[发明专利]一种基于FBPF-EIKF-FastSLAM的分布式多源融合定位方法

说明书

本发明涉及基于FBPF‑EIKF‑FastSLAM的分布式多源融合定位方法，是一种对分布式自适应多源信息进行融合定位的方法，属于定位定向与机器学习领域，其特征在于采用如下步骤：(1)确定相邻极值点的平均值和包络估计值；(2)确定剩余信号；(3))确定调频信号和包络信号；(4)进行LMD分解，确定第一个PF分量；(5)建立ICA数学模型；(6)构建PNN神经网络；(7)确定输出变量的判别函数。本发明有效的解决了复杂环境背景噪声对于定位准确度的影响，提高了滤波效率，有效的改善了系统运行效率，降低了系统响应时间，提高了系统运行速度，加快了对于目标定位更新频率。

技术领域

本发明涉及定位定向与机器学习领域，主要是一种对分布式自适应多源信息进行融合定位的方法。

背景技术

目前对于目标在复杂环境中的定位，主要是基于多传感器形成多数据源，通过算法融合，精确目标位置信息。传统的多源融合算法通常是采用高阶修正CKF多元融合方法和NLOS算法。对于高阶修正CKF多元融合算法，由于其采用的是根据定位误差对对自适应高阶修正函数的阶数动态调整，所以对于误差的提取与判别有着严格的要求，同时环境背景的噪声不易去除吗，容易产生干扰源。对于NLOS算法，由于其根据结果结算残差矩阵来动态调整融合滤波器的测量噪声，所以对特征点深度和协方差矩阵的初始值依赖较大，如果设置欠妥，或导致估计值不一致，从而产生偏差。环境背景的复杂性，目标位置的连续变换导致上述技术在实际的应用中，存在较大错误偏差概率。

对于目标在复杂环境中的定位，关键点在于对于环境背景噪声的去除和定位的高效、稳定。因此对于复杂环境目标定位提出了更高的要求。针对以上问题，提出了一种分布式自适应多源融合的定位方法，通过采用区间分析运算，得到包含精确解的严格区间界限，可以在不受系统模型约束的前提下，实现对环境背景噪音的滤除。同时充分利用箱粒子滤波所需粒子数少、运行速度快的性能优势，综合萤火虫算法，结合扩展区间卡尔曼滤波，提高了系统定位信息的刷新速度，增加了对目标定位准确度和鲁棒性。

发明内容

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于FBPF-EIKF-FastSLAM的分布式多源融合定位方法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)确定均匀PDF的加权和p(x)：

式中，x表示随机变量，i表示计数单位，N表示混合均匀PDF的数目，w_i表示第i个箱粒子对应的概率密度，[x]表示箱粒子，U_[x]表示以箱粒子为支持集的PDF，[xⁱ]表示第i个箱粒子，

(2)预测k+1时刻的概率密度p(x_k+1|z_1,k)：

在k时刻，假设x_k状态下的PDF表示为：

根据时间更新步骤，对k+1时刻的概率密度：

式中，k表示为时刻，x_k为系统状态向量，z_k为观测向量，为第i个箱粒子在k时刻的概率密度，为第i个箱粒子在k时刻的状态向量，为第i个箱粒子在k时刻为支持集的PDF，表示支撑集箱粒子为的均匀PDF，[f]为包含函数，[V_k]为k+1时刻的状态转移噪声对应的箱粒子，[U_k]为控制输入箱粒子。

(3)确定状态后验PDFp(x_k+1|z_1,k+1)：