一种面向无人船组合导航信息融合的多尺度数据分块算法
专利汇可以提供一种面向无人船组合导航信息融合的多尺度数据分块算法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种面向无人船组合导航信息融合的多尺度数据分 块 算法 ，简称MDS，包括以下步骤：建立组合 导航系统 数学模型；建立组合导航多尺度系统模型；设计最优融合算法。本发明针对无人船组合导航系统多 传感器 异步 采样 的问题，提出一种多尺度数据分块的信息融合方法(MDS)，相比于传统联邦滤波(FKF)的分布式滤波算法，有效的解决了传感器信息异步融合的问题。本发明在原有多尺度滤波方法的 基础 上，将多尺度滤波方法与数据分块的方法结合，相比于 小波变换 的方法，该方法计算量更小，更简便，并提高了无人船组合导航系统的信息融合效果。，下面是一种面向无人船组合导航信息融合的多尺度数据分块算法专利的具体信息内容。
1.一种面向无人船组合导航信息融合的多尺度数据分块算法，其特征在于：包括以下步骤：
A、建立组合导航系统数学模型
针对无人船组合导航多传感器信息融合问题，建立无人船组合导航系统的数学模型；
所述无人船组合导航系统包括捷联惯导系统传感器即SINS传感器、全球定位系统传感器即GPS传感器、三维电子罗盘传感器即Compass传感器和嵌入式处理器；所述嵌入式处理器内采用多尺度数据分块算法进行传感器信息融合，输出无人船的位置、速度和姿态信息；采用SINS传感器的误差方程作为组合导航系统的状态方程，导航坐标系选用东北天坐标系即NEU，通过对SINS传感器的性能及误差源分析，组合导航系统的状态方程和量测方程分别描述为：
其中， 为组合导航系统的状态估计值；F(t)为组合导航系统的状态转移矩阵；X(t)为组合导航系统的状态变量；W(t)为组合导航系统的白噪声矩阵；i＝1、2、3，Z1(t)为SINS/GPS子滤波器速度的量测值，Z2(t)为SINS/GPS子滤波器位置的量测值，Z3(t)为SINS/Compass子滤波器姿态的量测值，Hi(t)为组合导航系统的量测矩阵，Vi(t)为组合导航系统的量测噪声，t为时间；
组合导航系统的状态变量X(t)为：
式中， 分别为无人船东、北、天方向的姿态误差角；δVE、δVN、δVU分别
为无人船东、北、天方向的速度误差；δλ、δL、δh分别为无人船的纬度、经度、高度的误差；εbx、εby、εbz分别为无人船导航坐标系下陀螺仪东、北、天方向的常值漂移；εrx、εry、εrz分别为无人船导航坐标系下陀螺仪东、北、天方向的慢变漂移； 分别为无人船导航坐
标系下加速度计东、北、天方向的常值随机误差；
无人船组合导航系统共有3组观测值，分别为GPS传感器测得的无人船速度与SINS传感器测得的无人船速度之间的差值、GPS传感器测得的无人船位置与SINS传感器测得的无人船位置之间的差值、Compass传感器测得的无人船姿态与SINS传感器测得的无人船姿态之间的差值；
取GPS传感器测得的无人船速度与SINS测得的无人船速度之间的差值作为SINS/GPS子滤波器速度的量测值，定义速度量测方程为：
式中：
V1(t)＝[ME,MN,MU]T
其中，H1(t)为SINS/GPS子滤波器速度的量测矩阵；V1(t)为SINS/GPS子滤波器速度的量测噪声，当做白噪声处理；VIE、VIN、VIU分别为SINS传感器测得的无人船的东、北、天方向的速度；VGE、VGN、VGU分别为GPS传感器测得的无人船的东、北、天方向的速度；ME、MN、MU分别为GPS传感器测得的无人船的东、北、天方向的速度误差；
取GPS传感器测得的无人船位置与SINS传感器测得的无人船位置之间的差值作为
SINS/GPS子滤波器位置的量测值，定义位置量测方程为：
式中：
V2(t)＝[NN,NE,NU]T
RM＝Re(1-2f+3f sin2 L)
2
RN＝Re(1+f sin L)
其中，H2(t)为SINS/GPS子滤波器位置的量测矩阵；V2(t)为SINS/GPS子滤波器位置的量测噪声，当做白噪声处理；NN、NE、NU分别为GPS传感器测得的无人船的纬度、经度、高度的误差；λI、LI、hI分别为SINS传感器测得的无人船的东、北、天方向的位置；λG、LG、hG分别为GPS传感器测得的无人船的东、北、天方向的位置；Re为地球赤道半径，取6378137m；f为地球扁率，取1/298.257；O3×6为3行6列的零矩阵；O3×9为3行9列的零矩阵；L为纬度；
将Compass传感器测得的无人船姿态与SINS传感器测得的无人船姿态之间的差值作为SINS/Compass子滤波器的量测值，则观测方程为：
式中：
H3(t)＝[I3×3,03×15]
V3(t)＝[δαc,δβc,δγc]T
其中，H3(t)为SINS/Compass子滤波器姿态的量测矩阵；V3(t)为SINS/Compass子滤波器姿态的量测噪声，是均值为零的观测白噪声； 分别为SINS测得的无人船的东、
北、天方向的姿态， 分别为Compass测得的无人船的东、北、天的姿态；δαE、δαN、δαU分别为Compass测得的无人船的东、北、天方向的姿态误差；I3×3为3行3列的单位矩阵，O3×15为3行15列单位矩阵；
B、建立组合导航多尺度系统模型
B1、描述组合导航多尺度系统
对组合导航系统的状态方程和量测方程进行离散化，根据多尺度理论，各传感器以不同采样率对数据进行观测，在最高采样率下即最细尺度上建立状态方程，将组合导航多尺度系统模型描述为：
XN(m+1)＝FN(m)XN(m)+WN(m)m≥0
Zd(m)＝Hd(m)X(m)+Vd(m)
其中，N＝3，传感器d以不同的采样率Sd进行观测，且传感器之间的的采样是异步的，其中d＝1、2、3，分别表示SINS传感器、GPS传感器、Compass传感器，SINS传感器为最高采样率的传感器，即最细尺度传感器；Compass传感器为最低采样率的传感器，即最粗尺度的传感器；GPS传感器为中采样率的传感器，即中尺度的传感器；其中，m为组合导航系统数学模型离散化后的时间；
各传感器采样率间的关系满足：
S3＝2S2
S2＝3S1
XN(m)表示m时刻在最高采样率下的组合导航多尺度系统的状态变量；FN(m)表示m时刻在最高采样率下的组合导航多尺度系统的一步转移矩阵；WN(m)表示m时刻在最高采样率下的组合导航多尺度系统的噪声，其为零均值高斯白噪声，并满足特点如下：
E{WN(m)}＝0
其中，g是采样时刻，δmg为克罗尼克函数、表示同一传感器不同采样时刻的的相关性；
Zd(m)表示组合导航多尺度系统在m时刻的量测值；Z1(m)、Z2(m)、Z3(m)分别为离散化后m时刻的SINS/GPS子滤波器速度的量测值、SINS/GPS子滤波器位置的量测值、SINS/Compass子滤波器姿态的量测值、Hd(m)表示组合导航多尺度系统m时刻的量测矩阵；Vd(m)表示组合导航多尺度系统m时刻的观测噪声，其中Vd(m)为高斯白噪声序列，其协方差为Rd(m)，并满足特点如下：
E{Vd(m)}＝0
E{Vd(m)WN(m)}＝0
状态变量的初始值XN(0)为随机向量，且有：
E{XN(0)}＝X0
E{[XN(0)-X0][XN(0)-X0]T}＝P0
B2、对组合导航系统进行数据分块
针对组合导航系统各传感器多速率异步采样，建立组合导航系统多尺度系统模型，采用数据分块的算法进行数据分块，将一定长度的采样时间内的状态数据列为一个数据块，对一个数据块的状态数据进行最优融合，定义数据块的长度为：
即状态向量和测量向量被分割成长度为Md的数据块；
进行数据分块后的状态方程表示为如下形式：
XN(m+1)＝XN(m)FN(m)+WN(m)
组合导航多尺度系统噪声的协方差阵Qi(m)表示为：
E{WN(m)}＝0
B3、建立多尺度转换关系
传感器d的状态信息在传感器N的尺度上的有如下的转换关系，所述的状态信息包括位置、速度和姿态：
其中：
其中， 为 维矩阵，由 个n维矩阵单位阵组成，其中n为3；
由上述推导得，传感器d与传感器N之间在尺度上有如下关系：
组合导航多尺度系统的量测方程为：
Zd(m)＝Hd(m)Xd(m)+Vd(m)
其中，组合导航多尺度系统的量测值为：
组合导航多尺度系统的量测噪声为：
组合导航多尺度系统的量测矩阵为：
E{Vd(m)}＝0
Rd(m)＝diag{Rd(mM+1),Rd(mM+2),...,Rd(mM)}
其中，j＝1、2、3；
C、设计最优融合算法
在多传感器异步信息融合过程中，如果传感器d在m时刻有测量值，那么m与nd之间呈整数倍关系；通过用mod(m,nd)等于零来判断传感器d在m时刻有无测量值，有如下两种情况：
其中，n1＝1,n2＝3,n3＝6；
C1、滤波更新1：若传感器d在m时刻无测量值，则最细尺度上的融合估计值 和
相应的误差协方差 为：
由卡尔曼滤波得到m时刻的估计值 和相应的误差协方差PN(m|m)；
状态一步预测矩阵为：
状态估计矩阵为：
滤波增益矩阵为：
一步预测均方误差阵为：
PN(m|m)＝[I-KN(m)HN(m)]PN(m+1|m)
估计均方误差阵为：
PN(m|m-1)＝FN(m-1)PN(m-1|m-1)FN(m-1)+QN(m-1)
C2、滤波更新2：若传感器d在m时刻有测量值，则m时刻基于所有传感器的最优估计为：
其中，
β0(d,m)和βp(dp,m)为信息分配因子，分别表示如下：
p＝1,2
由卡尔曼滤波得到qp时刻的估计值 和相应的误差协方差 如下：
状态一步预测矩阵为：
状态估计矩阵为：
滤波增益矩阵为：
一步预测均方误差阵为：
估计均方误差阵为：
结束。
一种面向无人船组合导航信息融合的多尺度数据分块算法
技术领域
背景技术
发明内容
导航坐标系下加速度计东、北、天方向的常值随机误差。
αE、δαN、δαU分别为Compass测得的无人船的东、北、天方向的姿态误差；I3×3为3行3列的单位矩阵，O3×15为3行15列单位矩阵。
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种行人导航定位中的自适应零速修正方法 | 2020-05-08 | 167 |
| 一种机载分布式POS的实时传递对准的方法及装置 | 2020-05-12 | 488 |
| 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法 | 2020-05-16 | 371 |
| 一种基于遗传算法的视觉惯性组合的SLAM方法 | 2020-05-16 | 526 |
| 一种结合小波变换和图像分割网络的QRS波识别方法 | 2020-05-12 | 173 |
| 一种水下航行器的水下信标定位方法 | 2020-05-14 | 82 |
| 一种传感器融合采集切削信号的方法 | 2020-05-15 | 750 |
| 一种改进SPC的小区供水漏损监测预警方法 | 2020-05-15 | 678 |
| 一种柴油在线调和方法 | 2020-05-11 | 453 |
| 基于互联网的图片自动合成系统 | 2020-05-08 | 1021 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
