[发明专利]一种广义数据融合方法

摘要

本发明公开了一种广义数据融合方法，所述方法包括：构建广义融合求解问题模型；求解状态解算方程，获得状态解算值；建立相对状态量递推方程，获取递推后的估计值组合t_n历元时的直接求解状态值与状态估计值获得状态最优解值重复运用迭代求解获得一组优化解。本发明所述方法把低阶状态量递推获得的预估计值直接融合到求解获得的高阶状态解值上去，当低阶状态量测量精度较高时，经过逐次互相校准进行数据合成后，能明显提高状态量合成值的精度，得到目标状态量更准确的表示或估计。本发明应用于传感器数据处理，可把单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的矛盾，提高数据的使用效率。

主权项

1.一种广义数据融合方法，其特征在于，所述方法包括以下步骤：步骤1，构建广义融合求解问题模型；步骤2，求解状态解算方程，获得状态解算值；步骤3，建立相对状态量递推方程，获取递推后的状态估计值步骤4，组合t_n历元时的直接求解状态值与递推后的状态估计值获得状态最优解值步骤5，重复运用迭代求解，获得一组优化解；其中，步骤1所述构建广义融合求解问题模型的方法包括以下步骤：建立求轨迹解(xi,yi,zi),i＝1,2,3,…,ne的模型：模型由两部分组成：上面是直接求解部分，其中ρj，ηl分别是绝对测量值和观测值，f1(xi,yi,zi,xsj,ysj,zsj)为状态量求解函数关系式，g1(xi,yi,zi)为约束函数关系式，ne为最终历元数，m为信号源数目，k为约束方程数量；下面是递推部分，其中Δxi,Δyi,Δzi为低阶状态量，是状态变量的相对变化量，或状态变量的导数值或微分值；f2(Δxi),f3(Δyi),f4(Δzi)分别为递推关系式；g2(Δxi,Δyi,Δzi)为低阶状态量之间的相关约束函数式，αi表示各分量之间的约束关系；其中，所述数据融合方法应用于传感器数据处理，是把不同类别传感器所提供的信息加以综合，消除多传感器信息之间存在的矛盾，加以互补；其中，步骤2所述求解状态解算方程获得状态解算值的方法包括以下步骤：若状态解算方程为非线性形式，采用非线性直接求解算法求解如下非线性状态解算方程：f(xi)＝ρi+vi,i＝1,2,......,nr其中，f(xi)为状态量求解关系式，xi为函数状态变量，ρi为测量量，vi为随机噪声，i为历元序号，nr为方程个数；首先，求x，使若有约束条件，求x，使S.T.g(xn)＝c+v式中，I1(xn)为目标函数，g(xn)为约束函数关系式，c为约束方程右端项，υ为随机噪声；其中，步骤3所述建立状态量递推方程获取递推后状态量的状态估计值的方法包括以下步骤：建立低阶状态量的递推方程，获取高阶状态量的新值，并与直接从解算方程求解获得的状态解算值组合；低阶状态量是与状态量相关的导数或微分值，或差分信息；当预估下一历元状态预估量时，在当前最优状态估计值的基础上，加上可观测的状态量的一阶或高阶导数值与时间间隔的乘积，获得下一历元的高阶状态估计值；用状态量递推公式表示如下：式中，Z(·)表示递推关系式；当递推关系符合运动学时，用如下关系式表示：式中，为t_n历元时状态变量的一阶导数值，为t_n历元时状态变量的二阶导数值，υ_n为t_n历元时的随机噪声，为t_n历元时状态量递推估计值，为t_n‑1历元时状态量的状态最优解值，Δt为历元间的间隔时间；融合起始阶段初始状态最优解值未知，用前几个历元的状态测量值代替，或用经逼近处理后的逼近值替代。