【技術實現步驟摘要】
本專利技術涉及狀態估計領域，具體為一種針對重尾噪聲的反饋自適應imm濾波器。
技術介紹
1、狀態估計應用在機動目標跟蹤、雷達定位、信息融合等領域的關鍵步驟中。imm濾波器已被證實能夠使用不同的濾波模型有效跟蹤機動和非機動目標。但是，imm濾波器等狀態估計方法的準確性，在很大程度上取決于系統模型參數和噪聲模型參數的先驗知識。然而機動目標的先驗信息有限，所以系統需要自適應濾波。變分貝葉斯推理(vb)是一種閉環迭代方法，能夠將復雜的后驗概率密度函數推理問題轉化為共軛先驗分布之間的優化問題，被用于噪聲協方差和系統狀態的估計。但是，使用不可靠傳感器跟蹤機動目標產生的重尾噪聲會導致濾波結果抖動甚至發散。
2、已經提出了大量魯棒濾波器來解決具有重尾噪聲的濾波問題，基礎的魯棒濾波方法假設過程噪聲和測量噪聲都是student-t分布，并使用vb方法求解尺度矩陣和自由度參數，后驗概率密度函數(pdf)近似為student-t分布，從而解決重尾噪聲問題。但是上述方法沒有考慮系統的非線性和目標快速機動帶來的影響。
3、為了解決濾波過程中目標靈活機動和測量系統的不可靠性問題，跳躍馬爾可夫系統下的重尾噪聲濾波成為研究重點。在imm框架下提出了一種子濾波器為huber函數的濾波方法，最小化組合1、2范數的huber濾波器(hkf)對重尾過程和測量噪聲表現出魯棒性，然而hkf求解困難,導致imm融合效果變差。student-t分布的重尾特性是解決離群值的好辦法。通過vb近似把狀態向量和尺度矩陣共同推導出來的濾波器，嵌入imm框架中，解決
技術實現思路
1、(一)解決的技術問題
2、針對現有技術的不足，本專利技術提供了一種針對重尾噪聲的反饋自適應imm濾波器，解決了上述
技術介紹
中所提出的問題。
3、(二)技術方案
4、本專利技術為了實現上述目的具體采用以下技術方案：
5、一種針對重尾噪聲的反饋自適應imm濾波器，具體包括以下步驟；
6、s1：對上一次的估計結果進行初步融合，得到每個子濾波器的初始值；子濾波器結合目標機動性能進行容積卡爾曼濾波，并融合為一個交互預測過程；
7、s2：假設過程噪聲和測量噪聲符合student-t分布，使用變分推斷的方法估計測量噪聲和誤差協方差矩陣；
8、s3：根據對過程噪聲和測量噪聲的推斷，結合測量預測殘差來估計目標的機動性能，量化機動性能實現濾波的自適應處理；
9、s4：結合機動性能更新imm濾波算法的各個子濾波器模型概率，使得交互多模型濾波算法有更加準確的融合結果。
10、進一步地，所述s1中子濾波器初步融合公式為：
11、
12、
13、其中每個子濾波器混合狀態估計是及誤差協方差矩陣是k-1時刻估計的由模型i轉移到模型j的概率，是初步融合結果。
14、基于k-1時刻的濾波估計值及相應誤差協方差矩陣計算產生容積點，即：
15、
16、是k-1時刻估計的第i個容積點，一共2n個容積點，n代表狀態向量的維度。ei表示在第i個位置為1其余為0的單位向量。
17、在目標機動性能的影響下計算交互預測結果：
18、
19、其中，是一步預測得到的狀態和誤差協方差矩陣，表示測量值與預測值的差距。kk由和求得，和代表經過機動性能處理過的系統噪聲協方差矩陣和測量噪聲協方差矩陣。
20、進一步地，所述s2中過程噪聲向量wk和觀測噪聲向量vk都假設為student-t分布：
21、
22、其中,st(·；μ,∈,θ)表示均值為μ、尺度矩陣為∈、自由度參數為θ的student-tpdf。β和γ是自由度參數，qk和rk是系統噪聲和測量噪聲的尺度矩陣。pj(·)代表在模型j時刻各個變量的概率密度函數，j∈n,n＝{1,2,...,n}是模型有限集合,其中j根據概率轉移矩陣取得。然而，由于student-t?pdf不是嚴格閉合的，因后驗pdf的閉合解是求解不出來的。引入兩個積分變量λ和ξ，把student-t分布模型轉換為高斯分布的集合體。因此一步預測pdf和似然pdf使用高斯集合表示。針對以上參數的選定，使用變分貝葉斯方法自適應估計這些參數。依據vb方法原理，需要尋找未知量的共軛先驗分布以保證后驗分布與未知參數的先驗分布具有相同形式。
23、進一步地，所述s3中首先計算測量預測殘差和噪聲的變動情況結合，得出最終跟蹤目標的機動性能
24、
25、其中，χk∈(0,1]用于調節尺度矩陣和機動性能影響因子作用的強弱，和是機動性能處理后的過程噪聲協方差矩陣和測量噪聲協方差矩陣，反饋作用imm框架。
26、進一步地，所述s4中模型概率更新是計算在k時刻，目標處于運動模型j的概率即：
27、
28、其中為模型似然函數，其中在計算似然函數中使用機動性能
29、(三)有益效果
30、與現有技術相比，本專利技術提供了一種針對重尾噪聲的反饋自適應imm濾波器，具備以下有益效果：
31、在非線性馬爾可夫系統(jms)下，為了解決imm算法受到重尾過程和測量噪聲的影響產生性能下降和模型概率不確定的問題，我們提出針對重尾噪聲的反饋自適應imm濾波器。第一層：初始融合的狀態在機動性能的參與下進行預濾波。第二層：基于預濾波結果使用student-t分布的特點和變分貝葉斯方法，推斷出系統狀態、自由度參數、尺度矩陣、目標機動性能參數。目標機動性能反饋作用于模型概率計算和預濾波。
32、1.針對使用變分方法計算出來的自適應參數不能與imm框架結合的問題，我們設計兩層自適應反饋結構。變分估計結果反饋作用于imm框架進行預測，保證在不同程度重尾噪聲下有穩定的濾波效果。
33、2.針對imm濾波器跟蹤機動目標時選擇濾波模型不準確的問題，我們使用具有自適應能力的過程噪聲和測量噪聲量化機動性能參數，作用于模型概率更新階段獲得更準確的模型概率。
本文檔來自技高網...【技術保護點】
1.一種針對重尾噪聲的反饋自適應IMM濾波器，其特征在于：具體包括以下步驟；
2.根據權利要求1所述濾波方法其特征在于：S1中目標機動性能作用于IMM濾波框架中的模型預測階段，本專利技術模型預測階段選用容積卡爾曼濾波，形成初步的預測結果，目標機動性能作用的公式為
3.根據權利要求1所述濾波方法其特征在于：S2中過程噪聲和測量噪聲協方差矩陣估計方法公式為
4.根據權利要求1所述濾波方法其特征在于：S3中目標機動性能的量化方法，公式為
5.根據權利要求1所述濾波方法其特征在于：S4中根據機動性能更新模型概率方法的公式為
【技術特征摘要】
1.一種針對重尾噪聲的反饋自適應imm濾波器，其特征在于：具體包括以下步驟；
2.根據權利要求1所述濾波方法其特征在于：s1中目標機動性能作用于imm濾波框架中的模型預測階段，本發明模型預測階段選用容積卡爾曼濾波，形成初步的預測結果，目標機動性能作用的公式為
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。