动态模型偏差校正在列车组合定位中的应用

摘要：

扩展卡尔曼滤波(Extended Kalman filter,EKF)的准确性依赖于观测的质量、观测对象的非线性程度及动态模型的准确性.该方法通常假设其动态模型是不变的,而且默认为非线性程度较弱,这些在实际的车辆运动中都是不可靠的处理方式.本文提出了一种利用最小二乘支持向量机(Least squares support vector machine,LSSVM)的技术增强扩展卡尔曼滤波的新算法.LSSVM改进后的EKF算法(LSSVM-EKF)一定程度上弥补了EKF处理强非线性问题的不足;而且可以自适应地估计历史数据的动态建模偏差,并使用估计偏差来补偿动态模型.开发了一种引入Allan方差的K折交叉验证方法来确定LSSVM的训练参数;将动态模型偏差通过有限数据集与LSSVM一起训练;并引入无损变换将LSSVM与EKF进行了集成.为了验证算法,最后设计了车载试验,并采用列车数据验证了文中所提的方法,结果表明LSSVM-EKF可以较好地适应实际车辆运动环境,可以提供一种可用的车辆定位方法.

关键词：扩展卡尔曼滤波、最小二乘支持向量机、非线性、动态模型、Allan方差

所属期刊栏目：45

资助基金：国家自然科学基金;甘肃省高等学校科研项目;甘肃省自然基金

在线出版日期：2020-03-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：2281-2293