[发明专利]一种自适应在线滤波方法

摘要

本发明提供一种自适应在线滤波方法，该方法是一种基于自适应当前统计模型的改进的卡尔曼滤波器的方法。首先，为了到达在线去噪的目的，采用了递归卡尔曼滤波；其次，运用自适应当前统计模型来抓取数据的波动特性，同时也去除估计过程中的有色噪音；最后，引入滑动窗口，并且运用一种自适应平滑滤波的误差补偿方法，将测量噪音收敛于真值，并去除测量噪音，从而使结果更加精确。其利用多个自适应模型实时修正参数，解决了传感器测量数据的高精度在线去噪问题，具有普适性。

主权项

一种自适应在线滤波方法，其特征在于，包括以下步骤：步骤1：数据波动状态和系统自适应参数初始化；步骤2：建立具有系统自适应参数的自适应当前统计模型，求出符合数据波动特性的状态转移矩阵Φ(k+1,k)，输入矩阵U(k)以及有色过程噪音方差Q(k)；其中，系统自适应参数包括机动频率α和变化率方差步骤3：根据自适应当前统计模型和数据初始状态对数据进行一步预测，得出下一时刻数据的状态预测值步骤4：基于自适应当前统计模型和过程噪音计算向前一步估计方差P(k+1|k)；步骤5：通过测量数据y(k+1)和状态预测值计算出估计过程中的残差e(k)；步骤6：引入滑动窗口；步骤7：通过滑动窗口和残差计算出窗口内残差均值步骤8：通过残差均值和向前一步估计方差求出测量噪音R(k)；步骤9：根据向前一步估计方差和测量噪音求出卡尔曼滤波增益K(k+1)；步骤10：根据向前一步状态预测值，测量数据和卡尔曼滤波增益更新状态估计值步骤11：通过卡尔曼滤波增益和向前一步估计方差，得到更新后的估计方差P(k+1|k+1)；步骤12：利用Yule‑Walker方法，通过状态估计值更新系统自适应参数，进而更新自适应当前统计模型。步骤13：重复步骤2至步骤12，直至所有测量数据全部执行完毕，则结束。