[发明专利]一种基于BP神经网络的卡尔曼增益修正方法

说明书

技术领域

本发明公开了一种基于BP神经网络的卡尔曼增益修正方法，涉及无线定位技术领域。

背景技术

移动单站目标定位以其设备简单、机动性强、易于实现等特点，越来越多的应用于军 事、民事领域。近年来城市中无线干扰源越来越猖獗，给人们生活带来严重影响，车载移动 单站只测向目标定位是城市中查找干扰源的重要手段，而车载移动站与机载移动站以及高架 固定站相比，它高度很低不容易接收到直达波，另外复杂的城市环境更加剧了这种情况的发 生。除了提高测向设备的精度还需要一个可靠的、性能优越的滤波算法。

由于只测向定位算法是一个非线性的问题，为它设计一个滤波方法是十分困难的，为 了简化计算往往将线性滤波器改造后应用于非线性问题，其中扩展卡尔曼滤波算法(EKF)就是 应用最广的一类。EKF要求非线性问题只取泰勒展开的第一项，舍弃高阶项进行线性化，然 而舍弃高阶项带来的的偏差会显著降低算法的稳定性。为解决这个问题，TaekLyulSong提 出了增益修改的卡尔曼滤波算法算法，该算法的基本思想是：如果非线性函数是可以修正的 也就是非线性函数可以改写成状态向量的线性形式，那么就可以用真实值对卡尔曼滤波的增 益进行修正。后来Galkowski使用更为简洁的方法验证了只测角条件下的增益修改方程，并 经过实验验证MGEKF的正确性和有效性。由于MGEKF算法计算简单，实用性强，因此得到了 广泛的应用，然而MGEKF仍然存在很多的问题，针对它的问题，也有很多的改进算法，如张 千提出的平滑MGEKF(sMGEKF)，其基本思想是将一段时间内的测量值取RTS平均 (Rauch-Tung-Striebelsmoothing)作为增益修改方程的输入，减小测量误差带来的影响。另 外MGEKF在迭代过程中和EKF一样需要计算非线性方程的雅可比(Jacobians)行列式以及测量 方程，计算量很大，袁华等人依据迭代扩展卡尔曼滤波(IEKF)算法的思想提出迭代 MGEKF(IMGEKF)，以最大后验概率代替近似条件平均，不必计算雅可比行列式，提高运算效率。 但是所有使用MGEKF思想的算法，进行增益修改时都需要真实的值进行计算，然而真实值是 不能获取的，实际应用中就以测量值代替真实值进行计算，由于测量值是存在测量误差的， 这个误差也传递给了修正后的卡尔曼增益，当测量值存在较大误差时会严重影响算法的性能。 虽然上述改进算法特别是sMGEKF在一定程度上抑制了测量误差的影响，但是它只是将误差平 均到别的测量值上，误差仍然存在，依然影响算法的定位性能，迄今为止，尚未见到通过修 改卡尔曼增益计算方法来抑制测量误差的报道

发明内容

本发明的目的是为了解决增益修正卡尔曼滤波算法中使用测量值代替真实修正增益 从而将测量值误差传播到增益修正结果上的问题，而提出了一种基于BP神经网络的卡尔曼增 益修正方法，利用BP神经网络可以拟合任何非线性相关关系的特性，拟合测量值、测量值误 差方差、目标估计位置、测向机所在位置以及使用真实值修正的卡尔曼增益之间的关系，抑 制测量值误差对增益修正结果的影响。

本发明的目的是通过下述技术方案实现的。

一种基于BP神经网络的卡尔曼增益修正方法，其特征在于，所述方法包括：

移动无线电测向设备、GPS设备、已知GPS坐标的无线信号发射源获取训练数据，然后 计算真实的目标方向值、实值修正的卡尔曼增益、目标位置估计值；

利用真实值修正的卡尔曼增益、测量值、测量值方差、目标估计位置和测向设备位置训 练BP神经网络；

在使用扩展卡尔曼滤波算法进行移动单站测向定位过程中，使用训练好的BP神经网络修 正卡尔曼滤波增益值。

一种基于BP神经网络的卡尔曼增益修正方法，其特征在于，移动无线电测向设备、GPS、 无线信号发射源获取训练数据，然后计算真实的目标方向值、计算真实值修正的卡尔曼增益、 目标位置估计值包括：

所述的无线信号发射源包括：GPS坐标已知的电视广播信号塔、移动基站、WiFi接入点 以及个人无线设备。

所述训练数据包括：测向机所在GPS坐标、测向机测量的待定位目标相对于真北方向的 角度值以及目标GPS坐标，训练数据选取地点包括城市、郊区以及农村；

所述真实的目标方向值包括：通过目标GPS坐标和测向机所在的GPS坐标得到相对于真 北方向的角度值；