基于多模型的组合导航系统卡尔曼滤波器研究.docxVIP

基于多模型的组合导航系统卡尔曼滤波器研究 0 多模型估计理论 为了减少或克服由于模型误差而减少且参考的情况，多模型评价理论的研究在近年来取得了迅速发展。提高系统模型对实际系统和外部环境变化的适应性，提高滤波评价的精度和稳定性。 本文将对多模型估计理论进行深入探讨。 1 多模型估计方法 任何一个实际系统都具有不同程度的不确定性,这些不确定性有时表现在系统内部,有时表现在系统外部。从系统内部来讲,描述被控对象的数学模型的结构和参数,设计者事先并不一定能确切知道。作为外部环境对系统的影响,可以等效地用许多扰动来表示。这些扰动通常是不可预测的,它们可能是确定性的,也可能是随机性的。此外,还有一些测量噪声从不同的测量反馈回路进入系统,并且这些随机扰动噪声的统计特性常常是未知的。 自适应控制问题的描述可归结为:在对象和扰动的数学模型不完全确定的条件下,设计控制序列使指定的性能指标尽可能地接近和保持最优。自适应控制系统是一种本质非线性的系统,分析这种系统相当困难。多模型估计理论就是利用N个线性随机控制系统来解决自适应控制要解决的非线性问题。 线性随机系统模型: {X(k+1)=Φ(θ)+B(θ)u(k)+Γ(θ)w(k+1)?Ζ(k)=Η(θ)X(k)+v(k)。(1) 式中:X(k)∈Rn为系统状态向量; Z(k)∈Rn为系统的输出向量; Φ(θ),B(θ),Γ(θ),H(θ)为适当维数的系统矩阵;{w(k)}和{v(k)}分别为n维和m维的零均值白噪声向量序列,分别具有协方差阵Q(θ)和R(θ)。 将非线性系统在N个工作点线性化,得到用N组线性方程可以近似表示原非线性系统。参数θ∈{θ1,θ2,…,θN}可取N个离散值并构成N个线性系统的组合作为非线性系统的模型的近似。 对参数θ的任意一个值记作θi,重新定义式(1)中的系统矩阵如下: Φ(θ)=Φi?B(θ)=Bi?Γ(θ)=Γi?Η(θ)=Ηi(i=1?2???Ν)。 用上述记法,N个离散随机线性系统可描述为 {X(k+1)=ΦiX(k)+Biu(k)+Γiw(k+1)?Ζ(k)=ΗiX(k)+v(k)。(2) 以这N个离散值构成N个系统的多模型估计方法原理图如图1所示。 其中,针对随机混合系统不同的运行模式,采用一组并行工作的滤波器,每一个滤波器的输入均为系统的控制输入和量测信息,每一个滤波器的输出为各自基于单一模型的输出残差和状态估计,根据残差信息,依据某种假设检验原则,设计出每一个滤波器所对应模型的模型概率,系统状态的总体估计则为各滤波器状态估计的加权平均值。在多模型估计方法中,模型集的设计、滤波器的选择、估计融合和滤波器的输入重置均是很重要的环节。 本文将分别研究多模型估计方法中的多模型自适应估计和交互式多模型估计。 2 多模型的自适应估计mmae 2.1 卡尔曼滤波器混合状态估计模型 多模型自适应估计器由一个并行卡尔曼滤波器库和假设检验算法组成。库中的每一个滤波器具有特定的系统模型,其内在的卡尔曼滤波器模型由独立的向量参数(ai;i=1,2,…,N)来描述。各卡尔曼滤波器单元独立地根据自身的模型和输入矢量u,形成对当前系统状态的估计?Xi。 然后,利用该估计值形成对量测矢量的预测值,将该值与实际的量测矢量Z相减得到残差ri作为各滤波器模型与实际系统模型相近程度的指示。残差越小,说明滤波器的模型与实际系统模型越匹配。假设检验算法利用残差来计算各卡尔曼滤波器模型在量测值和实际向量参数a条件下的条件概率pi,这些条件概率被用来衡量各卡尔曼滤波器的状态估计值的正确性,对各状态估计取概率加权平均值,从而形成实际系统的混合状态估计?XMMAE。多模型自适应估计器如图2所示。 2.2 卡尔曼滤波器状态估计算法 基于式(2)所示系统的卡尔曼滤波器库模型为 {Xi(tk)=ΦiXi(tk-1)+Biu(tk-1)+Γiwi(tk-1)?Ζi(tk)=ΗiXi(tk)+vi(tk)。(3) 式中:Xi为第i个卡尔曼滤波器模型状态矢量,i=1,2,…,N;Φi为第i个卡尔曼滤波器模型状态转移矩阵;Bi为第i个卡尔曼滤波器模型控制输入矩阵;u为系统控制输入矢量;Γi为第i个卡尔曼滤波器模型噪声输入矩阵;wi为第i个卡尔曼滤波器模型的离散动态干扰白噪声输入,它具有零均值,其自协方差为 E{wi(tk)wΤi(tj)}={Qi?tk=tj?0?tk≠tj。 式中:zi为第i个卡尔曼滤波器模型量测矢量;Hi为第i个卡尔曼滤波器模型输出矩阵;vi为第i个卡尔曼滤波器模型的离散动态量测白噪声,vi与wi互不相关,且具有零均值,其自协方差为 E{vi(tk)vΤi(tj)}={Ri?tk=tj?0?tk≠tj。 卡尔曼滤波器模型与实际系统模型都是线性模型,但是这两种模型的维数可能不相同。在很多情况下,卡尔曼