一種基于bp神經網絡的卡爾曼增益修正方法
【技術領域】
[0001] 本發明公開了一種基于BP神經網絡的卡爾曼增益修正方法，涉及無線定位技術領 域。
【背景技術】
[0002] 移動單站目標定位以其設備簡單、機動性強、易于實現等特點，越來越多的應用于 軍事、民事領域。近年來城市中無線干擾源越來越猖獗，給人們生活帶來嚴重影響，車載移 動單站只測向目標定位是城市中查找干擾源的重要手段，而車載移動站與機載移動站以及 高架固定站相比，它高度很低不容易接收到直達波，另外復雜的城市環境更加劇了這種情 況的發生。除了提高測向設備的精度還需要一個可靠的、性能優越的濾波算法。
[0003] 由于只測向定位算法是一個非線性的問題，為它設計一個濾波方法是十分困難 的，為了簡化計算往往將線性濾波器改造后應用于非線性問題，其中擴展卡爾曼濾波算法 (EKF)就是應用最廣的一類。EKF要求非線性問題只取泰勒展開的第一項，舍棄高階項進行 線性化，然而舍棄高階項帶來的的偏差會顯著降低算法的穩定性。為解決這個問題，Taek Lyul Song提出了增益修改的卡爾曼濾波算法算法，該算法的基本思想是:如果非線性函數 是可以修正的也就是非線性函數可以改寫成狀態向量的線性形式，那么就可以用真實值對 卡爾曼濾波的增益進行修正。后來Galkowski使用更為簡潔的方法驗證了只測角條件下的 增益修改方程，并經過實驗驗證MGEKF的正確性和有效性。由于MGEKF算法計算簡單，實用性 強，因此得到了廣泛的應用，然而MGEKF仍然存在很多的問題，針對它的問題，也有很多的改 進算法，如張千提出的平滑MGEKF(sMGEKF)，其基本思想是將一段時間內的測量值取RTS平 均（Rauch-Tung-Striebel smoothing)作為增益修改方程的輸入，減小測量誤差帶來的影 響。另外MGEKF在迭代過程中和EKF-樣需要計算非線性方程的雅可比（Jacobians)行列式 以及測量方程，計算量很大，袁華等人依據迭代擴展卡爾曼濾波（IEKF)算法的思想提出迭 代MGEKF(MGEKF)，以最大后驗概率代替近似條件平均，不必計算雅可比行列式，提高運算 效率。但是所有使用MGEKF思想的算法，進行增益修改時都需要真實的值進行計算，然而真 實值是不能獲取的，實際應用中就以測量值代替真實值進行計算，由于測量值是存在測量 誤差的，這個誤差也傳遞給了修正后的卡爾曼增益，當測量值存在較大誤差時會嚴重影響 算法的性能。雖然上述改進算法特別是sMGEKF在一定程度上抑制了測量誤差的影響，但是 它只是將誤差平均到別的測量值上，誤差仍然存在，依然影響算法的定位性能，迄今為止， 尚未見到通過修改卡爾曼增益計算方法來抑制測量誤差的報道
【發明內容】
[0004] 本發明的目的是為了解決增益修正卡爾曼濾波算法中使用測量值代替真實修正 增益從而將測量值誤差傳播到增益修正結果上的問題，而提出了一種基于BP神經網絡的卡 爾曼增益修正方法，利用BP神經網絡可以擬合任何非線性相關關系的特性，擬合測量值、測 量值誤差方差、目標估計位置、測向機所在位置以及使用真實值修正的卡爾曼增益之間的 關系，抑制測量值誤差對增益修正結果的影響。
[0005] 本發明的目的是通過下述技術方案實現的。
[0006] 一種基于BP神經網絡的卡爾曼增益修正方法，其特征在于，所述方法包括： 移動無線電測向設備、GPS設備、已知GPS坐標的無線信號發射源獲取訓練數據，然后計 算真實的目標方向值、實值修正的卡爾曼增益、目標位置估計值； 利用真實值修正的卡爾曼增益、測量值、測量值方差、目標估計位置和測向設備位置訓 練BP神經網絡； 在使用擴展卡爾曼濾波算法進行移動單站測向定位過程中，使用訓練好的BP神經網絡 修正卡爾曼濾波增益值。
[0007] 一種基于BP神經網絡的卡爾曼增益修正方法，其特征在于，移動無線電測向設備、 GPS、無線信號發射源獲取訓練數據，然后計算真實的目標方向值、計算真實值修正的卡爾 曼增益、目標位置估計值包括： 所述的無線信號發射源包括:GPS坐標已知的電視廣播信號塔、移動基站、WiFi接入點 以及個人無線設備。 所述訓練數據包括:測向機所在GPS坐標、測向機測量的待定位目標相對于真北方向的 角度值以及目標GPS坐標，訓練數據選取地點包括城市、郊區以及農村； 所述真實的目標方向值包括:通過目標GPS坐標和測向機所在的GPS坐標得到相對于真 北方向的角度值； 所述的目標位置估計值包括:使用卡爾曼濾波方法進行目標位置估計迭代過程中，每 次迭代產生的目標位置估計值，真實值修正的卡爾曼增益，每次迭代的位置估計值，其中真 實值修正的卡爾曼增益由下式計算：
其中，β?代表真實的目標方向值，）代表此次迭代目標GPS估計值。
[0008] 一種基于ΒΡ神經網絡的卡爾曼增益修正方法，其特征在于，利用真實值修正的卡 爾曼增益、測量值、測量值方差、目標估計位置和測向設備位置訓練ΒΡ神經網絡包括： 所述的ΒΡ神經網絡包括三層結構，第一層為輸入層有六個節點分別代表:測量值、測量 值方差、目標估計位置GPS坐標和測向機GPS坐標，第二層為隱含層，第三層為輸出層有兩個 節點，分別對應使用真實方向值修正卡爾曼增益的兩個維度； 所述的訓練ΒΡ神經網絡是以測量值、測量值方差、目標估計位置GPS坐標和測向機GPS 坐標作為ΒΡ神經網絡的輸入，以使用真實方向值計算的卡爾曼增益作為訓練目標訓練ΒΡ神 經網絡。
[0009] 一種基于ΒΡ神經網絡的卡爾曼增益修正方法，其特征在于，在使用擴展卡爾曼濾 波算法進行移動單站測向定位過程中，使用訓練好的ΒΡ神經網絡修正卡爾曼濾波增益值包 括： 所述的擴展卡爾曼濾波算法進行移動單站測向定位過程包括:車載、機載的方式使得 測向機連續測得目標角度值，然后利用擴展卡爾曼濾波多次迭代提高定位精度； 所述的修正卡爾曼增益包括:在使用擴展卡爾曼濾波算法時，利用訓練好的ΒΡ神經網 絡，通過輸入當前測量值、測量值方差、目標估計位置GPS坐標和測向機GPS坐標獲取輸出并 按照下式修正誤差協方差，從而在下次迭代時修正卡爾曼增益 Pi|i=(I-K · gT)Pili-i(I-K · rt)t+KRKt
其中Pm表示誤差協方差，K表示卡爾曼增益，g表示BP神經網絡的輸出。 有益效果
[0010]本發明對比已有技術具有以下創新點 本發明充分利用了 BP神經網絡可以擬合任何非線性相關關系的特性，利用BP神經網絡 擬合測量值、測量值誤差方差、目標估計位置、測向機所在位置以及使用真實值修正的卡爾 曼增益之間的關系，使得誤差增益修正方法包含測量誤差抑制的因子，從而抑制測量值誤 差對增益修正結果的影響。
[0011]本發明對比已有的技術具有以下顯著優點： 本發明充分利用了 BP神經網絡可以擬合任何非線性相關關系的特性，采用直接的方法 抑制測量值誤差對增益修正結果的影響； 本發明無需對現有的移動測向設備安裝任何額外的硬件設施，本算法也沒有增加計算 復雜度，具有很低的部署成本，有很強的可推廣性。
【附圖說明】
[0012]圖1為本發明提供的基于BP神經網絡的卡爾曼增益修正方法的算法整體流程圖； [0013]圖2為本發明提供的基于BP神經網絡的卡爾曼增益修正方法的BP神經網絡拓撲 圖；
[0014] 圖3為本發明提供的基于BP神經網絡的卡爾曼增益修正方法的卡爾曼濾波迭代過 程中利用BP神經網絡進行卡爾瑪增益修正的算法流程圖；
【具體實施方式】
[0015] 下面結合附圖對發明進一步的詳細描述。 本發明的思想是利用BP神經網絡可以擬合任何非線性相關關系的特性，擬合測量值、 測量值誤差方差、目標估計位置、測向機所在位置的相關關系，消除直接使用測量代替真實 值修正卡爾曼增益帶來的誤差。
[0016] 圖1是為本發明提供的基于BP神經網絡的卡爾曼增益修正方法的算法整體流程 圖。參見圖1，該圖包括： 101、獲取訓練數據:車載測向設備獲取目標方向數據、GPS設備獲取當前GPS坐標； 首先設定一個無線信號發射源，自己放置或者GPS坐標已知的電視廣播天線、移動通信 基站。 測向數據獲取時，載有測向設備的汽車需要以盡量穩定的、較低的速度平穩行駛，并且 汽車剛啟動的階段顛簸比較大，此時的測向數據誤差較大，不宜用于訓練數據，所以待汽車 平穩行駛后記