專利名稱：基于模糊邏輯的自適應(yīng)強跟蹤ukf定位濾波算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及衛(wèi)星導(dǎo)航接收機位置參數(shù)解算，尤其是涉及一種基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法。
背景技術(shù)：
衛(wèi)星導(dǎo)航技術(shù)的飛速發(fā)展已逐漸取代了無線電導(dǎo)航、天文導(dǎo)航等傳統(tǒng)導(dǎo)航技術(shù)， 而成為一種普遍采用的導(dǎo)航定位技術(shù)，并在精度、實時性、全天候等方面取得了長足進步。 目前，世界上多個國家和地區(qū)已經(jīng)建立或者正在建設(shè)全球衛(wèi)星定位導(dǎo)航系統(tǒng)，具體包括美國建立的GPS系統(tǒng)、俄羅斯建立的GL0NASS系統(tǒng)、歐盟正在建設(shè)的“伽利略”系統(tǒng)和中國正在建設(shè)的“北斗二代”系統(tǒng)。導(dǎo)航系統(tǒng)中的定位解算模塊是根據(jù)衛(wèi)星信號的量測信息采用相應(yīng)算法對用戶接收機位置、速度和時鐘參數(shù)進行解算，是衛(wèi)星導(dǎo)航系統(tǒng)實現(xiàn)的關(guān)鍵技術(shù)之一。在衛(wèi)星導(dǎo)航接收機中，導(dǎo)航定位解算是用戶接收機定位最為關(guān)鍵的一個環(huán)節(jié)， 采用定位算法的優(yōu)劣直接導(dǎo)致用戶定位精度的好壞。傳統(tǒng)接收機用戶定位的算法選擇為最小二乘，具體實現(xiàn)步驟(1)獲取跟蹤環(huán)路輸出偽距信息P = [P1, P2LPN]T，其中N代表跟蹤通道輸出偽距數(shù)目；(2)用戶接收機初始位置估計Xtl = [x0, y0, ζ0]τ ；3)量測方程線性化，即量測方程Pi =機-X)2+ (Yi-Y)2 + (Zi-Zf + CVtu在初始用戶位置估計Xtl = [X。，yQ, zQ]T 處線性化得到[Δ P P Δ P2LA pm]T = Η[Δχ, Ay, Δ z, Ctu]T ; (4)由量測方程得到狀態(tài)量的最小二乘估計=(丑； (5)更新用戶接收機的位置即 [XJ,zl =[XJ,Z]Tki+[Ax,Ay,Azfklki ； (6)讀取觀測數(shù)據(jù)，轉(zhuǎn)至步驟⑶繼續(xù)執(zhí)行，直至觀測數(shù)據(jù)結(jié)束。最小二乘算法應(yīng)用于運動狀態(tài)估計中，其算法簡單，使用與對常值向量或隨機向量的估計，并且在對被估計量和量測誤差缺乏了解的情況下仍能使用，但是由于缺乏對系統(tǒng)動力學(xué)狀態(tài)的考慮，估計精度并不很高，特別是對于非靜止運動狀態(tài)，存在較大的估計誤差。因此，有些研究學(xué)者提出了卡爾曼濾波算法，用以加強系統(tǒng)動力學(xué)的估計，以提高狀態(tài)量的估計精度。用戶接收機通常采用最小二乘算法(參見Fundamentals of Global Positioning System Receivers-A Software Approach，SENOND EDIRI0N，Canada，James B and Yen T， 2005.)和卡爾曼 Kalman 濾波算法(參見 Jwo D J and Wang S H，Adaptive Fuzzy Strong Tracking Extended Kalman Filtering for GPS Navigation, IEEE SENSORS JOURNAL. VOL. 7, NO. 5, MAY 2007.和 Liu J and Lu M Q，An Adaptive UKF Filtering Algorithm for GPS Position Estimation， IEEE XPLORE Wireless Communications, Networking and Mobile Computing. 2009. WiCom 09.5th International Conference on Issue Data 24-26Sept. 2009.)進行用戶接收機位置的解算。最小二乘算法雖然算法簡單，但由于缺乏對系統(tǒng)動力學(xué)狀態(tài)的考慮，估計精度并不很高，特別是對于非靜止運動狀態(tài)，存在較大的估計誤差。而Kalman濾波算法雖能夠解決定位解算中的非線性問題，但是對于先驗信息要求極為嚴(yán)格，同時定位精度受到載體動態(tài)性的限制。

發(fā)明內(nèi)容
本發(fā)明為克服現(xiàn)有技術(shù)的不足，提出一種基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法，該方法在傳統(tǒng)UKF算法基礎(chǔ)上，將自適應(yīng)強跟蹤算法和模糊邏輯系統(tǒng)結(jié)合，大大地提高了衛(wèi)星導(dǎo)航系統(tǒng)定位算法的性能。根據(jù)本發(fā)明的一個方面，提供一種基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法，包括以下步驟(I)建立濾波模型；(2)設(shè)定濾波器初始參數(shù)； (3)運用UKF濾波算法對狀態(tài)量進行濾波；(4)運用模糊邏輯系統(tǒng)求解強跟蹤自適應(yīng)算法中的軟化因子；(5)強跟蹤自適應(yīng)算法中自適應(yīng)因子求解；(6)歷元時刻遞加1，讀取下一時刻觀測，返回步驟(4)，直至結(jié)束。進一步地，步驟(I)中所述濾波模型包括針對低動態(tài)環(huán)境，根據(jù)接收機的位置、速度、時鐘鐘差和頻差建立的常速CV模型； 針對高動態(tài)環(huán)境，根據(jù)接收機的位置、速度、加速度、時鐘鐘差和頻差建立的常加速度CA模型。進一步地，步驟(2)中所述設(shè)定濾波器初始參數(shù)包括設(shè)置系統(tǒng)噪聲矩陣Q (t)和觀測噪聲矩陣R ；設(shè)置狀態(tài)量初始估計Xtl和初始狀態(tài)估計誤差協(xié)方差P。;濾波時刻k清零，將自適應(yīng)因子賦值1，即自適應(yīng)因子Xi,,= I。進一步地，步驟(3)中所述運用UKF濾波算法對狀態(tài)量X進行濾波的步驟包括初始狀態(tài)采樣初始狀態(tài)量采樣,得到初始狀態(tài)sigma樣本點及對應(yīng)權(quán)重因子；一步預(yù)測狀態(tài)采樣根據(jù)所獲得的初始狀態(tài)sigma樣本點，對一步預(yù)測狀態(tài)和一步預(yù)測狀態(tài)協(xié)方差矩陣進行估計；一步預(yù)測狀態(tài)采樣二次采樣對獲得的一步預(yù)測狀態(tài)及一步預(yù)測狀態(tài)協(xié)方差矩陣進行二次采樣，得到二次采樣的一步預(yù)測狀態(tài)sigma樣本點及對應(yīng)權(quán)重因子；輸出一步預(yù)測根據(jù)一步預(yù)測狀態(tài)的二次采樣輸出觀測量一步預(yù)測，之后進行觀測量自協(xié)方差矩陣、觀測量和狀態(tài)量之間互協(xié)方差矩陣估計；卡爾曼增益求解通過獲得的觀測量自協(xié)方差矩陣和觀測量與狀態(tài)量的互協(xié)方差矩陣，求解卡爾曼增益矩陣，實現(xiàn)狀態(tài)量估計更新和狀態(tài)量估計協(xié)方差更新。進一步地，步驟(4)中所述運用模糊邏輯系統(tǒng)求解強跟蹤自適應(yīng)算法中的軟化因子的步驟包括獲得濾波信息向量Vk ;模糊邏輯系統(tǒng)輸入通過濾波信息向量vk，求解模糊邏輯系統(tǒng)輸入A，其中模糊邏輯系統(tǒng)輸入^為濾波信息向量Vk單步協(xié)方差矩陣的跡與單步理論信息方差陣的跡之比；模糊邏輯系統(tǒng)求解根據(jù)模糊邏輯系統(tǒng)輸入^的變化規(guī)律，進行模糊邏輯系統(tǒng)的模糊化過程，設(shè)定模糊規(guī)則，進行模糊推理，去模糊化過程，實現(xiàn)軟化因子輸出。所述模糊化過程中輸入?yún)⒘侩`屬度函數(shù)包括三角形函數(shù)，所述模型系統(tǒng)規(guī)則包括一階T-S模型、IF-THEN形式。進一步地，步驟(5)中所述強跟蹤自適應(yīng)算法中自適應(yīng)因子λ “求解的步驟包括由濾波信息向量Vk對濾波信息真實協(xié)方差Vk進行估計求解；求解包含濾波信息協(xié)方差Vk和觀測噪聲估計的自適應(yīng)矩陣Nk ；由自適應(yīng)矩陣Nk和信息理論協(xié)方差矩陣Mk求解自適應(yīng)因子中間參數(shù)Ci,,；通過對中間參數(shù)Ci,,進行判定來對自適應(yīng)因子Xi,k賦值。本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于(I)與傳統(tǒng)的UKF算法相比，對一步預(yù)測狀態(tài)進行了二次采樣過程，減小了對于隨機變量通過非線性系統(tǒng)后輸出變量統(tǒng)計特性的估計誤差，在一定程度上提高了狀態(tài)量估計的精度。(2)將強跟蹤算法與UKF算法相結(jié)合，克服了傳統(tǒng)UKF濾波算法容易受初始值和模型誤差的缺點。(3)強跟蹤算法中的軟化因子估計采用了模糊邏輯推理系統(tǒng)進行估計，用單次濾波信息協(xié)方差的跡與理論信息協(xié)方差的跡之比作為模糊邏輯系統(tǒng)的輸入，時刻監(jiān)測濾波器的工作狀況，實時調(diào)整軟化因子。(4)自適應(yīng)參數(shù)求解過程中，對于信息實際協(xié)方差矩陣估計時，采用了一種新的遞推估計算法，更加直接的反應(yīng)器載體實際的運動狀態(tài)，同時也減小了計算量。


圖I是現(xiàn)行GPS定位最小二乘算法的流程圖；圖2是現(xiàn)行UKF濾波算法的流程圖；圖3是本發(fā)明實施例提供的自適應(yīng)強跟蹤UKF定位濾波算法的流程圖；圖4是本發(fā)明實施例提供的強跟蹤算法中軟化因子的求解流程圖；圖5是本發(fā)明實施例提供的強跟蹤算法中自適應(yīng)因子的求解流程圖。
具體實施例方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖，對本發(fā)明進行進一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。本發(fā)明中處理的數(shù)據(jù)是衛(wèi)星導(dǎo)航系統(tǒng)跟蹤模塊輸出的測量偽距信息，同時還包括對應(yīng)跟蹤時刻衛(wèi)星的位置和速度參數(shù)。用戶接收機的定位是在地心地固ECEF坐標(biāo)系下進行的，首先根據(jù)接收機通道衛(wèi)星信號跟蹤測量得到的偽距信息，對用戶接收機的位置參數(shù)和時鐘鐘差參數(shù)進行解算。當(dāng)通道跟蹤有效衛(wèi)星超過4顆，可用于接收機的實際定位解算。下面結(jié)合附圖，對本發(fā)明詳細(xì)說明如下參見圖3，該圖示出了本發(fā)明實施例提供的自適應(yīng)強跟蹤UKF定位濾波算法的詳細(xì)流程；
SI :建立濾波模型在建立濾波模型之前，本發(fā)明須要獲取衛(wèi)星測量偽距信息，以及對應(yīng)跟蹤時刻衛(wèi)星在地心地固ECEF坐標(biāo)系下的位置和速度參數(shù)；首先，由衛(wèi)星信號模擬器或者軟件接收機處理實際數(shù)據(jù)得到衛(wèi)星的測量偽距信息，一般情況下偽距信息獲得頻率為1Hz，同時得到對應(yīng)跟蹤時刻衛(wèi)星在地心地固ECEF坐標(biāo)系下的位置和速度參數(shù)。當(dāng)采用衛(wèi)星信號模擬器生成衛(wèi)星的測量偽距信息時(通常采用Renix文件還原偽距生成的方式)，須要首先確定使用歷書的周數(shù)，設(shè)置仿真間隔和仿真總時間(其中可以包含相應(yīng)選星算法，保證定位精度)。由于衛(wèi)星信號模擬器生成數(shù)據(jù)時，只模擬了時鐘誤差在生成偽距中，因此在生成的偽距中添加適量的白噪聲，視為偽距中的環(huán)境噪聲。如果處理的數(shù)據(jù)是實際數(shù)據(jù)，經(jīng)過軟件接收機處理后，即可得到相應(yīng)通道衛(wèi)星的偽距信息和衛(wèi)星的位置、速度參數(shù)信息。然后，根據(jù)用戶接收機(載體)的實際運動規(guī)律選取狀態(tài)估計量和系統(tǒng)量測量，建立濾波模型；建立濾波模型包括建立以下模型建立CV模型對于載體運動的低動態(tài)環(huán)境，使用接收機的位置、速度和時鐘參數(shù)作為狀態(tài)量X
權(quán)利要求
1.一種基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法，其特征在于，包括(1)建立定位濾波模型；(2)設(shè)定濾波器初始參數(shù)；(3)運用UKF濾波算法對狀態(tài)量進行濾波；(4)運用模糊邏輯系統(tǒng)求解強跟蹤自適應(yīng)算法中的軟化因子；(5)強跟蹤自適應(yīng)算法中自適應(yīng)因子求解；(6)歷元時刻遞加1，讀取下一時刻觀測，返回步驟(4)，直至結(jié)束。
2.根據(jù)權(quán)利要求I所述的基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法，其特征在于，所述定位濾波模型包括針對低動態(tài)環(huán)境，根據(jù)接收機的位置、速度、時鐘鐘差和頻差建立的常速CV模型；針對高動態(tài)環(huán)境，根據(jù)接收機的位置、速度、加速度、時鐘鐘差和頻差建立的常加速度CA模型。
3.根據(jù)權(quán)利要求I所述的基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法，其特征在于，所述設(shè)定濾波器初始參數(shù)包括設(shè)置系統(tǒng)噪聲矩陣β⑩和觀測噪聲矩陣Λ ;設(shè)置狀態(tài)量初始估計石和初始狀態(tài)估計誤差協(xié)方差石；濾波時刻k清零，將自適應(yīng)因子賦值1，即自適應(yīng)因子為j = I。
4.根據(jù)權(quán)利要求I所述的基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法，其特征在于，所述運用UKF濾波算法對狀態(tài)量濾波的步驟包括初始狀態(tài)采樣初始狀態(tài)量采樣，得到初始狀態(tài)sigma樣本點及對應(yīng)權(quán)重因子；一步預(yù)測狀態(tài)采樣根據(jù)所獲得的初始狀態(tài)sigma樣本點，對一步預(yù)測狀態(tài)和一步預(yù)測狀態(tài)協(xié)方差矩陣進行估計；一步預(yù)測狀態(tài)二次采樣對獲得的一步預(yù)測狀態(tài)及一步預(yù)測狀態(tài)協(xié)方差矩陣進行二次采樣，得到二次采樣的一步預(yù)測狀態(tài)sigma樣本點及對應(yīng)權(quán)重因子；輸出一步預(yù)測根據(jù)一步預(yù)測狀態(tài)的二次采樣輸出觀測量一步預(yù)測，之后進行觀測量自協(xié)方差矩陣、觀測量和狀態(tài)量之間互協(xié)方差矩陣估計；卡爾曼增益求解通過獲得的觀測量自協(xié)方差矩陣和觀測量與狀態(tài)量的互協(xié)方差矩陣，求解卡爾曼增益矩陣，實現(xiàn)狀態(tài)量估計更新和狀態(tài)量估計協(xié)方差更新。
5.根據(jù)權(quán)利要求I所述的基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法，其特征在于，所述運用模糊邏輯系統(tǒng)求解強跟蹤自適應(yīng)算法中的軟化因子的步驟包括獲得濾波信息向量vJt ;模糊邏輯系統(tǒng)輸入通過濾波信息向量A，求解模糊邏輯系統(tǒng)輸入其中模糊邏輯系統(tǒng)輸入1為濾波信息向量巧單步協(xié)方差矩陣的跡與單步理論信息方差陣的跡之比；模糊邏輯系統(tǒng)求解根據(jù)模糊邏輯系統(tǒng)輸入％的變化規(guī)律，進行模糊邏輯系統(tǒng)的模糊化過程，設(shè)定模糊規(guī)則，進行模糊推理，去模糊化過程，實現(xiàn)軟化因子輸出。
6.根據(jù)權(quán)利要求5所述的基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法，其特征在于，所述模糊化過程中輸入?yún)⒘侩`屬度函數(shù)包括三角形函數(shù)，所述模型規(guī)則包括一階T-S模型、IF-THEN形式。
7.根據(jù)權(quán)利要求I所述的基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法，其特征在于，所述強跟蹤自適應(yīng)算法中自適應(yīng)因子毛t求解的步驟包括由濾波信息向量七對濾波信息真實協(xié)方差^進行估計求解；求解包含濾波信息協(xié)方差G和觀測噪聲估計的自定應(yīng)矩陣隊;由自定應(yīng)矩陣AZa和信息理論協(xié)方差矩陣Λ4求解自適應(yīng)因子中間參數(shù)(^ ；通過對中間參數(shù)Cu進行判定來對自適應(yīng)因子賦值。
全文摘要
本發(fā)明公開了一種基于模糊邏輯的自適應(yīng)強跟蹤UKF定位濾波算法，包括(1)建立定位濾波模型；(2)設(shè)定濾波器初始參數(shù)；(3)運用UKF濾波算法對狀態(tài)量進行濾波；(4)運用模糊邏輯系統(tǒng)求解強跟蹤自適應(yīng)算法中的軟化因子；(5)強跟蹤自適應(yīng)算法中自適應(yīng)因子求解；(6)歷元時刻遞加1，讀取下一時刻觀測，返回步驟(4)，直至結(jié)束。本發(fā)明通過在UKF濾波算法基礎(chǔ)上引入強跟蹤自適應(yīng)算法，并在強跟蹤自適應(yīng)算法中采用新遞推算法估計信息協(xié)方差矩陣，對強跟蹤算法中軟化因子采用模糊邏輯推理系統(tǒng)進行求解，根據(jù)歷元時刻濾波器的工作狀況對軟化因子進行實時估計。在衛(wèi)星導(dǎo)航用戶接收機位置估計中，可大大地提高載體適應(yīng)動態(tài)性的能力和定位性能。
文檔編號G01S19/37GK102608631SQ201110333619
公開日2012年7月25日 申請日期2011年10月28日 優(yōu)先權(quán)日2011年10月28日
發(fā)明者衛(wèi)奇, 王玉寶, 金天 申請人:北京航空航天大學(xué)