跳变马尔可夫系统的最大混合相关熵状态估计

doi:10.12263/DZXB.20201128

电子学报 ›› 2021, Vol. 49 ›› Issue (11): 2225-2233.DOI: 10.12263/DZXB.20201128

跳变马尔可夫系统的最大混合相关熵状态估计

沈忱¹^,², MIHAYLOVA Lyudmila²

^1.浙江工商大学信息与电子工程学院(萨塞克斯人工智能学院), 浙江杭州 310018
^2.谢菲尔德大学自动控制与系统工程系, 谢菲尔德 S10 2TN

收稿日期:2020-10-13 修回日期:2020-12-17 出版日期:2021-11-25 发布日期:2021-11-25
作者简介:沈忱（通信作者）男，1988年1月出生于浙江宁波，现为浙江工商大学专任教师，主要研究方向为信息与信号处理、传感器网络技术等.E-mail:write2shen@sina.com
Lyudmila Mihaylova 女，现为英国谢菲尔德大学信号处理与控制方向教授，主要研究方向为信息融合、序贯蒙特卡罗方法、智能自主系统、机器学习等.E-mail:l.s.mihaylova@sheffield.ac.uk
基金资助:
浙江省自然科学基金(LQ18F030003);国家留学基金(201908330102)

Maximum Mixture Correntropy State Estimation for Jump Markov Systems

Chen SHEN¹^,², Lyudmila MIHAYLOVA²

^1.School of Information and Electronic Engineering （Sussex Artificial Intelligence Institute），Zhejiang Gongshang University，Hangzhou，Zhejiang 310018，China
^2.Department of Automatic Control and Systems Engineering，University of Sheffield，Sheffield S10 2TN，UK

Received:2020-10-13 Revised:2020-12-17 Online:2021-11-25 Published:2021-11-25

摘要/Abstract

摘要：

依托于多模型框架的跳变马尔可夫系统状态估计的性能通常受限于多模型间的信息融合程度.本文以交互式多模型方法为框架，针对跳变马尔可夫系统提出了一种基于最大混合相关熵的状态估计方法.为了能有效处理模型高阶信息，在混合和融合步骤引入最大混合相关熵测度替代常规的二阶统计矩准则，设计了关于系统状态的代价函数，通过最优化该函数得到状态估计的迭代解.仿真实验详尽展示了所提方法的主要特征，并表明其在高斯和非高斯噪声环境下都具有较好的估计效果.

关键词: 混合相关熵, 状态估计, 模型不确定

Abstract:

State estimation for jump Markov systems based on multiple models is usually influenced by the quality of model fusion. In this article, we propose a novel state estimation approach for the jump Markov systems based on the maximum mixture correntropy criterion (MMCC). The proposed approach is implemented within the framework of the interacting multiple models. To capture high order information from multiple models, we utilize the MMCC instead of second-order statistical measures at the mixing and fusion stages, respectively. Two cost functions with respect to the system state at different stages are designed and optimized to yield the resultant iterative solutions. Extensive simulated results present the feature of the proposed MMCC based approach, and prove its efficacy for both Gaussian and non-Gaussian cases.

Key words: mixture correntropy, state estimation, model uncertainty

中图分类号:

TP212.6

沈忱, MIHAYLOVA Lyudmila. 跳变马尔可夫系统的最大混合相关熵状态估计[J]. 电子学报, 2021, 49(11): 2225-2233.

Chen SHEN, Lyudmila MIHAYLOVA. Maximum Mixture Correntropy State Estimation for Jump Markov Systems[J]. Acta Electronica Sinica, 2021, 49(11): 2225-2233.

图/表 8

图1 位置估计RMSE (高斯噪声情形)

图2 速度估计RMSE (高斯噪声情形)

图3 迭代次数对估计误差的影响

图4 计算开销比对

图5 目标运动和跟踪轨迹图

图6 位置估计RMSE(非高斯噪声情形)

图7 速度估计RMSE(非高斯噪声情形)

图8 核带宽参数对估计结果的影响

参考文献 38

1	Wang D J， Lv H F， Wu J. Augmented cubature Kalman filter for nonlinear RTK/MIMU integrated navigation with non-additive noise［J］. Measurement， 2017， 97： 111－125.
2	Huang Y L， Zhang Y G. A new process uncertainty robust student’s t based Kalman filter for SINS/GPS integration［J］. IEEE Access， 2017， 5： 14391－14404.
3	Huang W， Xie H S， Shen C， et al. A robust strong tracking cubature Kalman filter for spacecraft attitude estimation with quaternion constraint［J］. Acta Astronautica， 2016， 121： 153－163.
4	Nurminen H， Ardeshiri T， Piche R， al el. Robust inference for state-space models with skewed measurement noise［J］. IEEE Signal Processing Letters， 2015， 22（11）： 1898－1902.
5	Hawes M， Amer H M， Mihaylova L. Traffic state estimation via a particle filter over a reduced measurement space［A］. 20th International Conference on Information Fusion［C］. Xi’an， China： IEEE， 2017. 1－8.
6	Cowpertwait P S P， Metcalfe A V. Introductory Time Series with R［M］. New York， USA： Springer-Verlag， 2009.
7	Costa O L V， Fragoso M D， Marques R P. Discrete-Time Markov Jump Linear Systems［M］. London，UK： Springer-Verlag， 2005.
8	Fang Y G， Loparo K A. Stochastic stability of jump linear systems［J］. IEEE Transactions on Automatic Control， 2002， 47（7）： 1204－1208.
9	Li X R， Jilkov V P. Survey of maneuvering target tracking. Part V： multiple-model methods［J］. IEEE Transactions on Aerospace and Electronic Systems， 2005， 41（4）： 1255－1321.
10	Magill D. Optimal adaptive estimation of sampled stochastic processes［J］. IEEE Transactions on Automatic Control， 1965， 10（4）： 434－439.
11	Chang C B， Athans M. State estimation for discrete systems with switching parameters［J］. IEEE Transactions on Aerospace and Electronic Systems， 1978， 14（3）： 418－425.
12	Blom H A P， Bar-Shalom Y. The interacting multiple model algorithm for systems with Markovian switching coefficients［J］. IEEE Transactions on Automatic Control， 1988， 33（8）： 780－783.
13	Doucet A， Gordon N J， Krishnamurthy V. Particle filters for state estimation of jump Markov linear systems［J］. IEEE Transactions on Signal Processing， 2001， 49（3）： 613－624.
14	Blom H A P， Bloem E A. Exact Bayesian and particle filtering of stochastic hybrid systems［J］. IEEE Transactions on Aerospace and Electronic Systems， 2007， 43（1）： 55－70.
15	梁彦，程咏梅，贾宇岗，等. 交互式多模型算法性能分析［J］. 控制理论与应用， 2001， 18（4）： 487－492.
	Liang Y， Cheng Y M， Jia Y G， et al. Analysis on the performance and properties of interacting multiple models algorithm［J］. Control Theory and Applications， 2001， 18（4）： 487－492. （in Chinese）
16	Li W L， Jia Y M. An information theoretic approach to interacting multiple model estimation［J］. IEEE Transactions on Aerospace and Electronic Systems， 2015， 51（3）： 1811－1825.
17	王树亮，毕大平，阮怀林，等. 基于信息熵准则的认知雷达机动目标跟踪算法［J］. 电子学报， 2019， 47（6）： 1277－1284.
	Wang S L， Bi D P， Ruan H L， et al. Cognitive radar maneuvering target tracking algorithm based on information entropy criterion［J］. Acta Electronica Sinica， 2019， 47（6）： 1277－1284. （in Chinese）
18	Johnston L A， Krishnamurthy V. An improvement to the interacting multiple model （IMM） algorithm［J］. IEEE Transactions on Signal Processing， 2001， 49（12）： 2909－2923.
19	许登荣，程水英，包守亮. 自适应转移概率交互式多模型跟踪算法［J］. 电子学报， 2017， 45（9）： 2113－2120.
	Xu D R， Cheng S Y， Bao S L. Interacting multiple model algorithm based on adaptive transition probability［J］. Acta Electronica Sinica， 2017， 45（9）： 2113－2120. （in Chinese）
20	臧荣春，崔平远. 马尔可夫参数自适应IFIMM算法研究［J］. 电子学报， 2006， 34（3）： 521－524.
	Zang R C， Cui P Y. Research on adaptive Markov parameter IFIMM algorithm［J］. Acta Electronica Sinica， 2006， 34（3）： 521－524. （in Chinese）
21	Lan J， Li X R， Mu C D. Best model augmentation for variable-structure multiple-model estimation［J］. IEEE Transactions on Aerospace and Electronic Systems， 2011， 47（3）： 2008－2025.
22	Principe J C. Information Theoretic Learning： Renyi’s Entropy and Kernel Perspectives［M］. New York，USA： Springer-Verlag， 2010.
23	Liu W， Pokharel P P， Principe J C. Correntropy： properties and applications in non-Gaussian signal processing［J］. IEEE Transactions on Signal Processing， 2007， 55（11）： 5286－5298.
24	Wang F， He Y C， Wang S Y， et al. Maximum total correntropy adaptive filtering against heavy-tailed noises［J］. Signal Processing， 2017， 141： 84－95.
25	Ma W T， Qu H， Gui G， et al. Maximum correntropy criterion based sparse adaptive filtering algorithms for robust channel estimation under non-Gaussian environments［J］. Journal of the Franklin Institute， 2015， 352： 2708－2727.
26	Peng S Y， Chen B D， Sun L， al el. Constrained maximum correntropy adaptive filtering［J］. Signal Processing， 2017， 140： 116－126.
27	Chen B D， Liu X， Zhao H Q， et al. Maximum correntropy Kalman filter［J］. Automatica， 2017， 76： 70－77.
28	Liu X， Chen B D， Xu B， et al. Maximum correntropy unscented filter［J］. International Journal of Systems Science， 2017， 48（8）： 1607－1615.
29	Liu X， Qu H， Zhao J H， et al. Extended Kalman filter under maximum correntropy criterion［A］. Proceedings of International Joint Conference on Neural Networks［C］. Vancouver， Canada： IEEE， 2016.1733－1737.
30	Wang G Q， Li N， Zhang Y G. Maximum correntropy unscented Kalman and information filters for non-Gaussian measurement noise［J］. Journal of the Franklin Institute， 2017， 354： 8659－8677.
31	Liu X， Qu H， Zhao J H， et al. Maximum correntropy square-root cubature Kalman filter with application to SINS/GPS integrated systems［J］. ISA Transactions， 2019， 80： 195－202.
32	Liu D， Chen X Y， Xu Y， et al. Maximum correntropy generalized high-degree cubature Kalman filter with application to the attitude determination system of missile［J］. Aerospace Science and Technology， 2019， 95： 105441.
33	Zhou W D， Liu M M. Robust interacting multiple model algorithms based on multi-sensor fusion criteria［J］. International Journal of Systems Science， 2015， 47（1）： 92－106.
34	Li D， Sun J. Robust interacting multiple model filter based on Student’s t-distribution for heavy-tailed measurement noises［J］. Sensors， 2019， 19（22）： 4830.
35	Chen B D， Wang X， Lu N， et al. Mixture correntropy for robust learning［J］. Pattern Recognition， 2018， 79： 318－327.
36	Battistelli G， Chisci L. Kullback-Leibler average， consensus on probability densities， and distributed state estimation with guaranteed stability［J］. Automatica， 2014， 50： 707－718.
37	戴定成，姚敏立，蔡宗平，等. 改进的马尔可夫参数自适应IMM算法［J］. 电子学报， 2017， 45（5）： 1198－1205.
	Dai D C， Yao M L， Cai Z P， et al. Improved adaptive Markov IMM algorithm［J］. Acta Electronica Sinica， 2017， 45（5）： 1198－1205. （in Chinese）
38	Seah C E， Hwang I. Algorithm for performance analysis of the IMM algorithm［J］. IEEE Transactions on Aerospace and Electronic Systems， 2011， 47（2）： 1114－1124.

[1]	乔少杰, 韩楠, 朱新文, 舒红平, 郑皎凌, 元昌安. 基于卡尔曼滤波的动态轨迹预测算法[J]. 电子学报, 2018, 46(2): 418-423.
[2]	闻新, 张兴旺, 张威. 基于HBF神经网络的自适应观测器[J]. 电子学报, 2015, 43(7): 1315-1319.
[3]	崔亚奇, 熊伟, 何友. 基于目标指示的两坐标警戒雷达目标高度补偿状态估计[J]. 电子学报, 2015, 43(3): 475-482.
[4]	徐树生, 林孝工. 船舶动力定位多传感器闭环分级融合算法[J]. 电子学报, 2014, 42(3): 512-516.
[5]	徐立中;丁晓峰;王鑫;吕国芳;黄凤辰;. 基于信赖域的序贯拟蒙特卡洛滤波算法[J]. 电子学报, 2011, 39(3A): 24-30.
[6]	范红旗;王胜;付强. 离散时间二人随机微分对策问题信息模式的数学描述[J]. 电子学报, 2010, 38(6): 1355-1361.
[7]	侯代文; 殷福亮. 基于粒子滤波的交互式多模型说话人跟踪方法[J]. 电子学报, 2010, 38(4): 835-0841.
[8]	梁军;彭喜元. 基于Sh相关系数的非线性系统状态粒子估计算法[J]. 电子学报, 2010, 38(2A): 165-168.
[9]	马野;由大德;盖强. 动态系统参数与状态联邦双估计方法研究[J]. 电子学报, 2007, 35(12): 2315-2318.
[10]	熊伟;何友;张晶炜. 多传感器顺序粒子滤波算法[J]. 电子学报, 2005, 33(6): 1116-1119.
[11]	齐国元;陈增强;薛薇;袁著祉. 一类新型非线性随机系统微分状态估计器和控制器[J]. 电子学报, 2004, 32(4): 693-696.
[12]	袁泽剑;郑南宁;贾新春. 高斯-厄米特粒子滤波器[J]. 电子学报, 2003, 31(7): 970-973.
[13]	柯晶;钱积新. 基于逻辑切换的改进强跟踪卡尔曼滤波器[J]. 电子学报, 2002, 30(6): 925-927.

跳变马尔可夫系统的最大混合相关熵状态估计

Maximum Mixture Correntropy State Estimation for Jump Markov Systems

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 38

相关文章 13

编辑推荐

Metrics