网站首页  词典首页

请输入您要查询的论文：

　

标题 基于WLS-KF的GPS非线性动态滤波研究
范文 齐小强,廉保旺,薛喆
摘 要：为了提高动态定位精度，将卡尔曼(KF)算法应用到GPS非线性动态定位解算中，提出加权最小二乘-卡尔曼滤波(WLS-KF)算法。通过加权最小二乘(WLS)算法得到近似的线性化模型，再将KF算法应用到这个线性化模型进行校正。因此既保持了KF算法能够对系统状态进行最优估算的优点，同时对各个测量值进行了联系制约，具有更高的精度。结果表明，这种方法精度介于EKF和UKF之间，且实现容易，预测可靠，具有实际应用价值。
关键词：全球定位系统; 卡尔曼滤波; 加权最小二乘; 非线性
中图分类号：TN967-34
文献标识码：A
文章编号：1004-373X(2011)09-0087-03
GPS Nonlinear Dynamic Filter Algorithm Based on Weighted Least Squares-Kalman Filter
QI Xiao-qiang，LIAN Bao-wang，XUE Zhe
(School of Electronic and Information, Northwestern Polytechnical University, Xian 710129, China)
Abstract： In order to improve the positioning accuracy, the weighted least squares-Kalman filter（WLS-KF）algorithm is proposed by applying Kalman filter （KF） into GPS nonlinear dynamic filter. An approximate linear system is formed from the WLS algorithm and regulated by KF. Thus it can keep the advantages of that the KF algorithm can optimally estimate the system status, restrict and contact each measured value. The results show that the accuracy range of this algorithm between EKF and UKF has reliable prediction and practical applications.
Keywords： GPS; Kalman filter; weighted least squares; nonlinear
0 引 言
卡尔曼滤波(KF)是一个不断预测、修正的递推过程，已经越来越多地应用于动态数据处理中［1］。然而在KF模型中，要求观测方程是线性形式、状态噪声和测量噪声是白噪声［2］。为了解决这种矛盾，将KF理论应用到非线性领域中，扩展卡尔曼滤波(EKF)应用而生，它围绕状态估计值对非线性系统进行一阶Taylor展开使其线性化，但它存在如下不足：一是当非线性函数Taylor展开式的高阶项无法忽略时，会产生较大的线性化误差；二是EKF假定噪声均为正态白噪声，但是一个正态白噪声经过非线性变换后通常不再呈现正态性；三是只有在雅可比矩阵存在时才能线性化，而很多应用中雅可比矩阵很难求［2-4］。针对这种情况，Julier和Uhlmann等人提出了一种基于非线性变换——Unscented变换(UT)的卡尔曼滤波算法(UKF)。它通过确定性采样得到的一组sigma点，可以获得更多的观测假设，对系统状态的均值和协方差的估计更为准确，同时由于该算法采用了非线性的状态方程和观测方程，从而避免了线性化误差［4-6］。目前，EKF和UKF算法被广泛应用于GPS非线性动态滤波研究中，并取得良好的定位效果［7-9］。
本文给出了一种加权最小二乘-卡尔曼滤波(WLS-KF)算法，它利用一组离散采样点，通过WLS方法产生近似线性化预测模型，然后用KF算法对此模型进行校正。以该算法为思路，将其应用在GPS非线性动态滤波定位解算中，仿真结果表明该算法精度介于EKF和UKF之间，从而实现了对目标较高精度的定位和跟踪。
1 算法描述
1.1 WLS算法
LS算法是现代测量技术中数据处理的基本工具，这种方法的特点是算法简单，在估计解算时，不需要知道与被估计量以及观测量有关的任何统计信息。
设X为待估参数矢量，观测矢量为L。观测方程为：
L=f(X)+v
(1)
式中:v为观测误差。用泰勒定理展开，得到线性化的观测方程为:
L=f(X0)+A?ΔX+v
或者:
b=L－f(X0)=AΔX
(2)
式中:A是系数矩阵;f(X0)表示用先验参数计算的理论观测向量;b表示拟合后的残差;ΔX是对先验参数的小修正向量。
LS算法的指标是使各次观测量与由参数估计得到的观测量之差的平方和最小，即：
P(ΔX)=‖A?ΔX－b‖2=min
(3)
要使上式达到最小，当对观测矢量的质量有所了解时，设置各个测量值的权重，得到WLS算法的解为：
ΔX=(A琓WA)－1A琓Wb
(4)
这时观测方程的解就从Xk－1更新为Xk:
Xk=Xk－1+ΔX
(5)
若更新后的Xk尚未达到求解精度，则Xk可作为第k+1次迭代的起始点，继续进行上述运算。
1.2 KF算法
KF算法对一个离散时间线性系统的状态进行最优估计，使系统状态的估计值有最小均方误差(MMSE)。
考虑一个多输入多输出的离散时间线性动态系统，其状态方程可表示为：
xk=Axk－1+Buk－1+wk－1
(6)
观测方程为：
yk=Cxk+vk
(7)
向量wk和vk分别表示状态噪声和测量噪声，假设它们都是均值为零的正态白噪声且相互独立，即：
wk～N(0,Q)，vk～N(0,R)
E(wiv琓i)=0
(8)
KF算法通过如下的时间更新过程和测量更新过程来对系统状态进行估计。
时间更新过程：
－k=Ak－1+Buk－1
(9)
P－k=APk－1A琓+Q
(10)
测量更新过程：
Kk=P－kC琓(CP－kC琓+R)－1
(11)
k=－k+Kk(yk－C－k)
(12)
Pk=(I－KkC)P－k
(13)
计算完测量更新方程后，整个过程再次重复，上一次计算得到的后验估计被作为下一次计算的先验估计。
1.3 WLS-KF算法
1.3.1 基本思想
算法基本思想是通过WLS方法计算随机变量经过非线性变换后的分布参数，它利用离散个加权点来确定近似直线。
设待确定的近似线性化模型为:
y=x+
(14)
要得到此模型，可设变量:
u=［］琓
(15)
由:
Au=b
(16)
得:
u=(A琓WA)－1A琓Wb
(17)
在上式中，设：
A=x1x2…xn
11…1琓
b=［f(x1)f(x2)…f(xn)］琓
W=diag(p(x1),p(x2),…,p(xn))
式中：(xn,f(xn))表示设置的离散加权点;p(xn)表示其对应的权系数，n=1,2,…,n。
1.3.2 算法流程
将加权最小二乘线性化方法同KF算法相结合，便得到了WLS-KF算法。具体的算法流程如下：
(1) 设置矩阵A，b和加权矩阵W；
(2) 将A，b和W带入式(17)，求出线性化系数矩阵A1，常数向量b1；
(3) 根据以上结果，得到近似的预测方程：
x－k=A1xk－1+b1
(18)
(4) P－k=A1Pk－1A琓1+Q(19)
(5) 重复(1)～(3)，利用x－k和P－k，得到测量矩阵H和测量向量的预测值y－k；
(6) K=P－kH琓(HP－kH琓+R)－1
(20)
(7)
xk=x－k+K(yk－y－k)
(21)
(8) Pk=(I－KH)P－k
(22)
2 实验结果与分析
基于运动载体为质点的假设建立目标运动模型，考虑一个二维平面曲线运动系统，状态定义为X=［x y ω δt］，分别表示二维方向上的位置变量、速度变量、载体相对于起始位置的转弯角度及接收机钟差。
系统状态方程为：
xk+1=f(xk,k)=xk2+25xk1+x2k+8cos(1.2k)+wk
(23)
yk+1=g(yk,k)=yk2+25yk1+x2k+8sin(1.2k)+vk
(24)
测量方程为：
Zk=h(Xk)=X2k20+εk
(25)
式中:wk，vk和εk为相互独立的高斯白噪声序列，wk～N(0,10)，vk～N(0,10)，εk～N(0,1)。此系统是具有可加噪声的离散非线性时变系统 ［10-11］，观测时间为100 s，观测周期为1 s。WLS-KF和EKF,UKF算法的二维预测结果分别如图1,图2所示，预测结果误差分析见表1。
实线为真实值，虚线为预测值
图1 WLS-KF,EKF,UKF在x方向预测结果比较
实线为真实值，虚线为预测值
图2 WLS-KF,EKF,UKF在y方向预测结果比较
表1 WLS-KF,EKF,UKF预测结果误差分析
MEANSTD
dim 1dim 2dim 1dim 2
WLS-KF0.173 00.273 610.248 09.842 9
EKF0.657 1-0.820 011.043 09.006 8
UKF-0.071 20.720 89.946 79.944 6
为便于比较，算法中使用的随机数据均来自于提前保存好的随机序列。结果表明，WLS-KF算法的计算量
适中，精度介于EKF和UKF之间，且效率同KF接近。
3 结 语
本文引入了一种基于加权最小二乘的线性化方法，将其与KF算法相结合，给出了可以应用于GPS非线性动态滤波系统的WLS-KF算法。该算法不需要求偏导数，算法精度介于EKF和UKF之间，可以实现对目标较高精度的定位和跟踪，有一定的应用价值。
参考文献
［1］KAPLAN Elliott D,HEGARTY Christopher J.GPS原理与应用［M］.2版.北京：电子工业出版社，2007.
［2］宋迎春.动态定位中的卡尔曼滤波研究［D］.长沙：中南大学，2006.
［3］谢钢.GPS原理与接收机设计［M］.北京：电子工业出版社，2009.
［4］刘国海，李沁雪，施维.动态卡尔曼滤波在导航试验状态估计中的应用［J］.仪器仪表学报，2009,30(2)：396-400.
［5］VAN DER MERWE R, WAN E A. The square-root unscented Kalman filter for state and parameter estimation [J]. Acoustics, Speech and Signal Processing Proceedings，2001, 6： 3461-3464.
［6］JULIER S J, UHLMANN J K. Unscented filtering and nonlinear estimation [J]. Proceedings of the IEEE, 2004, 92, (3)：401-422.
［7］孙红星，付建红，袁修素,等.基于多历元递推最小二乘卡尔曼滤波方法的模糊度解算［J］.武汉大学学报，2008，33(7)：735-739.
［8］苏伟，王国宏.有色噪声下基于总体最小二乘和卡尔曼滤波的无源定位方法［J］.弹箭与制导学报，2009，29(4)，217-219.
［9］孙庆祥，戴邵武.加权最小二乘-卡尔曼滤波算法在动基座对准中的应用［J］.海军航空工程学院学报，2008，23(4)，395-397.
［10］SCHON Thomas B. Estimation of nonlinear dynamic systems theory and applications [D]. [S.l.]: Linkopings University, 2006.
［11］CORDON N J, SALMOND D J, SMITH A F M. Novel approach to non-lineat/non-Gaussian Bayesian state estimation [J]. IEEE Proc. on Radar and Processing, 1993, 140(2): 107-113.
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文
随便看

　

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。

　

Copyright © 2004-2023 puapp.net All Rights Reserved
更新时间：2025/2/6 6:42:53