基于动态Kalman滤波多传感数据融合算法研究.docVIP

基于动态Kalman滤波多传感数据融合算法研究 　　摘 要：提出一种基于动态Kalman滤波的多传感器数据融合算法。首先通过模糊理论和协方差匹配技术对传统的Kalman滤波算法中的噪声协方差进行调整，使模型的噪声更接近真实的噪声水平，这在很大程度上提高了Kalman滤波器对模型变化的适应能力。然后使用矩阵加权多传感器线性最小方差意义下的最优信息融合算法实现数据融合。最后通过仿真实验验证了本文所提出的算法优于经典的卡尔曼滤波算法。 　　关键词：数据融合;噪声协方差;卡尔曼滤波;传感器 　　中图分类号：TP274 文献标识码：A 文章编号：2095-1302（2015）01-00-03 　　0 引 言 　　多传感器数据融合结果的性能是一直存在的问题[1]，针对这个问题的其中一个解决办法是通过经典卡尔曼滤波算法，它采用方差上界消除相关和统一的信息分配原则[2]，避免了互协方差阵的计算来对多传感器组合系统进行数据处理，后来又有人在此基础上提出了极大似然融合估计算法[3-5]，但是要求假设随机变量服从正态分布，以便构造似然函数。这在很大程度上提高了多传感数据融合的准确度，但是，在实际的融合过程中经典卡尔曼滤波器技术存在着难以克服的发散问题等，当观测噪声和过程噪声不再是白噪声时，滤波器就会变得不稳定。 　　针对传统的卡尔曼滤波器与系统模型的耦合度强、鲁棒性差以及难以克服的发散问题[6，7]，本人在研究了大量现有的数据融合算法的基础之上，提出了一种基于动态卡尔曼滤波的多传感器数据融合算法，在很大程度上提高了Kalman滤波器对模型变化的适应能力，使滤波精度更高。最后通过仿真实验验证了本文所提出的算法优于经典的卡尔曼滤波算法。 　　1 系统总体概述 　　首先，假设存在N个不同的传感器，它们的采样率是一致的。多传感器动态系统的模型可描述为： 　　X（k）=A（k）X（k-1）+B（k）P（k） （1） 　　Yi（k）=Zi（k）X（k）+Mi（k），i=1，2，…，N （2） 　　其中：k表示离散时间，X（k）∈Rn是系统的n维状态向量，A（k）∈Rn是系统的状态转移矩阵，B（k）是噪声与状态向量之间的转移矩阵，随机向量P（k） 表示状态转移时系统的高斯噪声，且P（k） 满足： 　　E{P（k） }=0 （3） 　　E{P（k）PT（s） }=Q（k）δks （4） 　　其中：E为数学期望，T为转置，δkj为克罗内克函数。 　　式（2）中i表示第i个传感器，Yi（k）∈Rn为第i个传感器的观测向量，Zi（k）∈Rn为第i个传感器的观测阵，Mi（k）∈Rn为对应传感器的观测噪声，满足均值为0的高斯分布，且M（k）满足： 　　E{Mi（k）}=0 （5） 　　E{Mi（k）MiT（s）}=Ti（k）δks （6） 　　其中：E为数学期望，T为转置，δkj为克罗内克函数。 　　2 经典Kalman滤波描述 　　2.1 经典Kalman滤波算法 　　1960年由卡尔曼首次提出卡尔曼滤波，Kalman滤波是一种线性最小方差估计。Kalman滤波理论在很多领域都得到了较好的应用，阿波罗登月飞行和C-5A飞机导航系统的设计是早期应用中的成功者。本文主要讲述景点卡尔曼滤波算法在多传感数据融合领域的应用。 　　对于第一节中的系统，经典Kalman滤波算法描述为： 　　X（k）=X（k/k-1）+H（k）[Y（k）-Z（k）X（k/k-1）] （7） 　　X（k/k-1）=A（k）X（k/k-1） （8） 　　H（k）=r（k/k-1）Z（k）T[Z（k）r（k/k-1）Z（k）T+T（k）]-1 （9） 　　r（k/k-1）=A（k）r（k-1）A（k）T+B（k）Q（k）B（k）T （10） 　　r（k）=[I-H（k）]Z（k）r（k-1） （11） 　　2.2 线性最小方差加权数据融合算法 　　在线性最小方差意义下的多传感器系统，有如下加权数据融合定理。 　　定理1：已知有n个不同传感器，它们的随机向量Y∈Rn的N个无偏估计为Yi（k/k），i=1，2，…，n，且已知估计误差的协方差阵为Pij，i，j=