面向异步多速率不均匀采样观测数据的信息融合估计方法技术

技术编号:9900972 阅读:136 留言:0更新日期:2014-04-10 12:22
本发明专利技术提供了一种面向异步多速率不均匀采样观测数据的信息融合估计方法,有效解决了面向异步多速率不均匀采样观测数据的信息融合估计问题。步骤(1):向计算机输入数据;步骤(2):输入系统矩阵和系统误差方差阵,输入(k-1,k]时刻获得的来自所有传感器的观测数据和观测矩阵,以及观测噪声方差阵,并输入传感器i的观测的采样时刻ti,记录(k-1,k]时刻观测数据的个数;步骤(3):计算状态预测值与状态预测误差协方差矩阵;步骤(4),计算状态的融合估计值和相应的估计误差协方差矩阵;步骤(5)得到所求状态的融合估计值和融合估计误差协方差矩阵;步骤(6):重复步骤得任意时刻的状态融合估计值与融合估计误差协方差矩阵,即完成信息融合估计。

【技术实现步骤摘要】
【专利摘要】本专利技术提供了一种,有效解决了面向异步多速率不均匀采样观测数据的信息融合估计问题。步骤(1):向计算机输入数据;步骤(2):输入系统矩阵和系统误差方差阵,输入(k-1,k]时刻获得的来自所有传感器的观测数据和观测矩阵,以及观测噪声方差阵,并输入传感器i的观测的采样时刻ti,记录(k-1,k]时刻观测数据的个数;步骤(3):计算状态预测值与状态预测误差协方差矩阵;步骤(4),计算状态的融合估计值和相应的估计误差协方差矩阵;步骤(5)得到所求状态的融合估计值和融合估计误差协方差矩阵;步骤(6):重复步骤得任意时刻的状态融合估计值与融合估计误差协方差矩阵,即完成信息融合估计。【专利说明】
本专利技术属于信息处理方面的多传感器信息融合
,涉及一种。
技术介绍
数据融合是一个从多层次、多方面处理来自多个来源的数据和信息的过程,通过相关处理以实现目标的检测、关联、相关和状态估计,并对情况和威胁进行完整且及时的评估。融合估计指的是如何充分利用包含在多组数据里的信息以得到对一个量的最优估计。它被广泛用于众多军事和民用领域,如目标跟踪、组合导航、故障检测和控制等。对于状态融合估计,最早期的工作是基于相同采样率的同步测量值进行的。因为在实际应用中,异步多传感器融合非常普遍,人们逐渐开始关注异步数据的融合。基于连续系统,Alouani和他的合作者Bar-Shalom等,提出了一些有效的异步多传感器融合的算法。对于离散时间系统而言,相关的研究方法包括基于多尺度系统理论的方法,批处理的方法和基于多速率的滤波器设计的算法等。随着小波变换的出现,人们开始分析多尺度现象和多尺度信号。在多个尺度上描述信号“是一个自然的事情”因为“研究的现象可能具有多尺度特征或物理上具有多尺度特性”,并且“观测数据常常是在不同尺度上获得的”。随着小波变换和金字塔表示法的发展,多速率的数字滤波算法和多尺度信号处理的研究急剧增加。在20世纪80年代末和90年代初,为了系统地和有效地描述多尺度统计信号处理算法,提出了一个多尺度系统理论的统计框架。多尺度系统理论提供了一个尺度递归的方式来处理在不同的尺度上的信号,这意味着在多尺度系统中“尺度发挥一个类似时间的作用”。基于这个想法,多个不同传感器不同尺度获得的数据的最优估计可以有效地融合。相关的结果包括:多分辨率分布式滤波,多分辨率、递归卡尔曼滤波器,和一些多尺度建模和数据融合算法。上面列出的多尺度建模和融合算法的基本思想是通过对最细尺度上的状态进行小波分解,建立多尺度模型,将不同传感器与不同采样率的测量对应到二叉树上(一般传感器之间的抽样比是2的整数次幂关系),然后利用小波重构从粗尺度到细尺度将数据融合,并生成最细尺度上的状态估计。但是这样做产生很多问题。首先,数据融合沿着尺度进行,类似传统滤波器沿着时间处理信号,这样做,通常需要分组和分批处理一定范围里的数据,因此计算量很大;第二,通过使用小波分解生成多尺度模型,系统噪声很容易交叠并且在每个较粗尺度上噪声变得相关;第三,当从不同传感器获得数据,传感器之间的采样率通常局限于2的整数幂关系,否则,需要用到M带小波变换,这使得多尺度多速率的数据融合问题更为复杂。
技术实现思路
本专利技术提供了一种,解决了面向异步多速率不均匀采样观测数据的信息融合估计问题,并将数据进行更为有效充分的利用。本专利技术通过下述技术方案实现:一种,包括以下步骤:步骤(1):向计算机输入传感器个数N,输入每一个传感器的采样速率Si, i=l, 2,…,N,同时输入传感器之间的采样比Iii=SASi, I ^ i ^ N,输入初始状态均值xQ,初始状态估计误差方差阵Po,其中,Xtl e RnS η维实向量,Ptl e Rnxn是η维矩阵,且PtlX)为正定矩阵是用于描述传感器i和传感器I之间采样率关系的量,取值范围为正整数;步骤⑵:对时刻k=l,2,…,输入系统矩阵A(k)和系统误差方差阵Q(k),输入(k-1, k]时刻获得的来自所有传感器的观测数据CO和观测矩阵Ci CO,以及观测噪声方差阵RiCO,并输入传感器i的观测JiCO的采样时刻ti,记录(k-1,k]时刻观测数据的个数Mk,其中:Y^ki):第i个传感器的观测,其维数为IV取值范围为:HIi Sn;A(k):系统矩阵,用于描述状态间转移的量,其取值范围为:特征值在单位圆内的满秩矩阵,设目标状态的维数为n,则A(k) e RnXn;CiGO:观测矩阵,用于描述观测数据的维数和观测数据含义的量,其维数为IV即Ci/c,) G;Q(k):k时刻系统误差方差阵,用于描述系统建模误差的量,其维数为ηΧη,取值范围为非负定矩阵;RiQO:观测误差方差,用于描述观测误差偏差的量,其维数为HiiXmi,取值范围为非负定矩阵;Mk: (k-1, k]时刻观测到的测量数据个数,Mk ^ N ;步骤(3),在时刻k=l,2,…,利用下式计算状态预测值与状态预测误差协方差矩阵::x{kI I) = A{k)x{k-11/--1)P (k I k-1) =A (k) P (k-11 k-1) At (k) +Q (k)其中,$(010)=戈,ρ(0|0)=ρ。;并记名(1|々)=灰{|{—I),P0(k I k) =P (k I k-1);步骤(4),在时刻1^=1,2,一,利用步骤(3)计算出的幻和PtlGi I k),以及步骤(2)输入的观测数据Ii CO,i=l, 2,…,Mk,对i=l,2,…,Mk利用下式依次计算状态的融合估计值和相应的估计误差协方差矩阵:【权利要求】1.一种,其特征在于,包括以下步骤: 步骤(1):向计算机输入传感器个数N,输入每一个传感器的采样速率Si, i=l, 2,-,N,同时输入传感器之间的采样比Iii=S1XSi,N,输入初始状态均值Xtl,初始状态估计误差方差阵Po,其中,Xtl e Rn,Rn表示η维实向量,Ptl e Rnxn是η维矩阵,且PtlX)为正定矩阵;Hi是用于描述传感器i和传感器I之间采样率关系的量,取值范围为正整数; 步骤(2):对时刻k=l,2,…,输入系统矩阵A (k)和系统误差方差阵Q (k),输入(k-l,k]时刻获得的来自所有传感器的观测数据YiGO和观测矩阵CiGO,以及观测噪声方差阵Ri CO,并输入传感器i的观测yi CO的采样时刻\,记录(k-l,k]时刻观测数据的个数Mk,其中: Y^ki):第i个传感器的观测,其维数为IV取值范围为吨≤η ; A(k):系统矩阵,用于描述状态间转移的量,其取值范围为:特征值在单位圆内的满秩矩阵,设目标状态的维数为n,则A(k) e Rnxn ; Ci(Ici):观测矩阵,用于描述观测数据的维数和观测数据含义的量,其维数为叫,SP e『; Q(k):k时刻系统误差方差阵,用于描述系统建模误差的量,其维数为ηΧη,取值范围为非负定矩阵; RiGO:观测误差方差,用于描述观测误差偏差的量,其维数为HiiXmi,取值范围为非负定矩阵; Mk: (k-1, k]时刻观测到的测量数据个数,Mk≤N ; 步骤(3):在时刻k=l,2,...,利用下式计算状态预测值与状态预测误差协方差矩阵::\\k\本文档来自技高网
...

【技术保护点】
一种面向异步多速率不均匀采样观测数据的信息融合估计方法,其特征在于,包括以下步骤:步骤(1):向计算机输入传感器个数N,输入每一个传感器的采样速率Si,i=1,2,…,N,同时输入传感器之间的采样比ni=S1\Si,1≤i≤N,输入初始状态均值x0,初始状态估计误差方差阵P0,其中,x0∈Rn,Rn表示n维实向量,P0∈Rn×n是n维矩阵,且P0>0为正定矩阵;ni是用于描述传感器i和传感器1之间采样率关系的量,取值范围为正整数;步骤(2):对时刻k=1,2,…,输入系统矩阵A(k)和系统误差方差阵Q(k),输入(k‑1,k]时刻获得的来自所有传感器的观测数据yi(ki)和观测矩阵Ci(ki),以及观测噪声方差阵Ri(ki),并输入传感器i的观测yi(ki)的采样时刻ti,记录(k‑1,k]时刻观测数据的个数Mk,其中:yi(ki):第i个传感器的观测,其维数为mi,取值范围为:mi≤n;A(k):系统矩阵,用于描述状态间转移的量,其取值范围为:特征值在单位圆内的满秩矩阵,设目标状态的维数为n,则A(k)∈Rn×n;Ci(ki):观测矩阵,用于描述观测数据的维数和观测数据含义的量,其维数为mi,即 C i ( k i ) ∈ R m i × n ; Q(k):k时刻系统误差方差阵,用于描述系统建模误差的量,其维数为n×n,取值范围为非负定矩阵;Ri(ki):观测误差方差,用于描述观测误差偏差的量,其维数为mi×mi,取值范围为非负定矩阵;Mk:(k‑1,k]时刻观测到的测量数据个数,Mk≤N;步骤(3):在时刻k=1,2,…,利用下式计算状态预测值与状态预测误差协方差矩阵: x ^ ( k | k - 1 ) = A ( k ) x ^ ( k - 1 | k - 1 ) P(k|k‑1)=A(k)P(k‑1|k‑1)AT(k)+Q(k)其中,P(0|0)=P0;并记P0(k|k)=P(k|k‑1);步骤(4):在时刻k=1,2,…,利用步骤(3)计算出的和P0(k|k),以及步骤(2)输入的观测数据yi(ki),i=1,2,…,Mk,对i=1,2,…,Mk利用下式依次计算状态的融合估计值和相应的估计误差协方差矩阵: x ^ i ( k | k ) = x ^ i - 1 ( k | k ) + K i ( k ) [ y i ( k i ) - C ‾ i ( k ) x ^ i - 1 ( k | k ) ] P i ( k | k ) = P i - 1 ( k | k ) - K ...

【技术特征摘要】

【专利技术属性】
技术研发人员:闫莉萍姜露夏元清王美玲邓志红付梦印
申请(专利权)人:北京理工大学
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1