最大相关熵卡尔曼滤波误差修正方法

doi:10.3969/j.issn.1009-086x.2024.05.017

摘要/Abstract

摘要：

针对各类设备性能参数测试过程中，由于测试设备自身误差和测试人员操作不当带来的测试数据误差问题，提出一种最大相关熵卡尔曼滤波（maximum correlation entropy Kalman filter，MCKF）误差修正方法。该方法通过引入最大相关熵，对测试数据中的非高斯噪声干扰进行处理，提高误差修正精度。将其运用到某设备性能参数测试数据的误差修正中，仿真结果表明：该方法能够有效处理测试数据中的非高斯噪声干扰对误差修正精度带来的影响。

Abstract:

A maximum correlation entropy Kalman filter （MCKF） error correction method is proposed to address the issue of test data errors caused by errors in the testing equipment itself and improper operation by testing personnel during the testing process of various equipment performance parameters. This method improves the accuracy of error correction by introducing maximum correlation entropy to process non Gaussian noise interference in test data. Applying it to the error correction of performance parameter test data of a certain device， the simulation results show that this method can effectively handle the impact of non Gaussian noise interference on the error correction accuracy in the test data.

Key words: Kalman filtering, maximum correlation entropy, test data, non Gaussian noise, error correction

中图分类号:

TJ760.6

赵建印, 毛廷鎏, 杨根庆, 孙伟赫. 最大相关熵卡尔曼滤波误差修正方法[J]. 现代防御技术, 2024, 52(5): 156-161.

Jianyin ZHAO, Tingliu MAO, Genqing YANG, Weihe SUN. Maximum Correlation Entropy Kalman Filter Error Correction Method[J]. Modern Defense Technology, 2024, 52(5): 156-161.

图/表 4

参考文献 16

1	KALMAN R E. A New Approach to Linear Filtering and Prediction Problems［J］. Journal of Basic Engineering， 1960， 82（1）： 35-45.
2	辛英，于静. 自适应卡尔曼滤波算法改进与仿真［J］. 中国科技信息， 2011（22）： 59-60.
	XIN Ying， YU Jing. Improvement and Simulation of Adaptive Kalman Filter Algorithm［J］. China Science and Technology Information， 2011（22）： 59-60.
3	范炜，李勇. 近似二阶扩展卡尔曼滤波方法研究［J］. 空间控制技术与应用， 2009， 35（1）： 30-35.
	FAN Wei， LI Yong. A Method of Approximate Second-Order Extended Kalman Filter［J］. Aerospace Control and Application， 2009， 35（1）： 30-35.
4	黄铫，张天骐，高清山，等. 一种提高无迹卡尔曼滤波精确度的方法［J］. 计算机仿真， 2010， 27（3）： 348-352.
	HUANG Diao， ZHANG Tianqi， GAO Qingshan， et al. A Method Improving the Accuracy of UKF［J］. Computer Simulation， 2010， 27（3）： 348-352.
5	王磊，程向红，李双喜. 高斯和高阶无迹卡尔曼滤波算法［J］. 电子学报， 2017， 45（2）： 424-430.
	WANG Lei， CHENG Xianghong， LI Shuangxi. Gaussian Sum High Order Unscented Kalman Filtering Algorithm［J］. Acta Electronica Sinica， 2017， 45（2）： 424-430.
6	王玉平，蔡元龙，耿中行. 基于小波变换的滤波方法［J］. 信息与控制， 1996， 25（4）： 199-205.
	WANG Yuping， CAI Yuanlong， GENG Zhongxing. Filtering Based on Wavelet Transform［J］. Information and Control， 1996， 25（4）： 199-205.
7	SILVERMAN B W. Density Estimation for Statistics and Data Analysis［J］. Monographs on Statistics and Applied Probability， 1986.
8	CHERKASSKY V. The Nature of Statistical Learning Theory［J］. IEEE Transactions on Neural Networks， 1997， 8（6）： 1564.
9	SANTAMARIA I， POKHAREL P P， PRINCIPE J C. Generalized Correlation Function： Definition， Properties， and Application to Blind Equalization［J］. IEEE Transactions on Signal Processing， 2006， 54（6）： 2187-2197.
10	HUANG C H， LEE L H， HO C C， et al. Real-Time RFID Indoor Positioning System Based on Kalman-Filter Drift Removal and Heron-Bilateration Location Estimation［J］. IEEE Transactions on Instrumentation and Measurement， 2015， 64（3）： 728-739.
11	DU Guanglong， ZHANG Ping. A Markerless Human-Robot Interface Using Particle Filter and Kalman Filter for Dual Robots［J］. IEEE Transactions on Industrial Electronics， 2015， 62（4）： 2257-2264.
12	罗贞. 基于卡尔曼滤波器的系统状态估计和故障检测［D］. 武汉：华中科技大学， 2013.
	LUO Zhen. State Estimation and Fault Detection for Systems Based on Kalman Filter［D］. Wuhan： Huazhong University of Science and Technology， 2013.
13	周倩，关军龙，郑苏生. 基于卡尔曼滤波算法的急救医疗服务最优路径预测研究［J］. 信息技术与信息化， 2022（5）： 213-216.
	ZHOU Qian， GUAN Junlong， ZHENG Susheng. Research on the Optimal Path Prediction of Emergency Medical Services Based on Kalman Filter Algorithm［J］. Information Technology and Informatization， 2022（5）： 213-216.
14	ERDOGMUS D， PRINCIPE J C. An Error-Entropy Minimization Algorithm for Supervised Training of Nonlinear Adaptive Systems［J］. IEEE Transactions on Signal Processing， 2002， 50（7）： 1780-1786.
15	ERDOGMUS D， AGRAWAL R， PRINCIPE J C. A Mutual Information Extension to the Matched Filter［J］. Signal Processing， 2005， 85（5）： 927-935.
16	JEONG K H， POKHAREL P P， XU Jianwu， et al. Kernel Based Synthetic Discriminant Function for Object Recognition［C］∥2006 IEEE International Conference on Acoustics Speech and Signal Processing Proceedings. Piscataway： IEEE， 2006： V765-V768.

序号	标准值	测试值	测试误差
1	1.948	1.615	-0.333
2	1.867	2.137	0.270
3	1.894	1.659	-0.235
4	1.831	2.089	0.258
5	1.724	1.971	0.247
6	1.842	1.513	-0.329
7	1.657	1.214	-0.443
8	1.558	1.917	0.359
9	1.582	1.793	0.211
10	1.545	1.316	-0.229

序号	标准值	测试值	测试误差
1	1.948	1.615	-0.333
2	1.867	2.137	0.270
3	1.894	1.659	-0.235
4	1.831	2.089	0.258
5	1.724	1.971	0.247
6	1.842	1.513	-0.329
7	1.657	1.214	-0.443
8	1.558	1.917	0.359
9	1.582	1.793	0.211
10	1.545	1.316	-0.229

标准值	测试值	测试误差	卡尔曼滤波误差	最大相关熵卡尔曼滤波误差
1.948	1.615	-0.333	-0.208	-0.037
1.867	2.137	0.270	0.021	0.069
1.894	1.659	-0.235	0.048	-0.037
1.831	2.089	0.258	-0.029	0.013
1.724	1.971	0.247	-0.147	0.069
1.842	1.513	-0.329	0.258	-0.029
1.657	1.214	-0.443	-0.301	-0.031
1.558	1.917	0.359	-0.065	0.141
1.582	1.793	0.211	-0.169	0.067
1.545	1.316	-0.229	-0.081	-0.030

标准值	测试值	测试误差	卡尔曼滤波误差	最大相关熵卡尔曼滤波误差
1.948	1.615	-0.333	-0.208	-0.037
1.867	2.137	0.270	0.021	0.069
1.894	1.659	-0.235	0.048	-0.037
1.831	2.089	0.258	-0.029	0.013
1.724	1.971	0.247	-0.147	0.069
1.842	1.513	-0.329	0.258	-0.029
1.657	1.214	-0.443	-0.301	-0.031
1.558	1.917	0.359	-0.065	0.141
1.582	1.793	0.211	-0.169	0.067
1.545	1.316	-0.229	-0.081	-0.030

模型	均方根误差	百分比误差/%
卡尔曼滤波	0.162 8	7.67
最大相关熵卡尔曼滤波	0.062 8	3.09