[发明专利]一种对双观测系统量测噪声方差阵的自适应同步估计方法

说明书

技术领域

本发明属于信号处理技术领域，具体涉及一种对双观测系统量测噪声方差阵的自适应同步估计方法，可同时有效自适应估计出不同测量系统的量测噪声方差阵。

背景技术

卡尔曼滤波算法是一项广泛应用的信息融合技术，标准卡尔曼滤波滤波算法是建立在系统噪声方差阵已知情况下的最优估计，但在实际情况下，测量系统的测量噪声方差阵未知，如何有效估计出系统测量噪声方差阵对提高滤波精度具有重要意义。

通常，若要获得系统测量噪声方差阵一般通过对测量系统进行长时间观测，根据对系统输出信息的统计量获得量测噪声方差阵，然而这种基于验前信息获得噪声统计特性的方法无法解决时变噪声的问题。在自适应估计系统量测噪声的研究中，方法主要为基于信息序列的自适应估计方法（IAE），主要代表为sage-husa法，它可以自适应估计系统的状态噪声方差阵和量测噪声方差阵，然而此法的信息序列基于状态一步递推值和观测值，当状态估计值计算不准确时，会造成误差耦合，导致量测噪声阵的估计精度下降。本发明利用两种测量参考系统的不同测量特性，自适应调节窗口长度，对系统量测噪声进行有效估计。

发明内容

针对现有技术中存在的问题，本发明为解决对测量系统量测噪声方差阵进行有效估计的问题，提出了一种对双观测系统量测噪声方差阵的自适应同步估计方法。该方法通过计算双观测系统观测值的自差分序列以及互差分序列的方差，得到量测噪声方差阵，并且对同一时刻不同窗口长度下计算得到的噪声方差阵序列进行一次直线拟合，由拟合得到的直线斜率计算出最优窗口长度并得到最终的量测噪声方差阵。

本发明提出一种对双观测系统量测噪声方差阵的自适应同步估计方法，包括以下几个步骤：

步骤一：分别得到观测系统A、观测系统B在各时刻的数据信号Z1(i)、Z2(i)，其中i为观测系统的数据信号测量时刻；

步骤二：分别计算观测系统A数据信号Z1(i)的自差分序列和观测系统B数据信号Z2(i)的自差分序列，并计算两个自差分序列的互差分序列，具体为：

(1)观测系统A数据信号Z1(i)的自差分序列ΔZ1(i)为：

ΔZ1(i)＝Z1(i)-Z1(i-1)

其中i-1和i分别表示观测系统A的数据采集时刻；

(2)观测系统B数据信号Z2(i)的自差分序列ΔZ2(i)为：

ΔZ2(i)＝Z2(i)-Z2(i-1)

其中i-1和i分别表示观测系统B的数据采集时刻；

(3)观测系统A和观测系统B的两个自差分序列的的互差分序列C(i)为：

C(i)＝ΔZ1(i)-ΔZ2(i)

步骤三：分别计算观测系统A数据信号在不同窗口长度下自差分序列的方差，观测系统B数据信号在不同窗口长度下自差分序列的方差，以及两个观测系统在不同窗口长度下互差分序列的方差，并利用方差进行相关计算得到观测系统A、观测系统B不同窗口长度下的量测噪声方差阵R1、R2，具体为：

(1)首先选取最大窗口长度M_Max、最小窗口长度M_Min和窗口长度间隔M_Dis，且窗口长度间隔M_Dis为M_Max与M_Min之差的整数倍，若当前数据信号量测时刻k小于等于M_Max，则直接采用窗口长度累积的方式计算观测系统A自差分序列的方差：