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：电子科技大学

摘要：本发明提供了一种广义最小误差熵卡尔曼的水下无人航行器定位方法，包括以下步骤：S1、采集水下无人航行器的位置和速度数据，构建为定位数据样本集；S2、采用广义最小误差熵卡尔曼滤波对定位数据样本集中定位数据样本进行滤波处理，得到修正定位数据；本发明解决了现有针对非高斯噪声的滤波方法只能处理某些特定类型的噪声，非高斯噪声无法被完全滤除，造成水声定位的估计精度低的问题。

主权项：1.一种广义最小误差熵卡尔曼的水下无人航行器定位方法，其特征在于，包括以下步骤：S1、采集水下无人航行器的位置和速度数据，构建为定位数据样本集；S2、采用广义最小误差熵卡尔曼对定位数据样本集中定位数据样本进行滤波处理，得到修正定位数据所述步骤S2包括以下分步骤：S21、将定位数据样本初始值和定位数据样本初始值的最小均方差矩阵带入预测方程，得到定位数据样本预测值和预测值的最小均方差矩阵；S22、根据定位数据样本预测值和定位数据样本集中定位数据样本，计算定位数据样本误差值；S23、根据定位数据样本误差值和增广噪声矩阵，计算增广噪声矩阵的协方差矩阵的分量；S24、根据增广噪声矩阵的协方差矩阵的分量、定位数据样本预测值和预测值的最小均方差矩阵，构建广义最小误差熵卡尔曼滤波模型；S25、根据广义最小误差熵卡尔曼滤波模型，对估计定位数据样本进行更新，得到更新估计定位数据样本；S26、判断更新估计定位数据样本是否满足误差条件，若是，则更新估计定位数据样本为修正定位数据，若否，则更新误差协方差矩阵，并跳转至步骤S25中；所述步骤S24中广义最小误差熵卡尔曼滤波模型为： 其中， 对Dk、Wk和ek进行求解，得到： L＝m+n将改写成： 将Θk分解成： 则： 其中，为第t次迭代时更新的估计定位数据样本，为第k个定位数据样本的预测值，为第k个定位数据样本预测值的卡尔曼增益，yk为第k个定位数据样本的真实测量向量，Ck为第k个定位数据样本的观测转移矩阵，Wk为第k个定位数据样本的预测值的协方差矩阵的变换矩阵，为第k个定位数据样本的预测值的广义高斯概率密度函数值的平方和，为第k个定位数据样本的预测值的广义高斯概率密度函数值的加权和，为第k个定位数据样本的预测值的广义高斯概率密度函数值，为中第i行第j列的元素，Gα，β为Parzen窗函数，ej；k为第k个定位数据样本的预测值的误差矩阵ek的第j个元素，ei；k为第k个定位数据样本的预测值的误差矩阵ek的第i个元素，||为取绝对值，α为形状参数，sign为符号函数，为中第i行第j列的元素，为实数域，m为矩阵的列编号，n为矩阵的行编号，L为统计矩阵中元素的编号，为误差矩阵ek的第i个元素，为误差矩阵ek的第g个元素，di；k为第k个定位数据样本的预测值的变换矩阵Dk中第i个元素，wi；k为第k个定位数据样本的预测值的协方差矩阵的变换矩阵Wk的第i行矩阵，为第t-1次迭代时更新的估计定位数据样本，Dk为第k个定位数据样本的预测值的变换矩阵，xk为定位数据样本集中第k个定位数据样本，ek为第k个定位数据样本的预测值的误差矩阵，Θk为第k个定位数据样本的增广噪声矩阵的协方差矩阵的分量，Im为单位向量，vk为第k个定位数据样本的观测噪声，T为转置运算，d1；k为第k个定位数据样本的预测值的变换矩阵Dk中第1个元素，d2；k为第k个定位数据样本的预测值的变换矩阵Dk中第2个元素，dL；k为第k个定位数据样本的预测值的变换矩阵Dk中第L个元素，w1；k为第k个定位数据样本的预测值的协方差矩阵的变换矩阵Wk的第1行矩阵，w2；k为第k个定位数据样本的预测值的协方差矩阵的变换矩阵Wk的第2行矩阵，wi；k为第k个定位数据样本的预测值的协方差矩阵的变换矩阵Wk的第i行矩阵，wL；k为第k个定位数据样本的预测值的协方差矩阵的变换矩阵Wk的第L行矩阵，为第k个定位数据样本的预测值的误差矩阵ek的第1个元素，为第k个定位数据样本的预测值的误差矩阵ek的第2个元素，为第k个定位数据样本的预测值的误差矩阵ek的第L个元素，为第k个定位数据样本预测值的m阶高斯概率密度函数值的平方和矩阵，为第k个定位数据样本预测值的n阶高斯概率密度函数值的平方和矩阵，为第k个定15位数据样本预测值的n×m维广义高斯概率密度函数值的平方和矩阵，为第k个定位数据样本预测值的m×n维广义高斯概率密度函数值的平方和矩阵，为矩阵的正定矩阵，为矩阵的正定矩阵，Θq；k为Θk的第一矩阵分块，Θv；k为Θk的第二矩阵分块。

全文数据：

权利要求：

百度查询： 电子科技大学 一种广义最小误差熵卡尔曼的水下无人航行器定位方法