混合不確定性系統(tǒng)的估計方法研究及應(yīng)用.pdf

1、自動控制系統(tǒng)受到多種類型復(fù)雜噪聲的干擾，基于Bayesian的傳統(tǒng)濾波方法要求被估計過程具備充分的隨機先驗知識，顯然，在實際情況中，這個要求很難完全滿足。如果濾波方法對噪聲的假設(shè)不符合實際情況，也就難以得到理想的估計結(jié)果。因此，本文在現(xiàn)有研究成果的基礎(chǔ)上，尋找一種新穎和實用的方法，以適當放寬濾波方法對噪聲先驗知識的要求，從而設(shè)計出能夠兼顧一定魯棒性和精度的濾波器。最后通過選擇適當?shù)臑V波器，將其應(yīng)用到全球定位系統(tǒng)(Global Posit

2、ioning System，GPS)軟件接收機的載波跟蹤環(huán)路以及GPS/DR(GPS/Dead-Reckoning)組合導(dǎo)航中。
　　具體研究工作包括以下幾個部分的內(nèi)容：
　　1.針對系統(tǒng)噪聲的統(tǒng)計特性往往很難獲得，研究了一種基于噪聲統(tǒng)計特性未知但有界(Unknown But Bounded，UBB)假設(shè)下的集員辨識(Set Membership Identification，SMI)和集員濾波(Set Membership

3、 Filer，SMF)算法，該算法用橢球來包含系統(tǒng)的參數(shù)集合、狀態(tài)集合及噪聲集合。重點研究了基于最優(yōu)定界橢球(Optimal Bounding Ellipsoid，OBE)思想的集員濾波算法，最優(yōu)定界橢球包含最小容積橢球和最小跡橢球兩種不同的優(yōu)化指標。隨后將線性系統(tǒng)集員濾波算法推廣到非線性系統(tǒng)，提出的擴展集員濾波(Extended SetMembership Filer，ESMF)在線性化過程中，并沒有像擴展Kalman濾波(Exten

4、ded KalmanFilter，EKF)那樣在線性化過程中舍去泰勒級數(shù)的高階項，而是用區(qū)問分析方法確定剩余高階項的邊界，然后將確定的邊界和已知噪聲邊界進行合并。避免在非線性程度嚴重時，忽略高階項導(dǎo)致較大的線性化誤差，從而引起濾波誤差增大甚至發(fā)散。
　　2.控制系統(tǒng)一般同時受到隨機噪聲和有界噪聲干擾，由于兩種濾波算法都有各自的適用范圍，使用單一濾波算法難以得到理想的估計結(jié)果。因此，本文在隨機濾波和集員濾波理論的基礎(chǔ)上，通過建立具有

5、雙重不確定性系統(tǒng)的模型，提出一種基于有界的Bayesian估計推理。該算法用，Kalman濾波處理系統(tǒng)的隨機不確定性，用集員濾波處理系統(tǒng)的有界不確定性，從而得出一個易于實現(xiàn)的聯(lián)合濾波器。最后通過對雷達跟蹤系統(tǒng)的仿真驗證了新算法的有效性。
　　3.針對GPS接收機在高動態(tài)及低信噪比情況下，載波信號受到多種不同類型噪聲的干擾，且往往這些噪聲的統(tǒng)計特性很難獲得，甚至有些就是本質(zhì)非隨機的，而已有方法都是假設(shè)系統(tǒng)噪聲符合一定概率分布，然而這

6、種假設(shè)并不合理。因此，本文提出了一種基于噪聲有界的解決思路。該方法首先定義噪聲為UBB噪聲，然后通過橢球包含狀態(tài)集合和噪聲集合，進而利用集員濾波或擴展集員濾波方法完成了載波信號的多普勒頻移估計，最后通過MATLAB仿真驗證該算法的有效性，并與傳統(tǒng)方法進行比較。該方法為GPS接收機載波跟蹤環(huán)路的設(shè)計提供了一種新的思路。4.針對車載GPS/DR組合導(dǎo)航系統(tǒng)中，由于DR系統(tǒng)的誤差以及組合導(dǎo)航系統(tǒng)中外部噪聲的非高斯特性會導(dǎo)致EKF濾波性能變差。

7、本文提出了一種基于ESMF技術(shù)的GPS/DR組合導(dǎo)航系統(tǒng)應(yīng)用算法，與EKF算法不同，該算法在非線性方程線性化過程中保留了泰勒級數(shù)展開式中的高階項，然后通過確定高階項的區(qū)間范圍，形成一個虛擬補償項加入到系統(tǒng)中，從而避免了EKF因舍去高階項造成系統(tǒng)誤差增大而導(dǎo)致的濾波性能變差的問題。此外該算法不需要先驗已知外部噪聲的統(tǒng)計特性，對于噪聲的假設(shè)也使得系統(tǒng)更具魯棒性。最后的仿真結(jié)果也表明，對于車載GPS/DR組合導(dǎo)航系統(tǒng)，ESMF較EKF具有一定