APP下载

基于冗余伪观测的自适应滤波算法

2020-02-18蒋刘洋

导航定位与授时 2020年1期
关键词:测量系统

蒋刘洋,张 海

(北京航空航天大学自动化科学与电气工程学院,北京 100191)

0 引言

经典的卡尔曼滤波要求在确定的系统模型和观测方程下,对系统噪声和量测噪声的统计特性具有准确的先验知识[1],因此噪声分布在卡尔曼滤波器的状态估计中起着非常重要的作用。然而在多数实际应用中,噪声的统计特性通常是未知的,往往被经验值替代;此外还会因为受到环境等因素的影响而发生改变。上述情况都会使预设的噪声方差不能准确地反映当前系统模型的随机噪声特性,导致估计精度下降,甚至滤波器发散。自适应滤波是一种具有抑制滤波器发散作用的方法,其在滤波计算过程中,同时对未知的或不确切的系统模型参数和噪声统计参数进行估计和修正。自适应滤波方法有很多,从滤波器结构的角度划分,大体上可分为两类:基于多模型的自适应估计(Multiple Model Adaptive Estimation,MMAE)和基于新息/残差的自适应估计(Innovation-based Adaptive Estimation,IAE/Residual-based Adaptive Estima-tion,RAE)[2-3]。

MMAE是由Magill于1965年提出的[4],当系统模型未知或不确定时,该方法仍能给出较准确的状态估计结果。标准的MMAE滤波器同时运行一组卡尔曼滤波器,其中的每个滤波器使用不同的系统动态模型或随机噪声模型,然后基于Bayes方法通过新息或残差计算每个模型是正确模型的概率,最后对每个滤波器的输出结果做加权和得到最优的状态估计[5-6]。在实际应用中,当系统模型由于某些未知原因发生变化时,该方法仍能给出较高精度的状态估计结果,因此,故障诊断是其最具潜力的应用领域之一[7-8]。……

登录APP查看全文

猜你喜欢

测量系统
Smartflower POP 一体式光伏系统
WJ-700无人机系统
ZC系列无人机遥感系统
基于PowerPC+FPGA显示系统
半沸制皂系统(下)
测量的乐趣
连通与提升系统的最后一块拼图 Audiolab 傲立 M-DAC mini
测量