买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福州大学

摘要：本发明提出一种结合贝叶斯网络和卡尔曼滤波的结构系统噪声误差评估方法，包括以下步骤：步骤S1：以带噪声及不含噪声的系统观测数据为样本，分别构建贝叶斯网络BN1及BN2。步骤S2：将无噪声实测数据和带噪声实测数据分别输入BN1和BN2,推理后得到各节点预测和实测节点状态概率，二者分别代入卡尔曼滤波算法，经推导后得到贝叶斯网络各节点最优状态概率；步骤S3：将该节点最优状态概率数据与预测节点状态概率、实测状态概率相比较，从而判断误差来源。其通过BN推理避免KF算法中过程噪声协方差Q的调谐，达到过滤噪声及锁定BN节点当前最优状态概率的目的。

主权项：1.一种结合贝叶斯网络和卡尔曼滤波的结构系统噪声误差评估方法，其特征在于，包括以下步骤：步骤S1：以不含噪声及带噪声的系统观测数据为样本，分别构建贝叶斯网络BN1及BN2；步骤S2：将无噪声实测数据和带噪声实测数据分别输入BN1和BN2,推理后得到各节点预测和实测节点状态概率，二者分别代入卡尔曼滤波算法，经推导后得到贝叶斯网络各节点最优状态概率；步骤S3：将该节点最优状态概率数据与预测节点状态概率、实测状态概率相比较，从而判断误差来源；步骤S2具体包括以下步骤：步骤S21：获取t-1时刻BN最优状态概率Xit-1及后验概率协方差pt-1；步骤S22：将当前时刻t获取的滤除噪声的实测数据输入BN1，经推理得到各节点的状态概率数据X-1t、X-2t…X-it,同时输出预测值的协方差p-t；将带噪声的实测数据输入BN2，推理得各节点预测状态概率Z1t,Z2t,…,Znt；步骤S23：根据BN2推理得到的各节点预测状态概率数据，以及BN1推理得到的tk时刻各节点状态概率数据X-1t,X-2t,…,X-nt，预测t时刻的最优值X1t,X2t,…,Xnt；步骤S22中，将当前时刻t获取的滤除噪声的实测数据输入BN1，经推理得到各节点的状态概率数据X-1t、X-2t…X-it,同时输出预测值的协方差p-t，计算方法如下：p-t＝Apt-1AT+Q1A＝X-itXit-1T2式中A为状态转移矩阵；Xit-1为t-1时刻BN各节点状态概率的最优值；Q为过程激励噪声协方差，取0；步骤S23具体通过下式计算获得： Xit＝X-it+KtZit-HX-it4pt＝1-KtHp-t5H＝OiTui6式中H为BN1与BN2推理得到的节点状态概率数据之间的转换矩阵；Kt为滤波增益矩阵；pt为t时刻的后验概率协方差；R为测量噪声的协方差。

全文数据：

权利要求：

百度查询： 福州大学 结合贝叶斯网络和卡尔曼滤波的结构系统噪声误差评估方法