8联邦滤波的范文.docVIP

这类结构的特点是：信息在主滤波器和各子滤波器之间平均分配。融合后的全局滤波精度高，局部滤波因为有全局滤波的反复重置，其精度也提高了。用全局滤波和局部滤波的新息都可以更好地进行故障检测。在某个传感器故障被隔离后，其它良好的局部滤波器的估计值作为替代值的能力也提高了。但重置使得局部滤波受全局滤波的反复影响。这样，一个传感器的故障可通过全局滤波的反复重置而使具有良好传感器的局部滤波也受到污染。于是容错性能下降。故障隔离后，局部滤波器要重新初始化，于是要经过一段过渡时间后其滤波值才能使用，这样，故障恢复能力就下降了。 〔2〕第二类结构〔βm=1，βi=0，“零化式〞重置〕，图略。 这类滤波器的特点是：主滤波器分配到全部〔状态方程〕信息，由于子滤波器的过程噪声协方差阵为无穷，子滤波器状态方程已没有信息，所以子滤波器实际上不需用状态方程而只要测量方程来进行最小二乘估计。将这些估计值输出给主滤波器作为测量值。这时主滤波器的工作频率可低于子滤波器的工作频率，因为局部滤波器的测量数据已经过最小二乘估计而平滑。实际上这时子滤波器起了数据压缩的作用。此外，由于子滤波器状态信息只被重置到零〔“零化〞式重置〕，这样就减少了主滤波器到子滤波器的数据传输，因此数据通信量下降。各子滤波器协方差阵被重置为无穷，因此，不需用时间更新，计算变得简单。 〔3〕第三类结构〔βm=0，βi=1/N，有重置〕，图略。 这类结构的特点是：主滤波器状态方程无新息分配，不需要主滤波器进行滤波，所以主滤波器的估计值就取为全局估计，由重置带来的问题与第二类结构相同。 〔4〕第四类结构〔βm=0，βi=1/N〕，无重置〕，图略。 这类结构的特点是：与第三类相比只是没有重置，所以各局部滤波器独立滤波，没有反应重置带来的影响，系统的容错性最高。但由于没有全局最优估计的重置，所以局部估计的精度不高。 8.1.2联邦卡尔曼滤波算法描述 给定如下离散系统模型 〔8.5〕 式中，为系统状态向量，为状态一步转移矩阵，为系统噪声阵，为白噪声序列，其方差为矩阵。 设系统由N个传感器子系统组成，每个子系统独立进行量测，因此共有N组量测值。对于其中第i个子系统，其系统方程和量测方程分别为 〔8.6〕 〔8.7〕 式中，为子系统状态，为子系统量测向量，为子系统量测白噪声序列。 〔1〕信息分配过程：信息分配就是在n个子滤波器和主滤波器之间分配系统的信息。系统的过程信息Q-1〔k〕和P-1〔k〕按如下的信息分配原那么在各子滤波器和主滤波器之间进行分配： 〔8.8〕 其中，是信息分配因子，并满足信息分配原理： 〔2〕信息的时间更新：时间更新过程在各子滤波器和主滤波器的滤波算法为： 〔8.9〕 〔8.10〕 〔3〕信息的测量更新：由于主滤波器没有测量值，所以主滤波器没有测量更新。测量更新只在各个子滤波器中进行，通过下式起作用： 〔8.11〕 〔8.12〕 〔4〕信息融合：联邦卡尔曼滤波器核心算法是将各个局部滤波器的局部估计信息按下式进行融合，以得到全局的最优估计。 〔8.13〕 〔8.14〕 在实验仿真过程中，以GPS/INS组合导航系统为平台，简化结构如图8.2所示。 INS子系统局部滤波器1 INS子系统 局部滤波器1 主滤波器 时间更新 最优融合 GPS子系统 局部滤波器2 图8.2 GPS/INS组合导航系统联邦滤波简化结构 将子滤波器和主滤波器的初始估计协方差阵设置为组合导航系统初值的倍, 其中。满足信息守恒式。将子滤波器和主滤波器的过程噪声方差阵设置为组合系统过程噪声方差阵的倍。各子滤波器各自处理自己的量测信息，获得局部估计。在得到各子滤波器的局部估计和主滤波器的估计后按式〔8.13〕、〔8.14〕进行最优组合。用全局滤波解来重置各子滤波器和主滤波器的滤波值和协方差阵。 8.1.3常规和联邦卡尔曼滤波仿真结果 滤波初始值： 位置组合时量测噪声的方差阵 速度组合时量测噪声的方差阵 位置+速度组合时量测噪声的方差阵 系统模型噪声的方差阵 根据以上初值，分别对位置组合、速度组合和位置+速度组合仿真，结果如以下图形所示。 图8.3 位置组合时经纬度误差曲线 图8.4 速度组合时经