[发明专利]一种乘性噪声下动力定位船多传感器融合方法

说明书

本发明属于非线性系统的动力定位船数据融合技术领域，具体涉及一种乘性噪声下动力定位船多传感器融合方法。本发明首先获取动力定位船的乘性状态噪声和各传感器子系统的乘性测量噪声；计算各传感器子系统对动力定位船的状态矢量估计值；最后由最小二乘法融合各传感器子系统对动力定位船的状态矢量估计值，得到最后融合结果。本发明实现了多传感器系统对于乘性噪声下的动力定位船的非线性状态估计及融合。本发明不需要计算各传感器系统之间的互协方差矩阵，因而具有灵活性高、计算量小等特点，同时保证了模型泛化能力，避免了出现高维数据计算难度大的问题。

技术领域

本发明属于非线性系统的动力定位船数据融合技术领域，具体涉及一种乘性噪声下动力定位船多传感器融合方法。

背景技术

DP船通常会配置多传感器单元，那么多组传感器之间就会出现互相关干扰，且此种干扰较难建模。针对系统模型在乘性噪声干扰下的DP船非线性系统，研究相应的DP船非线性系统多传感器数据融合算法具有重要的实际意义。Cortes和Vapnik根据结构风险最小原理，提出了SVM(支持向量机)及其学习算法。对于每一个SVM回归函数，提供的样本中只有一部分样本对应的权值参数不等于零，则该部分样本就被称为支持向量。SVM在小样本高维非线性模式识别方面有很多优势，同时已经在频谱分析，模式识别，分类和回归等领域得到了应用。为了利用SVM解决非线性回归拟合问题，Vapnik等在SVM基础上引入了损失函数，进而提出了回归型支持向量机(SVR)算法，且取得了较好的拟合效果。与SVM分类原理不同，SVR基本思想是：将分类问题中寻找最优分类面，使得两类样本分离的问题，转化为寻找最优分类面，使得所有训练样本离该最优分类面的误差最小的问题。

发明内容

本发明的目的在于提供一种乘性噪声下动力定位船多传感器融合方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：输入动力定位船的乘性状态噪声ε_k和各传感器子系统的乘性测量噪声且动力定位船的乘性状态噪声ε_k和各传感器子系统的乘性测量噪声均是零均值高斯噪声，k表示时刻；

步骤2：根据动力定位船中各传感器子系统在上一时刻对动力定位船的状态矢量估计值和测量值计算当前时刻各传感器子系统对动力定位船的状态矢量估计值

表示第j传感器子系统在k-1时刻对动力定位船k时刻的状态矢量估计值，j＝1,2,...,N_s，N_s为传感器子系统的总数；表示第j传感器子系统在k-1时刻对动力定位船k时刻的状态矢量测量值；第j传感器子系统在k时刻对动力定位船k+1时刻的状态矢量估计值的计算方法为：

步骤2.1：根据动力定位船中各传感器子系统在上一时刻对动力定位船的状态矢量估计值计算状态转移矩阵f_k(·)的期望和测量状态转移矩阵h_k(·)的期望；

乘性噪声干扰的动力定位船离散状态空间模型为：

第j传感器子系统的测量方程为：

其中，B_k＝cA_k表示动力定位船的未建模偏差，表示第j传感器子系统的测量方程未建模偏差，c、d均为常数；Δt为采样周期；B_uk为输入矩阵；为动力定位船的状态噪声幅值矩阵；F为动力定位船的测量幅值矩阵；ω_k为动力定位船的状态加性噪声矢量；为第j传感器子系统的测量加性噪声矢量；矩阵A_k为动力定位船的状态转移矩阵f_k(·)的Jacobi矩阵；矩阵为第j传感器子系统的测量状态转移矩阵的Jacobi矩阵；