一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法
【专利摘要】一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法，将高动态系统中的硬件传感器采样周期波动作为系统随机不确定度考虑，根据其波动范围和趋势建立包括UKF滤波器模型和模糊推理系统的滤波模型集，通过贝叶斯定理计算UKF滤波器模型与当前高动态系统状态匹配的概率，实时更新匹配概率，并将更新后的匹配概率作为模糊推理系统的输入，通过模糊推理系统得到自适应估计概率，最后基于该自适应估计概率融合多个状态估计得到高动态系统状态变量最终的均值及协方差估计，本发明不但能够实现高动态、强非线性、非高斯模型的组合系统的数据融合，而且能够降低预存储模型集的数量，同时提高模型概率更新的计算效率和高动态系统的测量鲁棒性。
【专利说明】一种面向高动态非高斯模型鲁棒测量的高精度数据融合方 法
【技术领域】
[0001] 本发明涉及一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法，其适应 领域为组合导航以及其它多传感器信息融合领域。
【背景技术】
[0002] 全球卫星导航系统（GNSS)是一种能提供全天候精确定位服务的导航系统，容易 受人为和非人为干扰，导致其定位鲁棒性较差。惯性导航系统（INS)是一种完全自主的导 航系统，具有良好的抗干扰能力，具有短时精度高，长时工作导航精度低的特点。将两种导 航系统进行融合能取长补短，获得更好的导航效果，因而成为导航专业研究的热点。多传感 器输出的数据融合算法是组合导航研究中的重点，近年来卡尔曼滤波器（KF)及其扩展算 法EKF在工程领域得到了广泛的应用，EKF基于雅克比矩阵解决系统的非线性问题，其状态 估计精度可达到泰勒级数展开的一阶水平，在载体静止或者低动态情况下获得了良好的效 果，但是对强非线性系统估计精度较差，有时滤波器甚至会发散。为了提高基于KF的滤波 算法的适用性，有学者提出UKF用于解决系统的强非线性，直接采用UT变换逼近系统的噪 声驱动过程，避免了非线性问题线性化的过程，可以使任意非线性、非高斯噪声系统的后验 状态变量的估计精度达到泰勒级数展开的二阶水平，而对非线性、高斯噪声模型的状态估 计这一指标可以达到三阶。UKF算法较EKF没有引入更多的算法复杂度，且其提高了数据融 合算法处理系统非线性的能力，但是由于其系统状态模型驱动过程基于UT变换更易处理 噪声服从高斯分布的先决条件，其在解决非高斯噪声的最优估计问题上还存在一些不足。 为了解决非高斯噪声环境下的最优估计，有学者提出了粒子滤波（PF)算法，采用样本形式 而不是函数形式对状态概率密度进行描述，适用于任意非线性非高斯的动态系统，但是由 于其存在粒子退化、重要性密度函数选取以及计算量大等问题，使其在实际的数据融合应 用面临很多问题。
[0003] 目前数据融合的最优估计研究多集中在对新息数据的估计上，围绕新息数据的非 高斯性出现了两种解决方法。一种是针对单一系统模型的自适应参数估计，以自适应卡尔 曼滤波（AKF)为代表，但是基于单一模型的参数自适应算法在系统参数变化复杂（如高 机动系统）情况下无法及时准确的对系统的模型参数进行辨识，随着高动态以及复杂度较 高的多传感器器融合系统的应用需求增大，基于单一模型的自适应算法适用性较弱。另一 种就是基于多模型的交互算法，以多模交互（IMM)技术为例，IMM的基本思想是首先建立理 想情况下的标称模型，然后根据系统可能的不确定性因素，构造多个模型组成模型集，在系 统运行时刻根据系统状态自适应的调整每个模型的权值，使得最终的统计数据模型逼近系 统真实状态。传统的IMM信息融合多用于动态目标的跟踪应用，最近才出现了将其应用于 组合导航数据融合的论述，但是直接采用I丽仍存在许多问题，比如为了精确的匹配系统 运行状态构造足够大的模型集使得计算量偏大，同时模型集的精确度受算法设计者的先验 知识影响较大，而基于变结构的多模交互（VSIMM)算法可以减少系统预先存储的模型集数 目，减少概率转移矩阵的运算量，并且算法在有限的模型集中自适应的产生新的模型以适 应系统过程噪声统计特性的变化。因此提出基于VSIMM-UKF的组合导航系统来解决高动 态、强非线性和非高斯的问题，对实现复杂系统状态变量的参数估计具有重要的指导意义。
【发明内容】
[0004] 发明目的：为了克服现有技术中存在的不足，本发明提供一种面向高动态非高斯 模型鲁棒测量的高精度数据融合方法，该方法不但能够实现高动态、强非线性、非高斯模型 的组合系统的数据融合，而且能够降低预存储模型集的数量，同时提高模型概率更新的计 算效率和高动态系统的测量鲁棒性。
[0005] 为实现上述目的，本发明采用的技术方案为：一种面向高动态非高斯模型鲁棒测 量的高精度数据融合方法，将高动态系统中的硬件传感器采样周期波动作为系统随机不确 定度考虑，根据其波动范围和趋势建立滤波模型集，该滤波模型集包括一个以上UKF滤波 器模型和模糊推理系统；所述UKF滤波器模型之间并行执行，通过贝叶斯定理计算每个UKF 滤波器模型与当前高动态系统状态匹配的概率，实时更新每个UKF滤波模型与当前高动态 系统的匹配概率，并将更新后的匹配概率作为模糊推理系统的输入，通过模糊推理系统得 到UKF滤波器模型概率的自适应估计概率，最后基于该自适应估计概率融合多个UKF滤波 器模型输出的状态估计得到高动态系统状态变量最终的均值及协方差估计。
[0006] 所述UKF滤波器模型的建立方法如下：
[0007] 步骤A，根据惯导系统的转移矩阵、系统状态变量、噪声驱动矩阵、系统噪声矢量以 及白噪声建立系统状态方程；
[0008] 步骤B，根据可见卫星数目、频率误差、相位误差以及接收机位置和速度建立UKF 滤波器模型的系统量测方程。
[0009] 所述步骤A中的系统状态方程为：
【权利要求】
1. 一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法，其特征在于：将高动 态系统中的硬件传感器采样周期波动作为系统随机不确定度考虑，根据其波动范围和趋势 建立滤波模型集，该滤波模型集包括一个以上UKF滤波器模型和模糊推理系统；所述UKF滤 波器模型之间并行执行，通过贝叶斯定理计算每个UKF滤波器模型与当前高动态系统状态 匹配的概率，实时更新每个UKF滤波模型与当前高动态系统的匹配概率，并将更新后的匹 配概率作为模糊推理系统的输入，通过模糊推理系统得到UKF滤波器模型概率的自适应估 计概率，最后基于该自适应估计概率融合多个UKF滤波器模型输出的状态估计得到高动态 系统状态变量最终的均值及协方差估计。
2. 根据权利要求1所述的向高动态非高斯模型鲁棒测量的高精度数据融合方法，其特 征在于：所述UKF滤波器模型的建立方法如下 ： 步骤A，根据惯导系统的转移矩阵、系统状态变量、噪声驱动矩阵、系统噪声矢量以及白 噪声建立系统状态方程； 步骤B，根据可见卫星数目、频率误差、相位误差以及接收机位置和速度建立UKF滤波 器模型的系统量测方程。
3. 根据权利要求2所述的面向高动态非高斯模型鲁棒测量的高精度数据融合方法，其 特征在于：所述步骤A中的系统状态方程为：
其中，X为系统的状态向量，Fins为惯导系统的转移矩阵，
FnS 9 维基本导航参数系统阵，Fs和Fm分别为
姿态矩阵；
为噪声驱动矩阵，
为惯导系统噪声矢量，ω ε 和ωΛ分别为陀螺仪和加速度计的随机误差
COf]' c〇b、COf为时钟偏置和时钟漂移过程对应的白噪声，C为光速。
4. 根据权利要求3所述的面向高动态非高斯模型鲁棒测量的高精度数据融合方法， 其特征在于：所述步骤B中的UKF滤波器模型的系统量测方程建立方法如下，记Z(k)= {1+di，n Q+dQ}j为UKF观测向量，其中1、IIqSgps测量的I、Q成分中的噪声成分，di 和dQ为惯导系统中由于惯性器件误差引起的I、Q预测误差，j为接收机跟踪的信号通道数， 观测矩阵H可以表示为：
f 其中，S为可见卫星数目，以计算X轴向的速度和位置与I、Q的关系为例，得到：
计算同相支路信号期望E(I)对相位误差叭和频率误差的偏微分方程得到：
同理，计算正交相支路信号期望E (Q)对相位误差Θ e和频率误差的偏微分方程得 到：
其中，相位误差θ ε和频率误差ωε对接收机位置误差（Χε，ye， Ζε)和速度误差(iV,夂.i,.} 的偏微分计算如下：
其中，位置误差和速度误差分别为其测量值与估计值之差，06和《6分别为鉴相器和 鉴频器输出。
5. 根据权利要求4所述的面向高动态非高斯模型鲁棒测量的高精度数据融合方法， 其特征在于：所述将高动态系统中的硬件传感器采样周期波动作为系统随机不确定度考 虑，根据其波动范围和趋势建立滤波模型集的方法：根据载体的运动状态构造模型集M = Im1, m2, ，其中Hi1是采样周期偏大时对应的模型，m 2是采样周期偏小时对应的模型，m3代 表系统标称采样周期模型，设％、Q2、Q3为三个模型对应的过程噪声方差，初始时％、Q 2选择 相差较大的值，Q3为％、Q2两者之间的值。
6. 根据权利要求5所述的面向高动态非高斯模型鲁棒测量的高精度数据融合方法，其 特征在于：所述模糊推理系统的建立方法如下： 首先，记从HljGO到HliGO的转移概率为31 M，其满足
为系统 模型数目，Hlj (k)到Hli (k+Ι)的条件转移概率记为μ (k)，则：
其中Zk表示量测信息集合，μ ^k)为n^(k)在k时刻为系统匹配模型的概率称作模型 概率； 其次，由于已知量测信息Z (k)，进行一阶泰勒展开，则基于模型Hli (k)的滤波残差矢量 为：
输出残差的协方差为：
因此k时刻模型HliGO为匹配模型的似然函数：
得到模型概率的更新方程为：
再次，进行归一化处理，模糊规则和模糊输出由一个隶属函数直接给出，使用升半梯形 分布作为输出隶属度函数，其形式如下：
其取值范围为[〇, 1]，根据隶属度函数可以得到模型的新概率及!七' =1，2,3)，经归一化 处理就得到最终的模型匹配概率，即
最后，得到的估计输出为：
其中，λι是考虑k时刻量测值后的最终状态融合估计值，为其对应的协方差。
【文档编号】G01S19/47GK104392136SQ201410713605
【公开日】2015年3月4日 申请日期:2014年11月28日 优先权日:2014年11月28日
【发明者】陈熙源, 崔冰波, 宋锐, 汤传业, 方琳 申请人:东南大学