基于多方法融合的量化卡爾曼濾波方法
【專利摘要】本發(fā)明涉及一種基于多方法融合的量化卡爾曼濾波方法，本發(fā)明大體包括三部分內(nèi)容。第一部分根據(jù)實(shí)際目標(biāo)運(yùn)動(dòng)進(jìn)行系統(tǒng)建模；第二部分參考相關(guān)文獻(xiàn)，分別給定QKF-STF和VB-AQKF的最優(yōu)估計(jì)結(jié)果；第三部分使用QKF-MMF實(shí)現(xiàn)最優(yōu)線性加權(quán)融合，其中包括計(jì)算最優(yōu)加權(quán)矩陣、最終目標(biāo)狀態(tài)的加權(quán)融合狀態(tài)估計(jì)、融合估計(jì)誤差協(xié)方差及互協(xié)方差矩陣。上述方法既具有強(qiáng)跟蹤功能還能對未知方差進(jìn)行動(dòng)態(tài)估計(jì)，不僅實(shí)現(xiàn)了在線實(shí)時(shí)估計(jì)還提高目標(biāo)跟蹤的精確度。因此，該發(fā)明能夠通過雷達(dá)所測得的現(xiàn)有數(shù)據(jù)準(zhǔn)確估計(jì)任意時(shí)刻目標(biāo)的運(yùn)動(dòng)狀態(tài)，實(shí)現(xiàn)了目標(biāo)跟蹤的功能。
【專利說明】基于多方法融合的量化卡爾曼濾波方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于線性系統(tǒng)的目標(biāo)跟蹤領(lǐng)域，特別涉及一種基于多方法融合的量化卡爾 曼濾波方法。

【背景技術(shù)】
[0002] 線性濾波理論被廣泛應(yīng)用于目標(biāo)跟蹤、信息處理和故障診斷等應(yīng)用領(lǐng)域當(dāng)中，其 發(fā)展較之于非線性濾波已然相當(dāng)成熟。尤其，在分布式傳感器網(wǎng)絡(luò)系統(tǒng)大量涌現(xiàn)的時(shí)代背 景下，量化濾波和融合已經(jīng)在信號處理和控制等領(lǐng)域成為了熱點(diǎn)研究話題。
[0003] 卡爾曼濾波器（KF)最初是由R. E Kalman處理線性動(dòng)態(tài)系統(tǒng)的狀態(tài)估計(jì)時(shí)提出來 的，它建立在模型精確、隨機(jī)干擾信號統(tǒng)計(jì)特性已知以及狀態(tài)沒有突變的基礎(chǔ)上。但在實(shí)際 系統(tǒng)中，往往存在這些不確定因素，這導(dǎo)致了 Kalman濾波算法的估計(jì)精度大大降低，失去 了原先的最優(yōu)性。在此基礎(chǔ)上，強(qiáng)跟蹤（STF)方法和變分貝葉斯（VB)方法的引入使得問題 得到了有效的解決。在狀態(tài)突變且估計(jì)量化誤差的方差未知情況下，STF通過引入漸消因子 來自動(dòng)調(diào)節(jié)一步預(yù)測誤差協(xié)方差，以有效跟蹤狀態(tài)即實(shí)現(xiàn)了強(qiáng)跟蹤功能，提高了估計(jì)精度， 但它無法估計(jì)量測噪聲的未知方差。而VB能實(shí)時(shí)在線估計(jì)量測噪聲的未知方差，它提高了 系統(tǒng)的估計(jì)精度，但魯棒性能較差。實(shí)際上，量測噪聲的方差為強(qiáng)跟蹤濾波提供了基礎(chǔ)，量 測噪聲的方差的準(zhǔn)確計(jì)算提高了強(qiáng)跟蹤的自適應(yīng)能力；而強(qiáng)跟蹤漸消因子則有助于量化估 計(jì)適應(yīng)最新信息并能從中提取出有效信息。因此在這種復(fù)雜環(huán)境下，最優(yōu)線性加權(quán)融合技 術(shù)的引入，同步實(shí)現(xiàn)了強(qiáng)跟蹤功能和針對量測噪聲未知方差的動(dòng)態(tài)估計(jì)功能，提高了狀態(tài) 估計(jì)的精確性。


【發(fā)明內(nèi)容】

[0004] 為了應(yīng)對上面提到的未知量測噪聲方差和狀態(tài)突變等情況，本發(fā)明參考運(yùn)用基于 強(qiáng)跟蹤量化卡爾曼濾波（QKF-STF)方法得到的估計(jì)結(jié)果與基于變分貝葉斯自適應(yīng)量化卡 爾曼濾波（VB-AQKF)方法得到的估計(jì)結(jié)果進(jìn)行加權(quán)融合，提出了一種新的線性濾波方法， 即基于多方法融合的量化卡爾曼濾波方法（QKF-MMF)。
[0005] 本發(fā)明大體包括三部分內(nèi)容。第一部分根據(jù)實(shí)際目標(biāo)運(yùn)動(dòng)進(jìn)行系統(tǒng)建模；第二部 分參考相關(guān)文獻(xiàn)，分別給定QKF-STF和VB-AQKF的最優(yōu)估計(jì)結(jié)果；第三部分使用QKF-MMF實(shí) 現(xiàn)最優(yōu)線性加權(quán)融合，其中包括計(jì)算最優(yōu)加權(quán)矩陣、最終目標(biāo)狀態(tài)的加權(quán)融合狀態(tài)估計(jì)、融 合估計(jì)誤差協(xié)方差及互協(xié)方差矩陣。
[0006] 利用本發(fā)明實(shí)現(xiàn)的線性濾波器不僅具有強(qiáng)跟蹤能力，而且還能動(dòng)態(tài)估計(jì)量測噪聲 的未知方差。

【專利附圖】

【附圖說明】
[0007] 圖1為本發(fā)明方法的流程圖。

【具體實(shí)施方式】
[0008] 下面首先為跟蹤目標(biāo)的運(yùn)動(dòng)狀態(tài)建立模型，其次給出基于強(qiáng)跟蹤的量化卡爾曼濾 波和基于變分貝葉斯的自適應(yīng)量化卡爾曼濾波的估計(jì)結(jié)果，最后給出基于多方法融合的量 化卡爾曼濾波方法，以估計(jì)運(yùn)動(dòng)狀態(tài)，實(shí)現(xiàn)目標(biāo)跟蹤。下面詳細(xì)介紹本發(fā)明的實(shí)施過程。 [0009] 步驟1.系統(tǒng)建模
[0010] 考慮二維平面目標(biāo)的跟蹤問題，假設(shè)目標(biāo)為勻速運(yùn)動(dòng)模型，給出跟蹤系統(tǒng)模型如 下
[0011]

【權(quán)利要求】
1.基于多方法融合的量化卡爾曼濾波方法，其特征在于該方法包括以下步驟： 步驟1.系統(tǒng)建模，考慮二維平面目標(biāo)的跟蹤問題，假設(shè)目標(biāo)為勻速運(yùn)動(dòng)模型，給出跟 蹤目標(biāo)的系統(tǒng)模型如下：
式中，k是時(shí)間指數(shù)，Xk是系統(tǒng)狀態(tài)向量，分別由運(yùn)動(dòng)狀態(tài)的距離和速度組成；Φ 是 相應(yīng)的從k-1到k時(shí)刻系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣；zk是傳感器觀測值，即表示由雷達(dá)所測得的距 離；Hk是相關(guān)觀測矩陣；W tk_jPVk分別為均值為零方差為Qtk_jPRk的高斯白噪聲；假設(shè)初 始狀態(tài)為X〇,其中均值和方差分別是和P+，并且與和Vk不相關(guān)； 步驟2.分別給定基于強(qiáng)跟蹤量化卡爾曼濾波和基于變分貝葉斯自適應(yīng)量化卡爾曼濾 波的最優(yōu)估計(jì)結(jié)果，具體是： 得出基于強(qiáng)跟蹤量化卡爾曼濾波得到的狀態(tài)估計(jì)和估計(jì)誤差協(xié)方差Plik|k，基于 變分貝葉斯自適應(yīng)量化卡爾曼濾波得到的狀態(tài)估計(jì)和估計(jì)誤差協(xié)方差P2，k|k; 步驟3.給出基于多方法融合的量化卡爾曼濾波方法 (3.1)假設(shè)加權(quán)融合估計(jì) = + ^2,k^-2,k\k 式中，假設(shè)\k和Α2Λ是最優(yōu)加權(quán)矩陣； (3. 2)計(jì)算最優(yōu)加權(quán)矩陣\k，A2，k和融合估計(jì)誤差協(xié)方差矩陣P f，k|k : 根據(jù)如下最優(yōu)約束條件：
可得：
Pf,k|k - Pl，k|k_A2，k (Pi，k|k_P21，k|k) 式中，PulkQi 1，2)分別是基于強(qiáng)跟蹤量化卡爾曼濾波和基于變分貝葉斯自適應(yīng) 量化卡爾曼濾波的估計(jì)誤差協(xié)方差矩陣；P12，k|k和P21， k|k是融合估計(jì)誤差互協(xié)方差矩陣； Mk = Puk+P^k-P^k-huk;將最優(yōu)加權(quán)矩陣代入（3. 1)中，即可得到最終加權(quán)融合估計(jì) (3. 3)計(jì)算濾波增益Kq，k(q = 1, 2): 式中，五是量測噪聲的未知方差； (3. 4)根據(jù)上式所求得的加權(quán)融合估計(jì)，計(jì)算融合估計(jì)誤差互協(xié)方差矩陣Pi2 klk和 P21，k|k : =U ~PxMkn，k KkHkV^Kk-xPn,k-x\kJik-x + -1) 式中，L是量測噪聲的未知方差；根據(jù)初始條件可得PucH。= Ρ21』。=PcH。。
【文檔編號】G06F17/16GK104298650SQ201410522855
【公開日】2015年1月21日 申請日期:2014年9月30日 優(yōu)先權(quán)日:2014年9月30日
【發(fā)明者】葛泉波, 李超, 馬金艷, 邵騰 申請人:杭州電子科技大學(xué)