申请/专利权人:北京科技大学;北京科技大学顺德研究生院
申请日:2020-12-21
公开(公告)日:2024-04-26
公开(公告)号:CN112671373B
主分类号:H03H17/02
分类号:H03H17/02;G06F17/16
优先权:
专利状态码:有效-授权
法律状态:2024.04.26#授权;2021.05.04#实质审查的生效;2021.04.16#公开
摘要:本发明公开了一种基于误差控制的卡尔曼滤波自适应滤波算法,考虑到初始滤波计算过程及系统状态突变的场景下,由于观测误差过大,造成滤波结果不稳定的情况,在自适应卡尔曼滤波算法的基础上,基于观测误差的协方差矩阵,设计一个自适应抑制因子,再利用该自适应抑制因子构建观测误差协方差矩阵的自适应修正模型,最后结合卡尔曼滤波算法的预测及更新模型,利用当前时刻系统状态的测量值和预测值,得到系统当前时刻较为精确的最终状态。本发明通过设计自适应抑制因子对系统进行误差控制,降低了观测误差对于卡尔曼增益的影响,提升了基于滤波算法估计系统状态结果的稳定性。
主权项:1.一种基于误差控制的卡尔曼滤波自适应滤波算法,其特征在于,包括以下步骤:根据观测误差的协方差矩阵设计自适应抑制因子,并利用所述自适应抑制因子构建观测误差协方差矩阵的自适应修正模型;利用所述自适应抑制因子及所述自适应修正模型对滤波结果进行误差控制,以系统状态实际测量值为基础,结合基于误差控制的卡尔曼自适应滤波算法,对系统状态进行滤波估计;其中,采用Sage-Husa卡尔曼自适应滤波算法对系统状态进行滤波估计,计算模型为: 预测过程如下: 引入调节更新参量: 更新过程如下: 其中,为系统状态的预测值,F为状态转移矩阵,B'Uk-1为系统控制项;Pk为估计值与真实值之间的误差协方差矩阵,H为观测矩阵,dk为引入的调节更新参量,b为遗忘因子,取值范围在0.95-0.99之间,K为卡尔曼增益;sk为预测噪声,其协方差矩阵为Q;Yk为系统状态的测量值,vk为观测噪声;设计自适应抑制因子的步骤包括:Rk=1-dkRk-1+A+B其中Rk的两个余项A和B分别为: 为观测噪声协方差Rk引入新的抑制因子:E=A-2BA-2BT 其中,λ为自适应抑制因子,Rk为当前时刻观测噪声协方差矩阵,A和B为观测噪声协方差矩阵的两个余项,η为余项的偏差。
全文数据:
权利要求:
百度查询: 北京科技大学;北京科技大学顺德研究生院 一种基于误差控制的卡尔曼滤波自适应滤波算法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。