申请/专利权人：河海大学

申请日：2023-12-14

公开（公告）日：2024-05-17

公开（公告）号：CN117713750B

主分类号：H03H21/00

分类号：H03H21/00;H03H17/02

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本专利提供了一种基于分数次幂的一致性卡尔曼滤波状态估计方法。该方法包括以下步骤：S1：初始化：获取传感器网络中给定的初始状态估计值和初始误差协方差矩阵；S2：在传感器网络中，各个传感器节点从邻居节点接受新的数据，对相邻传感器节点的观测值以及协方差进行一致化预处理；S3：各传感器节点利用基于分数次幂α1的卡尔曼滤波算法，获得此刻的状态估计值；S4：各个传感器节点，与其邻居传感器节点相互交换状态估计值，采用基于分数次幂α2的一致性算法，修正当前的状态估计值；S5：各个传感器节点计算下一时刻的状态预测值和误差协方差预测值，返回步骤S2循环。本发明可以有效加快算法收敛速度，增强状态估计的稳定性以及估计精度和一致性，使得所有传感器的状态估计更加趋于一致。

主权项：1.一种基于分数次幂的一致性卡尔曼滤波的分布式状态估计方法，其特征在于：该方法包括以下步骤：S1：初始化：获取传感器网络中给定的初始状态估计值和初始误差协方差矩阵；S2：在传感器网络中，各个传感器节点从其邻居传感器节点接受新的数据，对观测值以及协方差进行一致化预处理；S3：各传感器节点利用基于分数次幂α1的局部卡尔曼滤波算法，获得此刻的状态估计值，具体地，各个传感器节点通过下式基于分数次幂α1的局部卡尔曼滤波算法计算此刻的状态估计值，其中所述的局部卡尔曼滤波算法基于每个传感器节点的测量数据和先前的状态估计结果，以预测状态和更新状态估计： 其中，表示k时刻传感器节点i更新后的估计误差协方差矩阵，表示k时刻传感器节点i未进行一致化预处理前的协方差矩阵，表示一致化预处理后传感器节点i在k时刻的协方差矩阵，表示k时刻传感器节点i在进行局部卡尔曼滤波后的状态估计值，表示一致化预处理后传感器节点i在k时刻的观测值，表示k时刻第i个传感器的状态预测值，所述方法中的α1必须满足0α12，且根据幂律运算规则，上述公式需转换为： 其中sgn·表示符号函数；S4：各个传感器节点，与其邻居传感器节点相互交换状态估计值，采用基于分数次幂α2的一致性算法，修正当前的状态估计值，具体地，各个传感器节点，与其邻居传感器节点相互交换状态估计值通过下式基于分数次幂α2的一致性算法，修正当前的状态估计值，得到最终的状态估计值： 其中，表示第i个传感器在k时刻的状态估计值，表示k时刻邻居传感器节点j经过局部卡尔曼滤波后的状态估计值，为边缘集合，边缘i,j∈ε表示第j个传感器节点能够将其信息传送到第i个传感器，与第i个传感器相连的邻居节点集称为传感器节点i的邻居集Ni＝{j|j,i∈ε}，并定义包含传感器节点i的集合Ji＝Ni∪{i}；α2必须满足0α22，且根据幂律运算规则，上述公式需转换为： S5：各个传感器节点计算下一时刻的状态预测值和误差协方差预测值，返回步骤S2循环至采样时刻k大于所设定的采样次数，循环结束。

全文数据：

权利要求：

百度查询： 河海大学 一种基于分数次幂的一致性卡尔曼滤波状态估计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD