[发明专利]一种无源装置同步增广测量可变维数融合滤波方法在审

专利信息
申请号: 201710267673.7 申请日: 2017-04-21
公开(公告)号: CN106970355A 公开(公告)日: 2017-07-21
发明(设计)人: 刘华军;殷旻佳 申请(专利权)人: 南京理工大学
主分类号: G01S5/16 分类号: G01S5/16
代理公司: 南京理工大学专利中心32203 代理人: 孟睿
地址: 210094 江*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 无源 装置 同步 增广 测量 可变 融合 滤波 方法
【权利要求书】:

1.一种无源装置同步增广测量可变维数融合滤波方法,其特征在于,用状态向量描述跟踪目标,用无源装置的测量向量组成可变维数的增广测量矩阵,对多个无源装置的跟踪数据进行融合滤波完成目标跟踪,其中,维数指无源装置的个数。

2.如权利要求1所述无源装置同步增广测量可变维数融合滤波方法,其特征在于,使用无迹卡尔曼方法进行融合滤波。

3.如权利要求2所述无源装置同步增广测量可变维数融合滤波方法,其特征在于,包括以下步骤:

步骤1,初始化:初始化目标的过程噪声矩阵Q和观测噪声矩阵R,以及目标的初始状态向量x0和状态协方差矩阵P0

步骤2,预测;

2.1根据k-1时刻的状态向量xk-1和状态协方差矩阵Pk-1,按照公式(1)所示方法,计算k-1时刻的状态向量的2n+1个sigma点Xk-1(i),其中n为无源装置的个数,λ为常数,

<mrow><msup><msub><mi>X</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>=</mo><mfenced open = "{" close = ""><mtable><mtr><mtd><mrow><msub><mi>x</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>,</mo></mrow></mtd><mtd><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow></mtd></mtr><mtr><mtd><mrow><msub><mi>x</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>+</mo><msqrt><mrow><mo>(</mo><mi>n</mi><mo>+</mo><mi>&lambda;</mi><mo>)</mo></mrow></msqrt><msub><mi>P</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>,</mo></mrow></mtd><mtd><mrow><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mn>...</mn><mo>,</mo><mi>n</mi></mrow></mtd></mtr><mtr><mtd><mrow><msub><mi>x</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>+</mo><msqrt><mrow><mo>(</mo><mi>n</mi><mo>+</mo><mi>&lambda;</mi><mo>)</mo></mrow></msqrt><msub><mi>P</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>,</mo></mrow></mtd><mtd><mrow><mi>i</mi><mo>=</mo><mi>n</mi><mo>+</mo><mn>1</mn><mo>,</mo><mn>...</mn><mo>,</mo><mn>2</mn><mi>n</mi></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>

2.2根据2n+1个sigma点Xk-1(i)和过程噪声qk-1,按照式(2)所示方法,获得经过状态转移矩阵Ak-1变换后的sigma点集

<mrow><msup><msub><mover><mi>X</mi><mo>^</mo></mover><mi>k</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>=</mo><msub><mi>A</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><msup><msub><mi>X</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>+</mo><msub><mi>q</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>,</mo><mi>i</mi><mo>=</mo><mn>0</mn><mo>,</mo><mn>1</mn><mo>,</mo><mn>...</mn><mo>,</mo><mn>2</mn><mi>n</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>

2.3根据经过状态转移矩阵Ak-1变换后的sigma点集按照式(3)所示方法,得到状态预测值

<mrow><msubsup><mi>x</mi><mi>k</mi><mo>-</mo></msubsup><mo>=</mo><msubsup><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mn>2</mn><mi>n</mi></mrow></msubsup><msup><msub><mover><mi>X</mi><mo>^</mo></mover><mi>k</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><msup><mi>W</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>,</mo><mi>i</mi><mo>=</mo><mn>0</mn><mo>,</mo><mn>1</mn><mo>,</mo><mn>...</mn><mo>,</mo><mn>2</mn><mi>n</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>

其中,权重W(i)的计算过程如下:

<mrow><msup><mi>W</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>=</mo><mfenced open = "{" close = ""><mtable><mtr><mtd><mrow><mfrac><mi>&lambda;</mi><mrow><mo>(</mo><mi>n</mi><mo>+</mo><mi>&lambda;</mi><mo>)</mo></mrow></mfrac><mo>,</mo></mrow></mtd><mtd><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow></mtd></mtr><mtr><mtd><mrow><mfrac><mn>1</mn><mrow><mo>{</mo><mn>2</mn><mrow><mo>(</mo><mi>n</mi><mo>+</mo><mi>&lambda;</mi><mo>)</mo></mrow><mo>}</mo></mrow></mfrac><mo>,</mo></mrow></mtd><mtd><mrow><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mn>...</mn><mo>,</mo><mn>2</mn><mi>n</mi></mrow></mtd></mtr></mtable></mfenced></mrow>

2.4根据sigma点集和k时刻的过程噪声矩阵Qk,按照式(4)所示方法,计算状态向量的协方差矩阵

<mrow><msubsup><mi>P</mi><mi>k</mi><mo>-</mo></msubsup><mo>=</mo><msubsup><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mn>2</mn><mi>n</mi></mrow></msubsup><msup><msub><mover><mi>X</mi><mo>^</mo></mover><mi>k</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>&CenterDot;</mo><msup><mi>W</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>&CenterDot;</mo><msup><mrow><mo>&lsqb;</mo><msup><msub><mover><mi>X</mi><mo>^</mo></mover><mi>k</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>&rsqb;</mo></mrow><mi>T</mi></msup><mo>+</mo><msub><mi>Q</mi><mi>k</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>

其中,T为矩阵转置符号;

步骤3,更新:

3.1根据k时刻预测的状态向量和状态协方差矩阵按照式(5)所示方法,计算k-1时刻的状态向量的sigma点集,

<mrow><msubsup><mi>X</mi><mi>k</mi><mrow><mo>-</mo><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow></msubsup><mo>=</mo><mfenced open = "{" close = ""><mtable><mtr><mtd><mrow><msubsup><mi>x</mi><mi>k</mi><mo>-</mo></msubsup><mo>,</mo></mrow></mtd><mtd><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow></mtd></mtr><mtr><mtd><mrow><msubsup><mi>x</mi><mi>k</mi><mo>-</mo></msubsup><mo>+</mo><msqrt><mrow><mo>(</mo><mi>n</mi><mo>+</mo><mi>&lambda;</mi><mo>)</mo></mrow></msqrt><msubsup><mi>P</mi><mi>k</mi><mo>-</mo></msubsup><mo>,</mo></mrow></mtd><mtd><mrow><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mn>...</mn><mo>,</mo><mi>n</mi></mrow></mtd></mtr><mtr><mtd><mrow><msubsup><mi>x</mi><mi>k</mi><mo>-</mo></msubsup><mo>-</mo><msqrt><mrow><mo>(</mo><mi>n</mi><mo>+</mo><mi>&lambda;</mi><mo>)</mo></mrow></msqrt><msubsup><mi>P</mi><mi>k</mi><mo>-</mo></msubsup><mo>,</mo></mrow></mtd><mtd><mrow><mi>i</mi><mo>=</mo><mi>n</mi><mo>+</mo><mn>1</mn><mo>,</mo><mn>...</mn><mo>,</mo><mn>2</mn><mi>n</mi></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>

3.2根据红外传感器的个数n,选择相应的测量函数hi(·),按照式(6)所示方法,得到预测的状态向量sigma点集经过测量函数hi(·)变换后,预测的测量向量sigma点集

<mrow><msubsup><mi>Y</mi><mi>k</mi><mrow><mo>-</mo><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow></msubsup><mo>=</mo><msup><mi>h</mi><mi>i</mi></msup><mrow><mo>(</mo><msubsup><mi>X</mi><mi>k</mi><mrow><mo>-</mo><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow></msubsup><mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>=</mo><mn>0</mn><mo>,</mo><mn>1</mn><mo>,</mo><mn>...2</mn><mi>n</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>

其中,测量函数h^i(·)实现不同坐标系的转换;

3.3根据sigma点集的权重按照式(7)所示方法得到预测测量值μk

<mrow><msub><mi>&mu;</mi><mi>k</mi></msub><mo>=</mo><msubsup><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mn>2</mn><mi>n</mi></mrow></msubsup><msubsup><mi>Y</mi><mi>k</mi><mrow><mo>-</mo><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow></msubsup><msup><mi>W</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow>

3.4按照式(8)所示方法,计算测量值的方差Sk

<mrow><msub><mi>S</mi><mi>k</mi></msub><mo>=</mo><msubsup><mi>Y</mi><mi>k</mi><mo>-</mo></msubsup><mi>W</mi><msup><mrow><mo>&lsqb;</mo><msubsup><mi>Y</mi><mi>k</mi><mo>-</mo></msubsup><mo>&rsqb;</mo></mrow><mi>T</mi></msup><mo>+</mo><msub><mi>R</mi><mi>k</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>

3.5按照式(9)所示方法,计算状态值与测量值的协方差Ck

<mrow><msub><mi>C</mi><mi>k</mi></msub><mo>=</mo><msubsup><mi>X</mi><mi>k</mi><mo>-</mo></msubsup><mi>W</mi><msup><mrow><mo>&lsqb;</mo><msubsup><mi>Y</mi><mi>k</mi><mo>-</mo></msubsup><mo>&rsqb;</mo></mrow><mi>T</mi></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>

3.6按照式(10)所示方法,计算滤波器增益Kk

Kk=CkSk-1 (10)

3.7按照式(11)所示方法,得到可变维数的增广测量矩阵Zk

<mrow><msub><mi>z</mi><mi>k</mi></msub><mo>=</mo><msup><mrow><mo>&lsqb;</mo><msubsup><mi>Z</mi><mi>k</mi><mn>1</mn></msubsup><mo>,</mo><mn>...</mn><mo>,</mo><msubsup><mi>Z</mi><mi>k</mi><mi>i</mi></msubsup><mo>,</mo><mn>...</mn><mo>,</mo><msubsup><mi>Z</mi><mi>k</mi><mi>n</mi></msubsup><mo>&rsqb;</mo></mrow><mi>T</mi></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>11</mn><mo>)</mo></mrow></mrow>

3.8按照式(12)和(13)所示方法,计算后验状态值mk及状态协方差矩阵Pk

<mrow><msub><mi>m</mi><mi>k</mi></msub><mo>=</mo><msubsup><mi>m</mi><mi>k</mi><mo>-</mo></msubsup><mo>+</mo><msub><mi>K</mi><mi>k</mi></msub><mo>&lsqb;</mo><msub><mi>z</mi><mi>k</mi></msub><mo>-</mo><msub><mi>&mu;</mi><mi>k</mi></msub><mo>&rsqb;</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>12</mn><mo>)</mo></mrow></mrow>

<mrow><msub><mi>P</mi><mi>k</mi></msub><mo>=</mo><msubsup><mi>P</mi><mi>k</mi><mo>-</mo></msubsup><mo>-</mo><msub><mi>K</mi><mi>k</mi></msub><msub><mi>S</mi><mi>k</mi></msub><msup><msub><mi>K</mi><mi>k</mi></msub><mi>T</mi></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>13</mn><mo>)</mo></mrow><mo>.</mo></mrow>

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京理工大学,未经南京理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201710267673.7/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top