本發(fā)明屬于傳感器數(shù)據(jù)融合，尤其涉及一種新的用于在非線性非高斯環(huán)境下多傳感器融合的方法。

　　1、近年來，隨著現(xiàn)代化的發(fā)展，單個傳感器已然不能夠滿足高標(biāo)準(zhǔn)下的準(zhǔn)確定位，多傳感器數(shù)據(jù)融合方法成為目標(biāo)定位的研究熱點(diǎn)。多個同類傳感器來采集更多的數(shù)據(jù)，而如何有效地利用這些冗余數(shù)據(jù)是目前需要解決的難題，尤其是在考慮非線性非高斯的復(fù)雜情況下，多傳感器融合算法還存在很大的困難和挑戰(zhàn)。冗余數(shù)據(jù)需要進(jìn)行濾波再融合，而考慮非高斯噪聲的情況下，濾波算法的實(shí)時性受到了挑戰(zhàn)，因此研究一種實(shí)時性較高的非線性非高斯濾波方法是提高融合方法的重要基礎(chǔ)保障。

　　2、在復(fù)雜環(huán)境下多傳感器融合領(lǐng)域，對非線性非高斯模型的融合方法已經(jīng)引起了大量研究人員的關(guān)注，并得到了廣泛的應(yīng)用。多傳感器融合方法根據(jù)對多傳感器觀測信息的處理方法不同，可以將信息融合系統(tǒng)的體系結(jié)構(gòu)分成分為集中式融合、分布式融合和混合式融合。劉華等人在非線性的多傳感器融合方法上，提出了基于平方根容積濾波的多傳感器非線性序貫式融合算法(劉華,吳文,王世元.基于平方根ckf的多傳感器序貫式融合跟蹤算法[j].系統(tǒng)工程與電子術(shù),2015,37(7):1494-1498)，但缺乏考慮復(fù)雜環(huán)境下非高斯噪聲的對系統(tǒng)的影響。吳驍航等人將student’s t分布作為系統(tǒng)的噪聲，通過無跡四元數(shù)局部濾波算法來對非高斯噪聲魯棒，同時設(shè)計最優(yōu)權(quán)重計算方法及線型加權(quán)信息融合算法(吳驍航，馬克茂.students’st濾波框架下的信息融合算法[j].浙江大學(xué)學(xué)報：工學(xué)版，2020，54(3)：581-588)，但是此方法沒有對含有噪聲數(shù)據(jù)進(jìn)行處理，很難得到消除脈沖噪聲影響的估計值，并且整體計算量增大，系統(tǒng)的實(shí)時性不高。

　　1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種新的用于在非線性非高斯環(huán)境下多傳感器融合的方法，解決了上述問題。

　　2、為實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn)：一種新的用于在非線性非高斯環(huán)境下多傳感器融合的方法，包括以下步驟：

　　3、s1、基于梯度下降技術(shù)的高斯近似非高斯算法，在已知非高斯噪聲分布的情況下使用高斯分布擬合非高斯分布；

　　4、s2、將近似的高斯分布用到容積粒子濾波中，再加入最大熵準(zhǔn)則來抑制噪聲；

　　5、s3、基于s2引入序貫式融合算法，得到一種針對非高斯噪聲的多傳感器融合方法。

　　8、若已知非高斯噪聲yi，假設(shè)高斯分布的噪聲初始化μ，σ后，使用梯度下降算法作為優(yōu)化算法來最小化偽huber損失函數(shù)，得到一個概率密度函數(shù)近似非高斯分布的高斯分布，使用此高斯分布近似作為濾波算法中的非高斯噪聲分布；

　　9、其中，偽huber損失函數(shù)是huber損失的改進(jìn)，他對異常值魯棒，也存在解析解，主要用于控制函數(shù)從二次到線性切換的位置，此外該參數(shù)還用于剪裁梯度值，從而可以限制異常值的影響，公式如下：

　　11、其中，δ為可調(diào)的閾值參數(shù)，為誤差，對于較小的值，該損失函數(shù)近似值為而對于較大的值，該損失函數(shù)可近似為一條斜率為δ的直線，因此，其對異常值不敏感，具有很好的魯棒性，當(dāng)函數(shù)收斂后則意味著高斯噪聲已經(jīng)逼近非高斯噪聲yi了，此時優(yōu)化得到的即為高斯噪聲的期望和標(biāo)準(zhǔn)差。

　　12、使用梯度下降算法作為優(yōu)化算法來最小化偽huber損失函數(shù)，公式如下：

　　14、其中，parm為需要訓(xùn)練的參數(shù)，f()是包含參數(shù)的損失函數(shù)，具體分別是[μ,σ]和偽huber損失函數(shù)，當(dāng)函數(shù)收斂后則意味著高斯噪聲的概率密度已經(jīng)逼近非高斯噪聲的概率密度，此時優(yōu)化得到的和即為高斯噪聲的期望和標(biāo)準(zhǔn)差，利用此高斯分布特性來近似作為濾波中的過程噪聲方差q和量測噪聲方差r。

　　16、利用最大相關(guān)熵準(zhǔn)則對噪聲進(jìn)行預(yù)處理，通過調(diào)節(jié)卡爾曼濾波增益改變先驗(yàn)信息權(quán)重，得到消除脈沖噪聲影響的估計值，即首先利用容積變換獲得偽量測矩陣，并根據(jù)統(tǒng)計誤差線性傳遞模型對量測方程進(jìn)行近似處理，然后基于最大相關(guān)熵準(zhǔn)則構(gòu)造代價函數(shù)，并通過固定點(diǎn)迭代更新目標(biāo)估計狀態(tài)，獲得狀態(tài)估計性能；

　　17、已知k-1時刻的狀態(tài)估計值及估計協(xié)方差高斯核帶寬σ，收斂門限ε，采樣m個粒子，具體流程如下：

　　45、由于所以殘差向量各分量不相關(guān)。根據(jù)最大相關(guān)熵準(zhǔn)則，可構(gòu)造代價函數(shù)：

　　47、其中，gσ(·)為高斯核函數(shù)，σ為帶寬，表示向量的維度。表示向量的第l個元素，表示的第l行。故可知，在最大相關(guān)熵準(zhǔn)則下，的最優(yōu)估計可以轉(zhuǎn)化為求解以下優(yōu)化問題：

　　74、如果系統(tǒng)狀態(tài)發(fā)生異常時，需要通過調(diào)節(jié)狀態(tài)噪聲協(xié)方差來控制動態(tài)模型噪聲異常對狀態(tài)參數(shù)估值的影響。基于自適應(yīng)濾波思想，利用自適應(yīng)因子實(shí)時調(diào)整狀態(tài)參數(shù)協(xié)方差，從而控制動態(tài)模型異常對參數(shù)的影響。自適應(yīng)因子公式如下：

　　76、其中，c0∈(1.0～1.5),c1∈(3.0～8.0)，它是決定自適應(yīng)因子的取值，能夠反映出系統(tǒng)實(shí)際觀測值與狀態(tài)預(yù)估值之間的偏差。

　　90、預(yù)測：利用ckf算法構(gòu)造重要性密度函數(shù)，假設(shè)k-1時刻的狀態(tài)后驗(yàn)概率密度函數(shù)服從高斯分布且可表示為采樣m個粒子，則第i個粒子的后驗(yàn)密度可表示為通過ckf算法的時間更新完成對狀態(tài)和協(xié)方差的預(yù)測，得到k時刻的預(yù)測狀態(tài)和預(yù)測協(xié)方差：

　　必一運(yùn)動

　　93、更新：通過基于最大熵準(zhǔn)的容積卡爾曼濾波的測量更新得到k時刻的狀態(tài)和協(xié)方差的估計，同時在多傳感器的情況下通過序貫式融合得到最終的狀態(tài)估計(傳感器個數(shù)為n，下標(biāo)n代表傳感器序號)

　　120、本發(fā)明提供了一種新的用于在非線性非高斯環(huán)境下多傳感器融合的方法，與現(xiàn)有技術(shù)相比具備以下有益效果：

　　121、1、提出了一種高斯近似非高斯的方法，用近似的高斯分布作為系統(tǒng)的噪聲分布，同時在容積粒子濾波中加入了最大熵準(zhǔn)則，使得系統(tǒng)對非高斯噪聲具有魯棒性，最后將整個濾波算法加入序貫式融合中心，能夠提高整個融合算法的實(shí)時性，而本發(fā)明將非高斯噪聲考慮到了系統(tǒng)中，為準(zhǔn)確的濾波加入了最大熵準(zhǔn)則，使得系統(tǒng)能夠?qū)Ψ歉咚乖肼曯敯簦瑫r為了減小計算量，使用高斯近似非高斯的方法，提高了系統(tǒng)的實(shí)時性。

　　必一運(yùn)動