[发明专利]基于FPGA的UKF算法及其对大脑动力学模型的滤波

说明书

技术领域

本发明属于数字集成电路和神经动力学交叉的领域，涉及无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的现场可编程门阵列(Field Programmable Gate Array，FPGA)实现方法及其在大脑动力学模型中的应用，尤其涉及一种UKF算法及其对大脑动力学模型滤波的FPGA实现的方法。

背景技术

随着数字集成电路的不断更新，微电子技术的不断发展，现场可编程逻辑电路开始广泛流行，其中现场可编程门阵列(Field Programmable Gate Array，FPGA)应用最为广泛。它具有多方面的优点。首先，其单个芯片可容纳上百万的逻辑门，所以它能够实现的功能非常强大，同时还可以实现系统的集成。其次，设计人员在自己实验室内就可以完成芯片的功能设计，从而节省了许多潜在的花费，降低了生产成本。最后，用户可以反复编程、擦除、使用或者在不改变外围电路的情况下利用不同软件实现不同的功能。基于上述优点，目前FPGA已在通信、消费类、嵌入式等领域取代了MCU的一些应用。在汽车、军事、工业和无线通信等领域的性能优势超过独立DSP。

对于FPGA使用硬件编程语言VHDL/Verilog HDL的好处在于易于理解、易于维护、调试电路速度快，而作为目前应用最为广泛的C语言，其设计环境更为完整，语言灵活，功能强大。Altera公司提出将Nios II软核处理器配置到可编程逻辑器件当中，实现了微处理器与可编程逻辑器件的通信。

脑电信号是大脑组织中大量神经元群突触后电流在大脑皮层或头皮表面的综合表现，因而含有大量的脑电信息，是研究大脑内部功能及脑部疾病如癫痫等的发病原理的重要依据。近年来，大量研究致力于大脑动力学模型的建立用以模拟真实的脑电信号。在现实操作中，脑电信号的测量容易受到外界的干扰，如高频干扰，工频干扰等。考虑到干扰的不确定性和难测量性，需要选择合适的滤波算法对其进行滤波控制。无迹卡尔曼滤波(unscented Kalman Filter,UKF)算法能有效实现对非线性系统的滤波。UKF算法的硬件实现可为进一步对大脑动力学模型状态估计和控制的硬件研究奠定一定的基础。

中国专利申请号为：201120522483.3，名称为：基于NIOS II系统的SOPC开发平台，该申请案公开了一种基于NIOS II系统的SOPC开发平台，使用LED点阵屏进行图形显示，而点阵显示屏存在显示单一的缺陷。

中国专利申请号为：201010013568.9，名称为：基于FPGA的无迹卡尔曼滤波系统及并行实现方法，该申请案公开了一种基于FPGA的无迹卡尔曼滤波系统，主要解决现有无迹卡尔曼滤波硬件实现难度大和实时性差的问题。

发明内容

本发明的目的是针对上述问题，提供一种基于FPGA的UKF算法及其对大脑动力学模型的滤波。

为了解决上述存在的技术问题，本发明的目的之一是：一种基于UKF算法的UKF系统，该系统采用Verilog HDL硬件描述语言作为编程语言，其UKF算法程序包括：

协方差矩阵Cholesky分解模块，用于对对角协方差矩阵进行Cholesky分解，得到下三角矩阵，得到m个有效数值，将有效数值输入到Sigma点产生模块；

Sigma点产生模块，用于接收上一时刻的状态估计值，并与由Cholesky分解得到的m个有效数值结合，产生2m个Sigma点并分别输入到时间更新模块；

时间更新模块，用于把接收到的Sigma点带入到系统模型的状态方程，得到状态预测值，输入到观测预测模块；

观测预测模块，用于把状态预测值代入观测模型的观测方程，得到观测预测值，并将状态预测值和观测预测值输入到均值和协方差矩阵计算模块；

均值和协方差矩阵计算模块，用于对状态预测值和观测预测值加权求和，分别计算状态预测协方差矩阵、观测预测协方差矩阵和互协方差矩阵，并将观测预测协方差矩阵输入到观测预测协方差矩阵求逆模块，将互协方差矩阵输入到增益计算模块，将状态预测协方差矩阵和互协方差矩阵输入到状态估计和状态协方差矩阵估计模块；

观测预测协方差矩阵求逆模块，用于对观测预测协方差矩阵进行求逆运算，并将求逆结果输入到增益计算模块；

增益计算模块，用于接收互协方差矩阵和观测预测协方差矩阵的逆矩阵，计算增益，并将增益输入到状态量估计和状态协方差矩阵估计模块；