基于信号稀疏性分类的滤波方法、应用、装置及存储介质

本发明涉及车辆信状态估计，尤其是涉及一种用于信号还原的基于信号稀疏性分类的信号过滤方法。

背景技术：

1、车辆系统电动化、智能化的程度逐渐升高，良好的车辆状态估计方法开发对信号源的可靠性、真实性也提出了更高的要求，甚至在一定程度上，信号源的可靠性决定了车辆状态估计的准确性、车辆系统控制的可靠性。由于车辆系统信号存在噪声、组成复杂，因此各种各样的滤波方法已经广泛的应用到了车辆系统的信号处理过程中。但是目前尚未对各种信号进行差异性评价，进而做差异性的滤波算法开发。

2、目前主流的滤波方法，如低通滤波、高通滤波、带通滤波等，都是对对信号中的一定频率范围的有效信号进行提取的滤波方法，有利于对信号进行进一步的频域分析。但是基于频率的方法很难在信号的平滑性和准确性之前做出较好的权衡，往往容易丢失信号的尖峰信息。针对车辆驾驶工况的特性，其车辆状态信号包含大量的稀疏成分，而上述的滤波方法很难实现信号稀疏成分、带限成分的分离，从而很难还原出更加真实、可靠的信号用于车辆状态的估计。

3、例如中国专利申请cn107635846a公开了车辆状态估计设备和方法。该方案中采用低通信号滤波器和高通信号滤波器的经滤波的输出进行组合，对第一信号和第二信号的互补滤波。该方案虽然采用了两种滤波器分别按频率范围进行提取滤波处理，但其仍存在在以下问题：

4、1)缺乏对信号稀疏性进行评价的有效方法，从而难以实现信号的差异化分类；

5、2)针对不同的信号，缺乏对信号的稀疏成分、带限成分进行分离的方法，很难实现在保留信号的尖峰信息前提下，对信号进行平滑处理，进而影响车辆状态估计的可靠性。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于车辆系统数据特性进行自适应数据滤波的架构。

2、本发明的目的可以通过以下技术方案来实现：

3、作为本发明的第一方面，提供一种基于信号稀疏性分类的滤波方法，包括以下步骤：

4、采集车辆原始信号；

5、基于车辆原始信号，进行预处理后对数据的稀疏性进行度量，基于信号数据的稀疏性对信号进行分类，所述信号分类的类型包括稀疏类型信号与混杂类型信号；

6、对稀疏类型信号：采用全差分tvd方法将滤波问题转化为最优化问题，对最优化问题进行求解，得到稀疏类型信号的滤波后信号；

7、对于混杂类型信号：综合考虑信号中的稀疏成分、低通成分以及噪声构造建立最优化问题，求解最优化问题得到信号中稀疏成分；基于低通滤波器，得到信号中的低通成分；输出混杂类型信号的滤波后信号。

8、进一步的，所述对数据的稀疏性进行度量，基于信号数据的稀疏性对信号进行分类，具体过程如下：

9、采用lp范数对车辆原始信号数据的稀疏性进行度量；

10、如果lp范数小于设定阈值，则判断数据类型为稀疏类型信号；若lp范数大于设定阈值，则判断数据类型为混杂类型信号。

11、进一步的，所述稀疏类型信号采用tvd的方法对其进行滤波处理，将滤波转化为一个最优化问题：

12、

13、其中，x为输入的原始信号；y为滤波之后的信号；λ为正则化参数，用于平衡第一项数据保真度约束以及第二项数据平滑度约束。

14、进一步的，所述混杂类型信号包括稀疏成分、低通成分以及噪声

15、所述综合考虑信号中的稀疏成分、低通成分以及噪声构造如下所示的最优化问题如下：

16、

17、其中，x为测量得到的原始信号；y1表示稀疏成分；h()表示高通滤波；λ1伟稀疏成分系数，

18、通过最优化问题的求解得到原始信号x中的稀疏成分之后，通过低通滤波实现对原始信号中低通成分f的求解，最后得到滤波输出ywi＝f+y1。

19、进一步的，所述稀疏类型信号与混杂类型信号的最优化问题使用mm算法进行求解；

20、选择优化凸函数g(x)，每一次迭代中g(x)的选取满足：且g(xk)＝j(xk)；

21、mm算法通过最小化g(x)获得下一轮迭代的最优解xk+1，

22、重复迭代过程直到达到设定迭代次数；

23、输出最优解。

24、作为本发明的第二方面，提供一种如上任一所述的基于信号稀疏性分类的滤波方法的应用，利用所述滤波方法对车辆信号进行滤波后输入车辆状态估计器进行车辆状态估计，具体应用步骤如下：

25、测量车辆的固有参数，并利用车载传感器采集车辆原始信号；

26、基于车辆原始信号，进行预处理后对数据的稀疏性进行度量，基于信号数据的稀疏性对信号进行分类，所述信号分类的类型包括稀疏类型信号与混杂类型信号；

27、对稀疏类型信号：采用全差分tvd方法将滤波问题转化为最优化问题，对最优化问题进行求解，得到稀疏类型信号的滤波后信号；

28、对于稀疏类型信号：综合考虑信号中的稀疏成分、低通成分以及噪声构造建立最优化问题，求解最优化问题得到信号中稀疏成分；基于低通滤波器，得到信号中的低通成分；输出混杂类型信号的滤波后信号；

29、建立车辆状态估计器，将滤波后的车辆原始信号作为车辆状态估计器的输入，输出车辆状态的估计。

30、作为本发明的第三方面，提供一种基于信号稀疏性分类的滤波装置，包括：

31、采集模块，用于采集车辆原始信号；

32、信号分类模块，基于车辆原始信号，进行预处理后对数据的稀疏性进行度量，基于信号数据的稀疏性对信号进行分类，所述信号分类的类型包括稀疏类型信号与混杂类型信号；

33、稀疏类型求解器，用于采用全差分tvd方法将滤波问题转化为最优化问题，对最优化问题进行求解，得到稀疏类型信号的滤波后信号；

34、混杂类型求解器，用于综合考虑信号中的稀疏成分、低通成分以及噪声构造建立最优化问题，求解最优化问题得到信号中稀疏成分；基于低通滤波器，得到信号中的低通成分；输出混杂类型信号的滤波后信号。

35、进一步的，所述信号分类模块包括：

36、稀疏性度量单元，采用lp范数对车辆原始信号数据的稀疏性进行度量；

37、类型判断单元，如果lp范数小于设定阈值，则判断数据类型为稀疏类型信号；若lp范数大于设定阈值，则判断数据类型为混杂类型信号。

38、进一步的，所述稀疏类型求解器与混杂类型求解器包括最优化问题求解单元，所述最优化问题求解单元用于采用mm算法对最优化问题进行求解。

39、作为本发明的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于信号稀疏性分类的滤波方法。

40、与现有技术相比，本发明具有以下有益效果：

41、1)本发明根据全局数据特征的差异性评价，对不同类型的数据采用不同的滤波方法。首先对车辆传感器采集到的状态信号进行采集，进而利用信号一阶导数的lp范数进行稀疏性的度量，通过设置稀疏性度量阈值的方式，将信号划分成稀疏类型信号与混杂类型信号。

42、2)分别进入各自的求解器进行信号的求解。对于稀疏信号的处理，采用全差分tvd方法得到滤波后的信号，将滤波问题转化为最优化问题，采用mm算法对目标函数进行求解；对于混杂类型信号，借助低通滤波器，对噪声进行表达，进而通过对噪声，稀疏成分信号本身及其一阶导数进行约束建立最优化问题，可以实现对信号中稀疏成分的求解，然后基于低通滤波器，得到信号中的低通成分，完成混杂信号的滤波。

43、3)最后将滤波后的信号传递给车辆状态估计模块，由于滤波后的信号在保留信号尖峰信息的条件下，实现了信号的平滑处理，因而更有利于车辆状态估计器的性能提升，实现更准确、更可靠的车辆状态估计。