基于学习的核偏最小二乘法优化扩展卡尔曼滤波

doi:10.3969/j.issn.1006-2475.2018.09.021

计算机与现代化

基于学习的核偏最小二乘法优化扩展卡尔曼滤波

(1.西安工程大学管理学院，陕西西安710048; 2.陆军边海防学院信息与兵种教研室，陕西西安710108)

收稿日期:2018-01-12 出版日期:2018-09-29 发布日期:2018-09-30
作者简介:白晓波（1983-），男，陕西勉县人，西安工程大学管理学院工程师，CCF会员，硕士，研究方向：智能信息处理，数据融合; 邵景峰（1980-），男，副教授，博士，研究方向：智能信息处理; 和征（1978-），男，副教授，博士，研究方向：制造业服务化，物流与供应链管理; 田建刚（1982-），男，陆军边海防学院信息与兵种教研室讲师，学士，研究方向：智能信息处理，数据融合。
基金资助:
国家科技支撑计划项目(2014BAF07B01); 陕西省工业科技攻关项目(2017GY-039); 陕西省教育厅服务地方专项计划项目(16JF009); 2017年中国纺织工业联合会科技指导性计划项目(2017067); 2017年“纺织之光”中国纺织工业联合会高等教育教学改革项目(2017BKJGLX160)

#br# Optimized Extended Kalman Filter Based on Learning Kernel Partial Least Squares

(1. School of Management, Xi’an Polytechnic University, Xi’an 710048, China;
2. Department of Information and Arms, Army Academy of Border and Coastal Defence, Xi’an 710108, China)

Received:2018-01-12 Online:2018-09-29 Published:2018-09-30

摘要/Abstract

摘要： 为了解决非线性系统参数不确定和噪声信息不准确导致EKF随时序估计误差较大的问题，利用核偏最小二乘法与系统方程参数和噪声信息无关的特点优化EKF。先将量测数据和EKF的收敛估计作为学习样本，建立KPLS预测模型，然后，融合KPLS和EKF的预测值进行状态估计；同时，若状态估计的收敛判据为真，将估计值作为学习样本，并利用滑动窗口更新KPLS核矩阵，使KPLS能时序预测；若收敛判据为假，则更新量测协方差。最后，通过实验仿真的方法，分析KPLS-EKF算法的收敛性和性能。实验结果表明：KPLS-EKF能够有效地解决非线性系统参数和噪声信息不准确导致的EKF误差较大的问题。

关键词: 非线性, 核偏最小二乘法, , 扩展卡尔曼滤波, 收敛判据

Abstract: To solve the problem that the error of EKF estimation is larger with time sequence caused by uncertain parameters and inaccuracy noise information of none-liner system, the character of kernel partial least square which is independent of system equation parameters and noise information is used to optimize EKF. Firstly, measurement and convergence estimation value are as studying samples to build prediction model. And then, prediction values of KPLS and EKF are fused to estimate system status. Mean while, if convergence criterion of status estimation is true, then estimation values are as studying samples, and the sliding window is used to update kernel matrix, which makes KPLS have the ability to be predicted with time sequence. Else if convergence criterion of status estimation is false, then the measurement covariance will be updated. Finally, convergence and performance of KPLS-EKF are analyzed. The experimental results show that the proposed problem can be effectively solved by KPLS-EKF.

Key words: non-linear, kernel partial least square, extended Kalman filter, convergence criterion

中图分类号:

TP391

白晓波1，邵景峰1，和征1，田建刚2. 基于学习的核偏最小二乘法优化扩展卡尔曼滤波[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.09.021.

BAI Xiao-bo1, SHAO Jing-feng1, HE Zheng1, TIAN Jian-gang2. #br# Optimized Extended Kalman Filter Based on Learning Kernel Partial Least Squares[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.09.021.

参考文献

［1］ Kim P, Huh L. Kalman Filter for Beginners: With Matlab Examples［M］. Georgia: Createspace Independent Pub, 2011.
［2］ Doucet A, Johansen A. A tutorial on particle filtering and smoothing: Fifteen years later［M］// The Oxford Handbook of Nonliner Filtering. New York: Oxford University Press, 2011:656-704.
［3］刘晓东,钟麦英,柳海. 基于EKF的无人机飞行控制系统故障检测［J］. 上海交通大学学报, 2015,49(6):884-888.
［4］ Jiang Guirong, Miao Xiaolu, Wang Yuehui, et al. Real-time estimation of the pressure in the wheel cylinder with a hydraulic control unit in the vehicle braking control system based on the extended Kalman filter［J］. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 2016,231(10):1340-1352.
［5］〖KG-*5〗Guo Kexin, Qiu Zhirong, Meng Wei, et al. Ultra-wideband based cooperative relative localization algorithm and experiments for multiple unmanned aerial vehicles in GPS denied environments［J］. International Journal of Micro Air Vehicles, 2017,9(3):169-186.
［6］刘永进,冯刚,汪文峰,等. 基于EKF的导弹制导系统故障检测［J］. 计算机仿真, 2016,33(8):63-66.
［7］ Ho H W, de Croon G C H E, Chu Qiping. Distance and velocity estimation using optical flow from a monocular camera［J］. International Journal of Micro Air Vehicles, 2017,9(3):198-208.
［8］ He Lina, Zhou Hairui, Zhang Gongyuan. Improving extended Kalman filter algorithm in satellite autonomous navigation［J］. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, 2016,231(4):743-759.
［9］刘毛毛,秦品乐,吕国宏,等. 基于多新息理论的EKF改进算法［J］. 计算机应用研究, 2015,32(5):1568-1571.〖ZK）〗
［10］杨鹏生,吴晓军,张玉梅. 改进扩展卡尔曼滤波算法的目标跟踪算法［J］. 计算机工程与应用, 2016,52(5):71-74.
［11］刘国海,施维,李康吉. 插值改进EKF算法在组合导航中的应用［J］. 仪器仪表学报, 2007,28(10):1897-1901.
［12］宁倩慧,张艳兵,刘莉,等. 扩展卡尔曼滤波的目标跟踪优化算法［J］. 探测与控制学报, 2016,38(1):90-94.
［13］吴汉洲,宋卫东,徐敬青. 基于多项式拟合的扩展卡尔曼滤波算法［J］. 计算机应用, 2016,36(5):1455-1457.
［14］朱建峰. 拟线性最优平滑滤波在指令控制一维弹道修正弹上的应用研究［D］. 南京:南京理工大学, 2012.
［15］欧阳广帅,周晶. 基于卡尔曼滤波的高精度弹道滤波算法研究［J］. 电子测量技术, 2014,37(11):16-19.
［16］Choi J, de Castro Lima A C, Haykin S. Kalman filter-trained recurrent neural equalizers for time-varying channels［J］. IEEE Transactions on Communications, 2005,53(3):472-480.
［17］Rosipal R, Trejo L J. Kernel partial least squares regression in reproducing kernel Hilbert space［J］. Journal of Machine Learning Research, 2001,2:97-123.
［18］程剑,张凌波,顾幸生. 基于KPLS 的延迟焦化柴油95%点的预测与估计［J］. 系统仿真学报, 2015,27(3):598-602.
［19］Yang Zhen, Guo Jun, Xu Weiran, et al. Multi-scale support vector machine for regression estimation［C］// Proceedings of the 3rd International Symposium on Neural Networks. 2006:1030-1037.
［20］许亚朝,何秋生,王少江,等. 一种改进的自适应卡尔曼滤波算法［J］. 太原科技大学学报, 2016,37(3):163-168.
［21］谢朔,陈德山,初秀民,等. 基于改进多新息扩展卡尔曼滤波的船舶响应模型参数辨识［J/OL］. http://kns.cnki.net/kcms/detail/23.1390.U.20170428.1713.098.html, 2017-04-28.

[1]	夏煌智, 陈丽敏, 毛雪迪, . 融入动态学习与高斯变异的自适应秃鹰搜索算法[J]. 计算机与现代化, 2024, 0(01): 117-126.
[2]	申志, 李元 . 基于KPCA和SSA优化SVM的非线性过程故障检测#br#[J]. 计算机与现代化, 2023, 0(06): 15-20.
[3]	杨宗月, 时正华. 四旋翼无人机非线性轨迹跟踪控制[J]. 计算机与现代化, 2023, 0(04): 95-100.
[4]	李静元, 张珂, 杨东裕. 基于雾计算的工业互联网安全数据访问方法[J]. 计算机与现代化, 2022, 0(12): 118-122.
[5]	黄玲, 白晓波. 基于PSO-KPLS的教师科研绩效预测[J]. 计算机与现代化, 2022, 0(06): 8-12.
[6]	王芷悦, 崔琳, . 基于非线性堆叠双向网络的端到端声纹识别[J]. 计算机与现代化, 2022, 0(03): 13-17.
[7]	田忠, 伍世虔. 线阵相机的圆环旋转标定方法[J]. 计算机与现代化, 2022, 0(03): 76-81.
[8]	刘亚南, 郭南, 赵阳, 余贶琭, . 基于WOA优化神经网络的BOTDA传感信息提取[J]. 计算机与现代化, 2021, 0(12): 19-26.
[9]	陈春燕, 刘梦赤. 基于粒子群遗传算法的智能组卷策略[J]. 计算机与现代化, 2021, 0(08): 16-23.
[10]	宋鑫, 樊志强, . 基于Laguerre 前向神经网络的信息服务性能建模方法 [J]. 计算机与现代化, 2021, 0(03): 1-6.
[11]	魏健, 赵红涛, 刘敦楠, 加鹤萍 . 基于集成模型的超短时负荷预测方法[J]. 计算机与现代化, 2021, 0(03): 12-17.
[12]	殷学杰，马玉梅，潘振宽. 基于饱和系统随机共振的图像去噪算法[J]. 计算机与现代化, 2019, 0(12): 44-.
[13]	段桂芹1，邹臣嵩2，刘锋2. 基于优化初始聚类中心的K中心点算法[J]. 计算机与现代化, 2019, 0(04): 1-.
[14]	李富星，蒙祖强 . 一种改进的类别区分词特征选择算法[J]. 计算机与现代化, 2019, 0(03): 73-.
[15]	郑亚鹏，樊璐. 基于LSTM的临床血液需求预测方法[J]. 计算机与现代化, 2018, 0(05): 41-.

基于学习的核偏最小二乘法优化扩展卡尔曼滤波

#br# Optimized Extended Kalman Filter Based on Learning Kernel Partial Least Squares

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价