基于多方法融合的量化卡尔曼滤波方法
【专利摘要】本发明涉及一种基于多方法融合的量化卡尔曼滤波方法，本发明大体包括三部分内容。第一部分根据实际目标运动进行系统建模；第二部分参考相关文献，分别给定QKF-STF和VB-AQKF的最优估计结果；第三部分使用QKF-MMF实现最优线性加权融合，其中包括计算最优加权矩阵、最终目标状态的加权融合状态估计、融合估计误差协方差及互协方差矩阵。上述方法既具有强跟踪功能还能对未知方差进行动态估计，不仅实现了在线实时估计还提高目标跟踪的精确度。因此，该发明能够通过雷达所测得的现有数据准确估计任意时刻目标的运动状态，实现了目标跟踪的功能。
【专利说明】基于多方法融合的量化卡尔曼滤波方法
【技术领域】
[0001] 本发明属于线性系统的目标跟踪领域，特别涉及一种基于多方法融合的量化卡尔 曼滤波方法。
【背景技术】
[0002] 线性滤波理论被广泛应用于目标跟踪、信息处理和故障诊断等应用领域当中，其 发展较之于非线性滤波已然相当成熟。尤其，在分布式传感器网络系统大量涌现的时代背 景下，量化滤波和融合已经在信号处理和控制等领域成为了热点研究话题。
[0003] 卡尔曼滤波器（KF)最初是由R. E Kalman处理线性动态系统的状态估计时提出来 的，它建立在模型精确、随机干扰信号统计特性已知以及状态没有突变的基础上。但在实际 系统中，往往存在这些不确定因素，这导致了 Kalman滤波算法的估计精度大大降低，失去 了原先的最优性。在此基础上，强跟踪（STF)方法和变分贝叶斯（VB)方法的引入使得问题 得到了有效的解决。在状态突变且估计量化误差的方差未知情况下，STF通过引入渐消因子 来自动调节一步预测误差协方差，以有效跟踪状态即实现了强跟踪功能，提高了估计精度， 但它无法估计量测噪声的未知方差。而VB能实时在线估计量测噪声的未知方差，它提高了 系统的估计精度，但鲁棒性能较差。实际上，量测噪声的方差为强跟踪滤波提供了基础，量 测噪声的方差的准确计算提高了强跟踪的自适应能力；而强跟踪渐消因子则有助于量化估 计适应最新信息并能从中提取出有效信息。因此在这种复杂环境下，最优线性加权融合技 术的引入，同步实现了强跟踪功能和针对量测噪声未知方差的动态估计功能，提高了状态 估计的精确性。
【发明内容】
[0004] 为了应对上面提到的未知量测噪声方差和状态突变等情况，本发明参考运用基于 强跟踪量化卡尔曼滤波（QKF-STF)方法得到的估计结果与基于变分贝叶斯自适应量化卡 尔曼滤波（VB-AQKF)方法得到的估计结果进行加权融合，提出了一种新的线性滤波方法， 即基于多方法融合的量化卡尔曼滤波方法（QKF-MMF)。
[0005] 本发明大体包括三部分内容。第一部分根据实际目标运动进行系统建模；第二部 分参考相关文献，分别给定QKF-STF和VB-AQKF的最优估计结果；第三部分使用QKF-MMF实 现最优线性加权融合，其中包括计算最优加权矩阵、最终目标状态的加权融合状态估计、融 合估计误差协方差及互协方差矩阵。
[0006] 利用本发明实现的线性滤波器不仅具有强跟踪能力，而且还能动态估计量测噪声 的未知方差。
【专利附图】
【附图说明】
[0007] 图1为本发明方法的流程图。
【具体实施方式】
[0008] 下面首先为跟踪目标的运动状态建立模型，其次给出基于强跟踪的量化卡尔曼滤 波和基于变分贝叶斯的自适应量化卡尔曼滤波的估计结果，最后给出基于多方法融合的量 化卡尔曼滤波方法，以估计运动状态，实现目标跟踪。下面详细介绍本发明的实施过程。 [0009] 步骤1.系统建模
[0010] 考虑二维平面目标的跟踪问题，假设目标为匀速运动模型，给出跟踪系统模型如 下
[0011]
【权利要求】
1.基于多方法融合的量化卡尔曼滤波方法，其特征在于该方法包括以下步骤： 步骤1.系统建模，考虑二维平面目标的跟踪问题，假设目标为匀速运动模型，给出跟 踪目标的系统模型如下：
式中，k是时间指数，Xk是系统状态向量，分别由运动状态的距离和速度组成；Φ 是 相应的从k-1到k时刻系统状态转移矩阵；zk是传感器观测值，即表示由雷达所测得的距 离；Hk是相关观测矩阵；W tk_jPVk分别为均值为零方差为Qtk_jPRk的高斯白噪声；假设初 始状态为X〇,其中均值和方差分别是和P+，并且与和Vk不相关； 步骤2.分别给定基于强跟踪量化卡尔曼滤波和基于变分贝叶斯自适应量化卡尔曼滤 波的最优估计结果，具体是： 得出基于强跟踪量化卡尔曼滤波得到的状态估计和估计误差协方差Plik|k，基于 变分贝叶斯自适应量化卡尔曼滤波得到的状态估计和估计误差协方差P2，k|k; 步骤3.给出基于多方法融合的量化卡尔曼滤波方法 (3.1)假设加权融合估计 = + ^2,k^-2,k\k 式中，假设\k和Α2Λ是最优加权矩阵； (3. 2)计算最优加权矩阵\k，A2，k和融合估计误差协方差矩阵P f，k|k : 根据如下最优约束条件：
可得：
Pf,k|k - Pl，k|k_A2，k (Pi，k|k_P21，k|k) 式中，PulkQi 1，2)分别是基于强跟踪量化卡尔曼滤波和基于变分贝叶斯自适应 量化卡尔曼滤波的估计误差协方差矩阵；P12，k|k和P21， k|k是融合估计误差互协方差矩阵； Mk = Puk+P^k-P^k-huk;将最优加权矩阵代入（3. 1)中，即可得到最终加权融合估计 (3. 3)计算滤波增益Kq，k(q = 1, 2): 式中，五是量测噪声的未知方差； (3. 4)根据上式所求得的加权融合估计，计算融合估计误差互协方差矩阵Pi2 klk和 P21，k|k : =U ~PxMkn，k KkHkV^Kk-xPn,k-x\kJik-x + -1) 式中，L是量测噪声的未知方差；根据初始条件可得PucH。= Ρ21』。=PcH。。
【文档编号】G06F17/16GK104298650SQ201410522855
【公开日】2015年1月21日 申请日期:2014年9月30日 优先权日:2014年9月30日
【发明者】葛泉波, 李超, 马金艳, 邵腾 申请人:杭州电子科技大学