在列车组合定位系统基于奇异值分解的粒子滤波算法研究.docVIP

在列车组合定位系统基于奇异值分解的粒子滤波算法研究 　　摘 要 粒子退化是粒子滤波算法存在的主要问题之一，针对该问题，提出了一种基于奇异值分解的粒子滤波算法。测试表明，所提算法能够提供更高地定位精度。 　　关键词 粒子滤波；奇异值分集；组合定位 　　中图分类号：U284 文献标识码：A 文章编号：1671-7597（2014）10-0054-02 　　在列车定位系统中，提高定位精度的方法有两种：一种是提升传感器的精度，另一种是多种定位方式相融合的组合式定位。在第二种方法中，通过对现有的多个单一定位系统中的传感器所提供的信息进行融合，从而实现了定位精确地提升。组合定位系统一般采用扩展卡尔曼（Extended KF，简称EKF）滤波算法[1]，该算法虽然实现简单，但是难以适用于高维且非线性很大的复杂系统模型。因此，针对非线性系统的粒子（Partile Filter，简称PF）滤波算法得到了越来越多的关注[2]。 　　PF滤波算法使用非参数化的随机模拟办法来递推贝叶斯滤波，而PF算法的滤波器的精度取决于目标概率函数与重要性函数是否相近。并且粒子退化问题也影响了PF算法的性能。针对这一问题，文献[3]一种改进的PF（Improved PF，简称IPF）算法，该算法通过对重要性分布函数进行调整来抑制退化现象，但是IPF算法还会遇到协方差矩阵病态条件的困扰。而奇异值分解（Singular Value Decomposition，简称SVD）是能够有效地解决上述问题。因此，本文提出了一种基于奇异值分解的粒子滤波（SVD-based PF，简称SVD-PF）算法。仿真表明同PF算法相比较，SVD-PF算法稳定性更好，定位精度更高。 　　1 基于奇异值分解的粒子滤波算法 　　SVD-PF的算法步骤为： 　　1）从先验密度中采用粒子，假设粒子初始权值为，。 　　2）使用IPF算法计算粒子集的均值、方差。 　　①初始化（） 　　（1） 　　令，，，其中，为系统噪声方差，为测量噪声方差。 　　②当 　　a.奇异值分解和特征点矩阵的计算 　　特征点矩阵 　　（） （2） 　　其中，是合成比例参数，，决定周围特征点的扩散，为状态向量的维度，为二级尺度参数，为的第列，为的第个对角元素，。 　　奇异值分解： 　　（、正交，对角矩阵） （3） 　　b.更新时间 　　， （4） 　　其中，为系统输入，，，。 　　（5） 　　其中，，为关于的先验知识，，。 　　， （6） 　　c.更新量测 　　（7） 　　其中，，，。 　　3）从重要性分布函数采样粒子，。 　　4）利用公式求粒子权值。 　　5）对粒子权值进行归一化，。 　　6）对粒子样本集采样。 　　7）状态更新，。 　　2 列车组合定位系统的数学模型 　　组合定位系统由与北斗组成。该系统的状态向量采用北斗与惯性导航所输出的导航误差，并使用间接法滤波来进行处理。同时，北斗的伪距误差只作为量测噪声来对待。 　　2.1 系统状态方程 　　状态向量： 　　（8） 　　其中，是速度误差，是位置误差，是四元数误差，为陀螺常值漂移，为加速度计零偏。 　　（9） 　　其中，是状态转移模型，是噪声系数阵，是系统噪声阵。 　　2.2 量测方程 　　北斗接收机的伪距可写成： 　　（10） 　　其中，为接收机到卫星的距离，是钟差等效距离，是非钟差测距误差，为接收机所收到的白噪声。 　　（11） 　　利用公式（11）来消除钟以及，从而得到公式（12）： 　　（12） 　　其中，为输出的坐标， 为第颗北斗卫星的坐标。根据公式（12）可以得到/北斗组合定位系统的量测方程： 　　（13） 　　其中，为非线性函数，是量测噪声。 　　3 仿真分析 　　为了验证SVD-PF算法的性能，本文进行了如下仿真，仿真参数设置参照文献[3]。 　　图1 PE与SVD-PE定位误差比较 　　图1给出了PE算法与SVD-PF算法在东向位置的误差。从图1中可以看出，SVD-PF算法的定位误差要明显小于PF算法的。并且表1给出了两种算法定位误差的定量分析。从表1中可以看出，SVD-PF算法的误差最大值、均值与方差都小于PF算法的。 　　表1 东向位置误差（单位：米） 　　名称 误差最大值 均值 方差 　　PF 19.73 3.25 41.12 　　SVD-PF 16.812 2.67 36.65 　　4 结论 　　本文提出了一种基于奇异值分解的粒子滤波算法SVD-PF，并将其应用于列车组合定位系统中，仿真表明，SVD-PF算法能够显著地提高定位精度。 　　参考文献 　　[1]秦永元，汪叔华.卡尔曼滤波与组合导航原理[M].西安：西北工