[发明专利]基于在线学习渐消因子的扩展卡尔曼滤波方法

说明书

本发明公开了一种基于在线学习渐消因子的扩展卡尔曼滤波方法。本发明先引用了强跟踪中渐消因子的思想，通过对渐消因子进行一定量的遍历算法，达到更新状态预测误差协方差的效果。进而在线调节增益阵，用以获取不同的状态估计值，将更新后的状态估计值代替当前时刻的状态预测值，并得到更新后的观测预测值，将更新后的观测预测值与观测值进行对比，得到残差信息，对所有的残差信息取绝对值，并将绝对值化后的最小残差所对应的渐消因子提取，以该渐消因子为中心，继续进行下一级的遍历，直到三级遍历结束后返回最终所得到的渐消因子，并将该渐消因子对应的滤波估计值作为当前时刻的滤波估计值。本发明方法相比于强跟踪滤波而言，有着更好的滤波精度，且能在线更新，具有一定的实用性。

技术领域

本发明属于非线性系统的目标跟踪领域，特别涉及一种系统建模过程中模型参数出现偏差或因系统运行环境导致存在动态偏差的目标速度跟踪领域，可用于目标跟踪中的优化目标速度跟踪的数据处理。

背景技术

随着科学技术的进步与发展，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。其中，以卡尔曼滤波器为首的滤波方式在航天航空、金融管理、无人机等领域都做出了杰出的贡献。但随着系统建模复杂度的增加以及运行环境的不确定性，导致非线性系统的研究已经成为了当下迫在眉睫的问题。因此，为了将卡尔曼滤波器应用于非线性系统，必须对其进行一些改进。

Bucy，Sunahara等人提出并研究了扩展卡尔曼滤波(Extended Kalman Filter，简称EKF)，将卡尔曼滤波理论进一步应用到非线性领域。EKF的基本思想是将非线性系统线性化，然后进行卡尔曼滤波，因此EKF是一种次优滤波。无迹Kalman则摒弃了对非线性函数进行线性化的传统做法，采用Kalman线性滤波框架，对于一步预测方程，使用无迹变换来处理均值和协方差的非线性传递问题。使得非线性分布的统计量有较高的计算精度，有效地克服了Kalman滤波的估计精度低、稳定性差的缺陷。另外，还有容积卡尔曼滤波(CKF)、粒子滤波(PF)、基于特征函数的滤波等方法应用于非线性系统。

此外，周东华等人在EKF的基础上，构建了一种非线性系统带次优渐消因子的扩展卡尔曼滤波(SFEKF),通过引入渐消因子来自动调节一步预测误差协方差，实现了强跟踪功能，提高了估计精度。但问题在于，先验信息的获取往往较难，且如何所获取的先验信息是否可信，弱化因子的选取是否得当，这些原因往往限制着强跟踪滤波的效果。

发明内容

为了克服SFEKF现有技术的缺点，本发明的目的在于提供一种应用于目标速度跟踪的在线学习渐消因子的扩展卡尔曼滤波方法，基于SFEKF中渐消因子的思想，通过设计一种逐级遍历渐消因子的方式，实现非线性系统中对目标的速度跟踪。

为了实现上述目的，本发明采用的技术方案是：

本发明包括如下步骤：

(1)设计模型参数：

巡逻船的推进系统模型如下：

上式中，整数k≥0，为时间指数，x是系统状态向量，表示巡逻船行驶的速度，y是传感器观测值，表示由传感器所测得的巡逻船的速度；w(k)为系统噪声，v(k+1)为测量噪声；

(2)在EKF框架下计算出状态预测值、观测预测值、观测预测值、残差信息、状态转移矩阵、观测矩阵：

(2a)根据上述模型，计算对应的状态预测值

(2b)根据(2a)，计算对应的观测预测值

(2c)根据(2b)计算残差信息γ(k+1)；

(2d)计算一阶线性化状态方程，求解状态转移矩阵

(2e)计算一阶线性化观测方程，求解观测矩阵