[发明专利]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

说明书

技术领域

本发明属于信息处理方面的多传感器信息融合技术领域，涉及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。

背景技术

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。

发明内容

本发明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，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。

本发明通过下述技术方案实现：

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，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S_i,i=1,2,…,N，同时输入传感器之间的采样比n_i=S₁/S_i,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为n维实向量，P₀∈R^n×n是n维矩阵，且P₀>0为正定矩阵；n_i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y_i(k_i)和观测矩阵C_i(k_i)，以及观测噪声方差阵R_i(k_i)，并输入传感器i的观测y_i(k_i)的采样时刻t_i，记录(k-1,k]时刻观测数据的个数M_k，其中：

y_i(k_i)：第i个传感器的观测，其维数为m_i，取值范围为：m_i≤n；