[发明专利]一种基于自适应滤波的GPS测量数据处理方法

说明书

本发明提供一种基于自适应滤波的GPS测量数据处理方法，该方法是一种基于二阶自适应模型的改进的卡尔曼滤波器的方法。首先，采用了递归卡尔曼滤波对目标进行实时跟踪；其次，运用二阶自适应模型来抓取目标的运动特性，同时也去除估计过程中的有色噪音；最后，为了求出测量噪音方差真值，引入遗忘因子，并采用自适应指数平滑的误差补偿方法，使其测量噪音方差快速收敛于真值，但是，因为在收敛过后的值抖动较大，所以又引入滑动窗口，并且运用一种自适应平滑滤波的误差补偿方法，此方法收敛速度很慢，但收敛完后十分稳定，所以可以使其测量误差方差一直在真值附近平滑的波动，从而使跟踪效果更加精确，解决了GPS测量数据的高精度在线去噪问题。

技术领域

本发明涉及测量信号处理技术领域，尤其涉及一种基于自适应滤波的GPS测量数据处理方法。

背景技术

现如今，卫星定位系统得到了普遍的关注，发展迅速，广泛地应用于航天、航空、航海各军事领域以及交通、测量等民用领域。但是，仅仅靠一般的GPS测量数据进行跟踪的精度有限，无法满足实际需求；而精度较高的GPS系统的价格极其昂贵，因此，处理带有噪音的精度有限的GPS测量数据，提高其跟踪精度非常重要。

为了提高跟踪精度，一个性能优良的处理GPS测量数据的滤波算法是必要的，目前已经有很多的算法，如三维匹配滤波，基于Hough变化的滤波算法，动态规划算法和粒子滤波算法。首先，三维匹配滤波算法适合于数字处理，且可用于多目标的情况，但必须已知目标速度且该速度必须为匀速，当目标速度未知或者当目标速度机动时，算法性能严重下降，所以，在实际系统中，面对强机动性且带有有色噪音的GPS数据，并不适用。其次，Hough变化虽然在传统方法的基础上有所改进，但是同样在面临目标轨迹不是直线时，性能会明显下降。然后，对于动态规划算法而言，有很多学者提出了各种各样的改进算法，如2008年Buzzi等人提出的基于广义似然的动态规划算法，可以把目标跟踪问题看成一个路径搜索问题，但是并没有考虑到实际问题中有色噪音的存在，只是做了仿真实验，而2010年Orlando等人提出了一种基于空间自适应处理的动态规划算法，此后，也有学者提出了基于极大似然-概率数据互联的动态规划算法等等，但是，无论哪种动态规划算法对于全局的最优解都需要全局的数据，不能实现实时数据处理。最后，粒子滤波的算法虽然也可以针对于强机动性的目标，但是，其需要样本数量巨大，并且算法复杂，耗时长，目标的机动性越强，算法的复杂度越高，不利于快速跟踪目标。

由此可见，提出一种可用于实际系统中有高强机动性且含有有色噪音的GPS测量数据的快速处理算法成为亟待解决的课题。

发明内容

本发明的目的在于提供一种基于自适应滤波的GPS测量数据处理方法，其解决了GPS测量数据的高精度在线去噪问题，从而很大程度上增加了跟踪的精度。

本发明涉及一种基于自适应滤波的GPS测量数据处理方法，利用多个自适应模型实时修正参数，解决了GPS测量数据的高精度在线去噪问题，从而很大程度上增加了跟踪的精度。该方法是一种基于二阶自适应模型的改进的卡尔曼滤波器的方法。首先，采用了递归卡尔曼滤波对目标进行实时跟踪；其次，运用二阶自适应模型来抓取目标的运动特性，同时也去除估计过程中的有色噪音；最后，为了求出测量噪音方差真值，引入遗忘因子，并采用自适应指数平滑的误差补偿方法，使其测量噪音方差快速收敛于真值，但是，因为在收敛过后的值抖动较大，所以又引入滑动窗口，并且运用一种自适应平滑滤波的误差补偿方法，此方法收敛速度很慢，但收敛完后十分稳定，所以可以使其测量误差方差一直在真值附近平滑的波动，从而使跟踪效果更加精确。

具体实现步骤如下：

步骤1：目标运动状态和系统自适应参数初始化；

步骤2：建立具有系统自适应参数的二阶自适应模型，求出符合目标运动特性的状态转移矩阵Φ(k+1,k)、输入矩阵U(k)以及有色过程噪音方差Q(k)；其中，系统自适应参数包括机动频率α和变化率方差