系统状态估计方法、系统状态估计装置制造方法及图纸

本申请公开了一种系统状态估计方法、装置，用于对目标系统的状态进行估计，该方法包括：获取目标系统的状态方程和观测方程；根据目标系统的上一时刻的协方差，对所述状态方程和观测方程进行无迹变换，得到状态先验估计、协方差先验估计、观测先验估计，以及状态和观测之间的协方差；根据所述状态先验估计、协方差先验估计、观测先验估计和状态和观测之间的协方差，构建线性回归方程；根据所述线性回归方程计算估计误差；采用基于模糊交叉熵构造的损失函数对所述估计误差进行优化，得到所述目标系统的状态估计，该方法提高了无迹卡尔曼滤波算法在非高斯噪声环境中的鲁棒性，提高无迹卡尔曼滤波算法的估算精度。

【技术实现步骤摘要】
系统状态估计方法、系统状态估计装置
本申请涉及卡尔曼滤波算法领域，尤其涉及一种系统状态估计方法、系统状态估计装置。
技术介绍
估计问题在精确制导、预警系统、航空交通以及智能监控等领域发挥着关键作用。卡尔曼滤波算法(KalmanFilter,KF)是一种经典的状态估计方法，可以对线性系统进行最小均方误差估计。然而，卡尔曼滤波算法并不适用于非线性系统，因此研究人员相继提出了一些优化卡尔曼滤波算法的方法，例如无迹卡尔曼滤波(UnscentedKalmanFilter,UKF)算法，无迹卡尔曼滤波算法主要是利用一组精确的点集逼近状态的概率分布，并通过非线性方程进行传播。无迹卡尔曼滤波算法是近年来滤波的主要方法之一，但是，由于无迹卡尔曼滤波算法是基于最小均方误差估计的准则进行优化的，使得系统在在非高斯噪声环境中的鲁棒性下降，从而导致当系统受到非高斯噪声的干扰时，无迹卡尔曼滤波算法的性能急剧下降。申请内容本申请实施例提供一种系统状态估计方法、系统状态估计装置，以提高无迹卡尔曼滤波算法在非高斯噪声环境中的鲁棒性，提高估算的精准度。一种系统状态估计方法，用于对目标系统的状态进行估计，包括：获取目标系统的状态方程和观测方程；根据目标系统的上一时刻的协方差，对所述状态方程和观测方程进行无迹变换，得到状态先验估计、协方差先验估计、观测先验估计，以及状态和观测之间的协方差；根据所述状态先验估计、协方差先验估计、观测先验估计和状态和观测之间的协方差，构建线性回归方程；根据所述线性回归方程计算估计误差；采用基于模糊交叉熵构造的损失函数对所述估计误差进行优化，得到所述目标系统的状态估计。优选地，所述状态方程包括状态函数，且所述状态方程为n维状态向量；所述方法通过以下步骤计算所述状态先验估计和协方差先验估计：根据所述上一时刻的协方差和所述状态方程获取k-1时刻的多个第一sigma点集，且所述k-1时刻的第一sigma点集为：其中，是矩阵(n+λ)P(k-1|k-1)平方根的第i列，P(k-1|k-1)为所述上一时刻的协方差，n为状态维度，λ为复合比例因子，且λ＝α2(n+φ)-n，α和φ均为预设值；根据所述状态函数，将所述k-1时刻的第一sigma点集转换为k时刻的多个第二sigma点集：χi*(k|k-1)＝f(k-1,χi(k-1|k-1)),fori＝0...2n其中，χi*(k|k-1)表示第二sigma点集，f表示状态函数；根据所述k时刻的多个第二sigma点集，计算所述状态先验估计和协方差先验估计：其中，所述为状态先验估计，P(k|k-1)为协方差先验估计，Q(k-1)为预设的状态协方差矩阵。优选地，所述观测方程包括观测函数；所述方法通过以下步骤计算所述观测先验估计，以及状态和观测之间的协方差：根据所述状态先验估计和协方差先验估计，获取所述k时刻的多个第三sigma点集，且所述第三sigma点集为：根据所述观测函数，将所述k时刻的第三sigma点集转换为k时刻的第四sigma点集：γi(k)＝h(k,χi(k|k-1)),fori＝0...2n其中，γi(k)为第四sigma点集，h()为观测函数；根据所述k时刻的第四sigma点集，计算所述观测先验估计：根据所述第二sigma点集、状态先验估计、第四sigma点集和观测先验估计计算所述状态和观测之间的协方差：优选地，所述观测方程包括观测噪声；通过以下步骤构建所述线性回归方程，包括：获取观测斜率矩阵，所述观测斜率矩阵为：H(k)＝(P-1(k|k-1)Pxy(k))T；根据所述观测斜率矩阵计算线性回归方程，所述线性回归方程为：其中，所述I为n×n的单位矩阵，且r(k)为观测噪声，线性回归方程的协方差为R(k)为预设观测协方差矩阵。优选地，所述估计误差为：e(k)＝D(k)-W(k)x(k)其中，所述e(k)为估计误差，x(k)为状态方程，S(k)通过对所述线性回归方程的协方差进行Cholesky分解得到。优选地，所述损失函数为：其中，a为预设值，σ为高斯核函数的核宽，μik为k时刻第i维的模糊隶属度，ei(k)＝di(k)-wi(k)x(k)，ei(k)是e(k)的第i个元素，di(k)是D(k)的第i个元素，wi(k)是W(k)的第i行元素，L是e(k)的维数，根据所述损失函数计算得到所述目标系统的状态估计为：优选地，所述σ的取值为：其中，σi是第i维误差的核宽，ei是第i维的误差，σ为核宽的预设值。8.如权利要求6所述的系统状态估计方法，其特征在于，在得到所述目标系统的状态，计算所述目标系统的协方差后验估计：其中，Sp(k|k-1)为对协方差先验估计P(k|k-1)进行Cholesky分解得到，Sr(k)为对R(k)进行Cholesky分解得到。优选地，所述μik的取值为：一种系统状态估计装置，用于对目标系统的状态进行估计，包括：获取单元，用于获取目标系统的状态方程和观测方程；无迹变换单元，用于根据上一时刻的协方差，对所述状态方程和观测方程进行无迹变换，得到状态先验估计、协方差先验估计、观测先验估计，以及状态和观测之间的协方差；线性方程构建单元，用于根据所述状态先验估计、协方差先验估计、观测先验估计和状态和观测之间的协方差，构建线性回归方程；误差估计单元，用于根据所述线性回归方程计算估计误差；优化单元，用于采用基于模糊交叉熵构造的损失函数对所述估计误差进行优化，得到所述目标系统的状态。上述系统状态估计方法、装置通过对目标系统进行无迹变换，以获得状态先验估计、协方差的先验估计、观测先验估计，以及状态和观测之间的协方差，并根据得到的数据构建线性回归方程并获得估计误差，最后采用最大模糊交叉熵准则优化无迹卡尔曼滤波算法得到的估计误差，使得该状态估计方法可以较好地处理非线性非高斯系统，提高了无迹卡尔曼滤波算法在非高斯噪声环境中的鲁棒性，提高无迹卡尔曼滤波算法的估算精度。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请一实施例中系统状态估计方法的流程图；图2是本申请实施例中的目标真实运动轨迹图；图3是各个算法的跟踪轨迹图；图4是各个算法的均方根误差对比图；图5是本申请一实施例中系统状态估计装置的原理框图。<本文档来自技高网...

【技术保护点】
1.一种系统状态估计方法，用于对目标系统的状态进行估计，其特征在于，包括：/n获取目标系统的状态方程和观测方程；/n根据目标系统的上一时刻的协方差，对所述状态方程和观测方程进行无迹变换，得到状态先验估计、协方差先验估计、观测先验估计，以及状态和观测之间的协方差；/n根据所述状态先验估计、协方差先验估计、观测先验估计和状态和观测之间的协方差，构建线性回归方程；/n根据所述线性回归方程计算估计误差；/n采用基于模糊交叉熵构造的损失函数对所述估计误差进行优化，得到所述目标系统的状态估计。/n

【技术特征摘要】
1.一种系统状态估计方法，用于对目标系统的状态进行估计，其特征在于，包括：
获取目标系统的状态方程和观测方程；
根据目标系统的上一时刻的协方差，对所述状态方程和观测方程进行无迹变换，得到状态先验估计、协方差先验估计、观测先验估计，以及状态和观测之间的协方差；
根据所述状态先验估计、协方差先验估计、观测先验估计和状态和观测之间的协方差，构建线性回归方程；
根据所述线性回归方程计算估计误差；
采用基于模糊交叉熵构造的损失函数对所述估计误差进行优化，得到所述目标系统的状态估计。


2.如权利要求1所述的系统状态估计方法，其特征在于，所述状态方程包括状态函数，且所述状态方程为n维状态向量；
所述方法通过以下步骤计算所述状态先验估计和协方差先验估计：
根据所述上一时刻的协方差和所述状态方程获取k-1时刻的多个第一sigma点集，且所述k-1时刻的第一sigma点集为：






其中，是矩阵(n+λ)P(k-1|k-1)平方根的第i列，P(k-1|k-1)为所述上一时刻的协方差，n为状态维度，λ为复合比例因子，且λ＝α2(n+φ)-n，α和φ均为预设值；
根据所述状态函数，将所述k-1时刻的第一sigma点集转换为k时刻的多个第二sigma点集：
χi*(k|k-1)＝f(k-1,χi(k-1|k-1)),fori＝0...2n
其中，χi*(k|k-1)表示第二sigma点集，f表示状态函数；
根据所述k时刻的多个第二sigma点集，计算所述状态先验估计和协方差先验估计：






其中，所述为状态先验估计，P(k|k-1)为协方差先验估计，fori＝1...2n，Q(k-1)为预设的状态协方差矩阵。


3.如权利要求2所述的系统状态估计方法，其特征在于，所述观测方程包括观测函数；所述方法通过以下步骤计算所述观测先验估计，以及状态和观测之间的协方差：
根据所述状态先验估计和协方差先验估计，获取所述k时刻的多个第三sigma点集，且所述第三sigma点集为：






根据所述观测函数，将所述k时刻的第三sigma点集转换为k时刻的第四sigma点集：
γi(k)＝h(k,χi(k|k-1)),fori＝0...2n
其中，γi(k)为第四sigma点集，h()为观测函数；
根据所述k时刻的第四sigma点集，计算所述观测先验估计：



根据所述第二sigma点集、状态先验估计、第四sigma点集和观测先验估计计算所述状态和观测之间的协方差：





4.如权...

【专利技术属性】
技术研发人员：李良群，孙迎春，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44