟蹤能力，而且還能動態估計量測噪聲的未知方差。

附圖說明

圖1為本發明方法的流程圖。

具體實施方式

下面首先為跟蹤目標的運動狀態建立模型，其次給出基于強跟蹤的量化卡爾曼濾波和基于變分貝葉斯的自適應量化卡爾曼濾波的估計結果，最后給出基于多方法融合的量化卡爾曼濾波方法，以估計運動狀態，實現目標跟蹤。下面詳細介紹本發明的實施過程。

步驟1.系統建模

考慮二維平面目標的跟蹤問題，假設目標為勻速運動模型，給出跟蹤系統模型如下

式中，k是時間指數，是系統狀態向量(是n×1維列向量全集)，分別由運動狀態的距離和速度構成；是相應的從k-1到k時刻系統狀態轉移矩陣；是傳感器觀測值，即表示由雷達所測得的距離；是相關觀測矩陣。和為均值為零，方差分別為Q_k,k-1和R_k的高斯白噪聲，即：

其中E{·}是均值運算。假設初始狀態為X₀，其中均值和方差分別是和P_0|0，并且與W_k,k-1和V_k不相關。

步驟2.分別給定QKF-STF和VB-AQKF的最優估計結果

強跟蹤濾波器具有較強的針對模型不確定性的魯棒性能，同時對于突變狀態具有極強的跟蹤能力。而變分貝葉斯方法用于實現狀態和觀測噪聲未知方差的同步估計。參考《VB-AQKF-STF:A Novel Linear State Estimator for Stochastic Quantized Measurements Systems》，得出基于強跟蹤量化卡爾曼濾波(QKF-STF)方法得到的狀態估計和估計誤差協方差P_1,k|k，基于變分貝葉斯自適應量化卡爾曼濾波(VB-AQKF)方法得到的狀態估計和估計誤差協方差P_2,k|k。

步驟3.給出基于多方法融合的量化卡爾曼濾波方法