一种用于着陆雷达的高精度不敏卡尔曼滤波方法

技术领域

本发明属于着陆雷达技术领域，尤其涉及一种用于着陆雷达的高精度不敏卡尔曼滤波方法。

背景技术

目前用于着陆雷达的数据滤波方法主要采用卡尔曼(Kalman)滤波。但Kalman滤波只适用于线性问题，对于着陆过程中周期为1～3s的速度类正弦模型等高动态、非线性问题，Kalman滤波性能明显变差，严重时会导致滤波发散。

发明内容

(一)要解决的技术问题

本发明的目的在于提出一种用于着陆雷达的高精度不敏卡尔曼滤波方法，以解决目前的数据滤波方法在高动态、非线性条件下滤波性能差的技术问题。

(二)技术方案

本发明实施例的第一方面，提出一种用于着陆雷达的高精度不敏卡尔曼滤波方法，包括：

确定初始时刻的不敏卡尔曼滤波参数；

根据当前时刻的不敏卡尔曼滤波参数计算当前采样点的状态参量；

根据当前采样点的状态参量，计算状态更新结果；所述状态更新结果为：状态更新方程非线性传递后的采样点的均值和协方差；

根据状态更新结果，计算观测更新结果；所述观测更新结果为：观测更新方程传递后的采样点的均值和协方差；

基于状态更新结果和观测更新结果，计算下一时刻的不敏卡尔曼滤波参数。

进一步地，所述不敏卡尔曼滤波参数包括：状态估计值和状态估计协方差矩阵；

确定初始时刻的不敏卡尔曼滤波参数，具体包括如下步骤：

初始时刻的状态估计值为

初始时刻的状态估计协方差矩阵为

定义增广状态向量为

进一步地，根据当前时刻的不敏卡尔曼滤波参数计算当前采样点的状态参量，包括：

当前采样点的状态参量为

其中，L是增广状态向量的维度，W

进一步地，根据当前采样点的状态参量，计算状态更新结果，具体包括如下步骤：

将当前采样点的状态参量代入状态更新方程进行计算，获得状态更新结果。

进一步地，所述状态更新方程为：

其中，

进一步地，W

进一步地，根据状态更新结果，计算观测更新结果，具体包括如下步骤：

将状态更新结果代入观测更新方程进行计算，获得观测更新结果。

进一步地，所述观测更新方程为：

进一步地，基于状态更新结果和观测更新结果，计算下一时刻的不敏卡尔曼滤波参数，具体包括如下步骤：

卡尔曼增益为

状态估计值为

状态估计协方差矩阵为

本发明实施例的第二方面，提出一种用于着陆雷达的高精度不敏卡尔曼滤波系统，包括：

初始化模块，用于确定初始时刻的不敏卡尔曼滤波参数；

采样点计算模块，用于根据当前时刻的不敏卡尔曼滤波参数计算当前采样点的状态参量；

状态更新模块，用于根据当前采样点的状态参量，计算状态更新结果；所述状态更新结果为：状态更新方程非线性传递后的采样点的均值和协方差；

观测更新模块，用于根据状态更新结果，计算观测更新结果；所述观测更新结果为：观测更新方程传递后的采样点的均值和协方差；

数据同化模块，用于基于状态更新结果和观测更新结果，计算下一时刻的不敏卡尔曼滤波参数。

(三)有益效果

本发明提出的一种用于着陆雷达的高精度不敏卡尔曼滤波方法，对着陆过程中的类正弦非线性、高动态运动模型进行速度滤波处理，解决了高动态条件下的滤波精度变差甚至发散的问题；本发明的技术方案具有滤波精度高、高动态条件下自适应调整能力强、可靠性高和实时性强的优点。

附图说明

图1是本发明一种用于着陆雷达的高精度不敏Kalman滤波方法流程图。

图2是本发明一种用于着陆雷达的高精度不敏Kalman滤波系统组成示意图。

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清晰明确，下面结合附图及实施例，对本发明作进一步详细说明。有必要在此指出的是，此处所描述的具体实施方式仅仅用于进一步解释本发明，并不限定本发明的保护范围，本发明包括但不限于下述实施例。

如图1所示，本发明的实施例提出一种用于着陆雷达的高精度不敏卡尔曼滤波方法，包括如下步骤：

步骤S1、确定初始时刻的不敏卡尔曼滤波参数；

步骤S2、根据当前时刻的不敏卡尔曼滤波参数计算当前采样点的状态参量；

步骤S3、根据当前采样点的状态参量，计算状态更新结果；所述状态更新结果为：状态更新方程非线性传递后的采样点的均值和协方差；

步骤S4、根据状态更新结果，计算观测更新结果；所述观测更新结果为：观测更新方程传递后的采样点的均值和协方差；

步骤S5、基于状态更新结果和观测更新结果，计算下一时刻的不敏卡尔曼滤波参数。

本发明提出的一种用于着陆雷达的高精度不敏卡尔曼滤波方法，对着陆过程中的类正弦非线性、高动态运动模型进行速度滤波处理，解决了高动态条件下的滤波精度变差甚至发散的问题；本发明的技术方案具有滤波精度高、高动态条件下自适应调整能力强、可靠性高和实时性强的优点。

为了更清楚地解释本发明的方案，下面对各个步骤的具体执行细节进行扩展说明。

首先需要搭建用于着陆雷达的高精度不敏Kalman滤波处理系统，该系统包括：初始化模块、采样点计算模块、状态更新模块、观测更新模块、数据同化模块。

初始化模块完成不敏Kalman滤波参数的初始化。

采样点计算模块完成采样点集的计算。

状态更新模块根据上一步的采样点的状态参量，使用不敏变换计算状态方程非线性传递后的采样点的均值和协方差。

观测更新模块根据状态更新模块计算的状态均值和协方差，再次使用不敏变换计算观测方程传递后的采样点的均值和协方差。

数据同化模块根据状态更新模块和观测更新模块的结果，计算卡尔曼增益、状态后验估计值和协方差后验值。

然后执行步骤S1，参数初始化模块初始化不敏Kalman滤波参数。

参数初始化模块对状态估计值、状态估计协方差矩阵、过程噪声协方差、观测噪声协方差进行初始化。

其中x

定义增广状态向量为

接下来执行步骤S2，采样点计算模块计算采样点。采样点计算方式如下：

其中，L是增广状态向量的维度，W

接下来执行步骤S3，状态更新模块计算下一时刻的采样点。

采样点状态更新方程如下：

其中F[]为状态更新方程，上标x、v分别表示系统状态和过程噪声。

满足

接下来执行步骤S4，先通过采样点计算模块更新采样点，再利用观测更新模块计算采样点观测均值和协方差。

采样点观测更新方程如下：

接下来执行步骤S5，数据同化模块计算卡尔曼增益、状态后验估计值和协方差后验值：

本发明利用不敏Kalman滤波方法，对着陆过程中的类正弦非线性、高动态运动模型进行速度滤波处理，解决了高动态条件下的滤波精度变差甚至发散的问题。本方法具有滤波精度高、高动态条件下自适应调整能力强、可靠性高和实时性强等优点。

如图2所示，本发明的实施例还提供一种用于着陆雷达的高精度不敏卡尔曼滤波系统，包括：初始化模块201、采样点计算模块202、状态更新模块203、观测更新模块204和数据同化模块205。

初始化模块201用于确定初始时刻的不敏卡尔曼滤波参数。

采样点计算模块202用于根据当前时刻的不敏卡尔曼滤波参数计算当前采样点的状态参量。

状态更新模块203用于根据当前采样点的状态参量，计算状态更新结果；所述状态更新结果为：状态更新方程非线性传递后的采样点的均值和协方差。

观测更新模块204用于根据状态更新结果，计算观测更新结果；所述观测更新结果为：观测更新方程传递后的采样点的均值和协方差。

数据同化模块205用于基于状态更新结果和观测更新结果，计算下一时刻的不敏卡尔曼滤波参数。

关于本实施例的不敏卡尔曼滤波系统，其各个模块的具体功能和作用已经在有关方法的实施例中做了详细的描述，本实施例不再赘述。

以上所述实施例仅表达了本发明的一种典型的实施方式，其描述较为具体详细，但并不能将其作为对本发明专利保护范围的限制。另外需要指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干非本质的改进和调整，这些都属于本发明的保护范围，本发明专利的保护范围应以所附权利要求为准。