欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023112169895
申请人: 河南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法,其特征在于:包括以下步骤:S1:建立k时刻传感器s的目标状态一步预测概率密度P(xk,s∣z1:k-1)模型、量测似然概率密度P(zk,s∣xk,s)模型和对数联合概率密度模型;

所述步骤S1中具体包含以下步骤:

S1.1:建立状态一步预测概率密度P(xk,s∣z1:k-1)先验模型:根据顺序测量自适应地学习混合系数,为将P(xk,s∣z1:k-1)可以被表示高斯分层形式,引入了分类分布向量ξk,具体表示为:其中,N(·;μ,Σ)表示高斯分布,其均值μ,协方差矩阵为Σ,G(·;a,b)表示伽马分布,其形状参数a,速率参数b,λk>0为混合参数,ωk为自由度参数;IW(·;t,T)表示逆威沙特分布,其自由度为t,尺度矩阵为T;Cat(·;m,M)表示种类分布,其混合随机向量为m,混合元素数量为M;Dir(·;θ,M)表示狄利克雷分布,其浓度参数为θ,混合元素数量为M;

S1.2:建立量测似然概率密度P(zk,s∣xk,s)先验模型:提出GSMGIW分布,引入辅助变量γk写成高斯-伽马混合分布形式,对量测噪声协方差矩阵Rk,s建立先验模型,则P(zk,s∣xk,s)可以被表示为:其中,Hkxk,s和Rk,s分别表示均值向量和协方差矩阵,分别表示自由度和尺度矩阵;γk>0为混合参数,νk表示自由度,f(γk)和IG(γk;νk/2,νk/2)分别表示为正尺度函数和逆伽马函数;βk,s为形状参数,它控制偏斜程度,当βk,s≠0是非对称,否则为对称的;当βk,s=0,且f(γk)=γk,GSMGIW退化为正态伽马逆威沙特分布模型;

S1.3:构建联合概率密度模型

根据步骤S1.1建立的状态一步概率密度P(xk,s∣z1:k-1)先验模型和步骤S1.2建立量测似然概率密度P(zk,s∣xk,s)先验模型,重写成分层高斯的形式,则对数联合概率密度可以被表示为:其中,表示未知参数集合,Z表示量测数据集,表示以自然常数为底的对数联合概率密度S2:变分贝叶斯近似后验:

引入变分贝叶斯方法近似求解S1中的未知参数的后验,其求解公式如下:其中,表示关于求期望操作,表示取集的某一个元素,是集中除外剩余元素,相对未知参数是不相关的常数;

S3:利用S2的求解公式,估计形状参数βk,s、目标状态xk,s、状态预测协方差矩阵Σk,s、量测噪声协方差矩阵Rk,s、混合随机向量τk、种类分布向量ξk、辅助变量λk、γk及其对应自由度参数ωk、νk;

S4:重复步骤S3,直到达到迭代终止条件:则迭代结束;得到最终迭代结果:和Σk|k,s,并赋值作为k+1时刻变分迭代初始值;

S5:多传感器分布式融合:

利用步骤S4各平台变分迭代求解得到的各局部滤波器状态值以及其协方差矩阵Pk|k,s信息采取协方差交叉CI融合方法进行融合,得到融合后的最优目标状态及其协方差矩阵

2.根据权利要求1所述的非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法,其特征在于:还包括步骤S0,初始化线性系统参数;相对于传统的多传感器目标跟踪的物理场景,综合考虑了目标状态过程噪声和传感器量测噪声的影响,由离散时间线性状态空间模型表示的线性系统如下:xk,s=Fkxk-1,s+wk-1

zk,s=Hkxk,s+vk,s

其中,xk,s是k时刻传感器s的目标状态,Fk为k-1时刻到k时刻状态转移矩阵,wk-1为k-1时刻过程噪声,其噪声协方差矩阵为Qk-1,过程噪声呈现非高斯且非平稳重尾特性;zk,s为k时刻传感器s的量测值,Hk为k时刻量测转移矩阵;vk,s为k时刻传感器s的量测噪声,其噪声协方差矩阵为Rk,s,量测噪声呈现为非高斯且非平稳Skew特性。

3.根据权利要求2所述的非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法,其特征在于:所述线性系统初始化中变分参数设置及初始化期望,具体如下:(1)设置k-1时刻变分参数初值如下:

初始估计状态及其误差协方差矩阵

量测噪声协方差矩阵Rk-1,s的自由度参数和尺度矩阵为Uk-1|k-1,s;

自由度参数ωk-1,νk-1的形状参数和速率参数和混合随机向量τk的先验浓度参数αk|k-1和种类分布向量ξk的均值向量标称(非真实)过程噪声协方差矩阵和标称量测噪声协方差矩阵Rk-1,s;

形状参数βk-1的均值及其协方差矩阵

以及k时刻传感器s的量测值zk,s等相关参数;

(2)k时刻参数时间更新:

状态一步预测:及其预测状态误差协方差矩阵:

Pk|k-1,s的自由度参数和尺度矩阵

量测噪声协方差矩Rk,s的自由度参数和尺度矩阵Uk|k-1,s=Uk|k-1,s+E[f(γk)]Bk;

自由度ωk、νk的形状参数和速率参数

形状参数βk,s的协方差矩阵Pβ,k|k,s=σk(Im-Ej[γk]Kβ,k)及均值混合随机向量τk的浓度参数和种类分布向量ξk的混合向量其中其中,E[·]表示求期望操作,ρ表示变分遗忘因子,起自适应调节参数的作用,通常取1-exp(-4),τp表示预测误差协方差的调谐因子;

(3)初始化k时刻期望值:

初始期望状态及其协方差矩阵:

初始化如下期望值:形状参数βk,s的期望

辅助变量λk、γk期望E0[λk]=E0[γk]=1;

自由度参数ωk、νk的期望E0[ωk]、E0[νk];

测量噪声协方差Rk,s的期望混合随机向量τk的期望和种类分布向量ξk的期望上标E0[·]表示求第0次变分迭代的期望。

4.根据权利要求1所述的非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法,其特征在于:所述步骤S3中估计出形状参数βk,s和目标状态xk,s具体包括如下步骤:分别令和应用步骤S2变分迭代公式,由指数分布共轭性,近似后验q(βk,s)和q(xk,s)分别被更新,符合高斯分布:类似卡尔曼滤波量测更新步:

求解近似后验qi+1(βk,s)均值:及其对应的协方差矩阵Ei+1(βk,s)、Ei+1(Pβ,k|k,s)分别被计算成

5.根据权利要求1所述的非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法,其特征在于:所述步骤S3中更新估计出状态预测协方差矩阵Σk,s和量测噪声协方差矩阵Rk,s具体包括如下步骤:分别令应用步骤S2变分迭代公式,由指数分布共轭性,则由所得公式看出近似后验q(Σk,s)和q(Rk,s)分别被更新,符合IW分布:分别求解近似后验qi+1(Σk,s)和qi+1(Rk,s)的自由度参数:和尺度矩阵参数:由IW分布性质计算期望Ei+1[Pk|k-1,s],Ei+1[Rk,s],计算修正的状态预测协方差矩阵和量测噪声协方差矩阵其中由状态一步预测概率密度P(xk,s∣z1:k-1)先验模型看出状态噪声是非平稳的,这里被设计为多个重尾混合,所以Pk|k-1,s与Σk,s为一对多的关系:其中,Ei[·]表示求第i次变分迭代的期望,i=0:Nm-1。

6.根据权利要求1所述的非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法,其特征在于:所述步骤S3中更新估计出混合随机向量ξk和种类分布向量τk,具体包括如下步骤:S5.1:更新混合随机向量τk:

令应用步骤S2变分迭代公式,则由所解公式看出近似后验q(τk)被更新,符合狄利克雷分布:求解近似后验qj+1(τk)的浓度参数:由狄利克雷分布的性质,计算自然对数期望Ej+1[τk]和Ej+1[logτk,i];

S5.2:更新种类分布向量ξk:

令应用步骤S2变分迭代公式,由指数分布共轭性,q(ξk)被更新符合种类分布:求解近似后验qj+1(ξk)的混合向量:由种类分布性质,计算自然对数期望Ei+1[ξk]。

7.根据权利要求1所述的非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法,其特征在于:所述步骤S3中更新求解辅助变量λk、γk及其对应自由度参数ωk、νk,具体步骤如下:S6.1:更新辅助变量λk和γk:

令应用步骤S3变分迭代公式,近似后验符合伽马分布,即:求解近似后验qi+1(λk)的形状参数和速率参数:由伽马分布性质计算期望Ei+1[λk]、Ei+1[logλk];

令应用步骤S3变分迭代公式,由指数分布共轭性,近似后验q(γk)符合广义逆高斯分布GIG:求解近似后验qi+1(γk)的形状参数:和由广义逆高斯分布性质计算期望Ei+1[γk]、 Ei+1[logγk];

S6.2:更新自由度参数ωk和νk:

分别令和应用步骤S3变分迭代公式,由指数分布共轭性,近似后验q(ωk)和q(νk)被更新,符合伽马分布:求解近似后验qi+1(ωk)和qi+1(νk)的形状参数:和速率参数:由伽马分布性质计算期望Ei+1[ωk]和Ei+1[vk]。

8.根据权利要求1所述的非高斯且非平稳系统噪声下基于变分贝叶斯的目标跟踪方法,其特征在于:所述步骤S5传感器分布式融合反馈具体包含如下步骤:首先,融合中心接收到各局部滤波器的状态估计,按照协方差交叉融合准则,其融合计算方法如下所示:其中,表示融合后的最优状态估计值及其对应的协方差矩阵;

其次,将状态及其协方差估计值反馈给各个局部滤波器,其反馈计算如下:其中,κk,s为反馈权重系数,随局部状态估计协方差矩阵自适应调节,满足:其中,||·||F表示Frobenius范数;即对于任意矩阵D,