一种基于自适应滤波算法的数据处理方法与流程

本发明涉及光电通信算法，具体是一种基于自适应滤波算法的数据处理方法。

背景技术：

1、随着空间技术的发展，卫星激光通信技术的需求和应用不断增长。卫星激光通信的基本原理是把激光作为载波，通过自由空间和大气作为载体，实现数据的高效快速传输的通信方式。卫星激光通信系统具有频带宽、传输速度高、安全性能高、设备体积小、重量轻、系统功耗低等一系列优点，已经逐步成为目前新兴的发展产业。

2、卫星激光通信研究的重点是对准、捕获、跟踪(pat:pointing acquisitiontracking)技术，卫星激光通信技术中的主要技术之一，基本上所有的卫星激光通信系统终端都利用pat技术实现对光斑的捕捉与跟踪。在捕获和跟踪的实现中，需要依赖位置检测元器件结合光斑定位算法来进行光斑位置的解算，普遍使用的位置检测元器件有位置敏感探测器(psd:position sensitive device)、电荷耦合探测器(ccd:charge-coupleddevice)、四象限探测器(qd)等。

3、随着光纤技术的发展，传统卫星激光通讯系统中采用的800nm波段已经向1550nm波段的激光光源方向发展，具有更强的穿透性且受大气湍流影响小。传统的psd器件其光斑检测精度较低，且边缘处的线性度极差，空间分辨率较低已经逐渐无法满足远距离空间激光通信的高定位精度要求。电荷耦合探测器(ccd)探测器在1550nm波段范围的光电转换能力较差且高帧频ccd相机造价昂贵，且其处理电路复杂输出信号不连续。四象限探测器(qd)具有更高的响应度、探测灵敏度和空间分辨率。为了追求最小分辨率能达到微米级别的光斑辨识能力，需要对位置检测元器件采样的信号进行滤波处理。

4、基础的滤波算法适用于外部环境较稳定且无高精度要求的静态采样。以使用卡尔曼滤波算法为例，通过建立数据模型实现状态空间描述，再使用卡尔曼滤波算法进行状态估计，该方法是一种自回归数据处理算法，其核心思想是对动态系统的状态做最小均方意义上的最优估计，因此估计精度较高。

5、自适应滤波算法是为了应对工作环境中复杂且多变的外部环境，实现实时动态采样，同时取得很高的有效信号分辨能力。以自适应卡尔曼滤波算法为例，作为一种去除干扰数据，获得优质估计结果的算法，在经典卡尔曼滤波的基础之上更具策略对参数q和r进行动态修改，既不影响带宽且不局限于固定的频率滤波范围，相比于传统的卡尔曼滤波器更能兼顾静态采样和动态跟随能力，对于电磁干扰也具备一定的防范和抑制功能。

技术实现思路

1、本发明的目的是解决激光通讯数据处理中存在的噪声干扰问题，在例如卡尔曼滤波等基本滤波算法基础上建立自适应的滤波算法，通过建立数据模型实现状态空间描述，并对滤波参数进行动态修正和更新。通过额外的硬件信息，辅助自适应滤波进行准确的滤波策略判断。为实现上述目的，本发明采用以下技术方案是:

2、一种基于自适应滤波算法的数据处理方法，所述步骤包括：

3、s1，定义浮空信号为vfloat，vfloat为硬件实际采集信号，设定浮空信号vfloat正常上下浮动范围为±gfloat,干扰阈值上容差、下容差分别为lfloat_low和lfloat_high，参数预测值固定值q1、r1、q2、r2；

4、s2，对浮空信号vfloat进行采集，定义并计算浮空信号vfloat在模取n时的平均采样值为vfloat_ave，对浮空信号vfloat进行判断；

5、s3，当vfloat>vfloat_ave+lfloat_high和vfloat<vfloat_ave-lfloat_low时，判定观测数据受外部一级干扰，通过标准卡尔曼滤波算法对观测数据进行处理；

6、其中，参数qk和rk分别采用q1和r1两个固定值；

7、s4，当vfloat>vfloat_ave+2lfloat_high和vfloat<vfloat_ave-2lfloat_low时，判定观测数据受外部二级干扰，通过标准卡尔曼滤波算法对观测数据进行处理；其中，参数qk和rk分别采用q2和r2两个固定值；

8、s5，定义零均值高斯白噪声序列为新息序列ek，当vfloat_ave-lfloat_low<vfloat<vfloat_ave+lfloat_high时，判定系统受外部干扰较小，新息序列ek开始更新，实时调整参数qk和rk，采用自适应滤波算法对观测数据进行处理；

9、其中，参数qk和rk采用以下计算公式获取并参与数据处理，

10、

11、

12、进一步地，所述标准卡尔曼滤波算法的状态方程和观测方程可如下表示：

13、xk＝fk-1xk-1+bkuk+wk，

14、yk＝hkxk+vk，

15、式中xk，xk-1是k时刻和k-1时刻的系统状态量，fk-1是k-1时刻的系统状态转移矩阵，bk是输入矩阵，wk是系统的过程噪声，uk是k时刻给到xk的输入量；vk是系统的观测噪声，yk是经测量后的输出量，hk是测量矩阵；

16、标准卡尔曼滤波算法由状态预测部分和状态更新部分两个主要部分组成，

17、其中，状态预测部分如下；

18、状态预测，

19、

20、求解误差协方差矩阵，

21、

22、上式中：是先验估计状态向量，是k-1时刻先验估计状态向量，fk是k时刻的系统状态转移矩阵，bk是输入矩阵，uk-1是k-1时刻给到xk的输入量；

23、pk|k-1是对应状态误差的协方差，即先验估计状态协方差；qk是均值为0的高斯系统过程噪声的协方差矩阵,pk-1|k-1是k-1时刻对应状态误差的协方差；

24、其中，状态更新部分如下；

25、求解卡尔曼增益矩阵；

26、

27、状态预测更新；

28、

29、误差协方差更新；

30、pk|k＝(1-kkhk)pk|k-1，

31、上式中：表示后验估计状态向量；pk|k对应状态误差的协方差，即后验估计误差协方差；kk为k时刻的增益矩阵；rk是均值为0的高斯测量过程噪声的协方差矩阵。

32、进一步地，所述步骤s5中，自适应滤波算法的具体内容为：

33、将标准卡尔曼滤波算法的状态方程和观测方程由连续方程修改为离散方程，离散状态表达式一般表示为；

34、xk＝fk-1(xk-1,uk-1)+wk-1，

35、yk＝hk(xk)+vk，

36、上式中，xk，xk-1是k时刻和k-1时刻的系统状态量，uk-1是k-1时刻给到xk的输入量，fk-1(xk-1,uk-1)是非线性卡尔曼系统的状态转移函数，wk-1是k-1时刻系统的过程噪声；

37、yk是经测量后的输出量，hk(xk)是非线性测量函数，vk是k时刻系统的观测噪声；

38、将非线性状态转移函数在处用一阶泰勒展开式展开，忽略二阶及以上的高阶式；

39、

40、将非线性测量函数在处用一阶泰勒展开式展开，忽略二阶及以上的高阶式；

41、

42、通过一阶泰勒展开式展开进行线性化后，状态表达式为；

43、

44、

45、上式中，fk-1是k-1时刻的系统状态转移矩阵，hk是测量矩阵；

46、

47、

48、进一步地，所述自适应滤波算法由状态预测部分和状态更新部分两个主要部分组成，递推过程如下：

49、状态预测，

50、

51、求解误差协方差矩阵，

52、

53、上式中，是先验估计状态向量，pk|k-1是对应状态误差的协方差，即先验估计状态协方差，qk是均值为0的高斯系统过程噪声的协方差矩阵，qk-1为k-1时刻的高斯系统过程噪声的协方差矩阵，pk-1|k-1是对应状态误差的协方差，是k-1时刻先验估计状态向量；

54、求解卡尔曼增益矩阵；

55、

56、状态预测更新；

57、

58、误差协方差更新；

59、

60、上式中：表示后验估计状态向量；pk|k对应状态误差的协方差，即后验估计误差协方差；kk为k时刻的增益矩阵；rk是均值为0的高斯测量过程噪声的协方差矩阵。

61、进一步地，所述步骤s5中，新息序列ek的表达式为，

62、

63、其中，新息序列的协方差表达式为，

64、

65、新息序列方差矩阵ck的估计值的表达式为，

66、 ，

67、

68、上式中，i0＝k-n+1，(k≥n)，其中k表示当前时刻为k，n为参与计算的数量。

69、进一步地，所述rk、qk的验证推导过程内容为：

70、所述新息序列的协方差表达式为，

71、

72、反推出rk的计算公式为，

73、

74、结合误差协方差矩阵可得出，

75、

76、qk的计算公式为，

77、

78、

79、本发明的积极进步效果在于：本方案采用的自适应滤波算法，在经典卡尔曼滤波的基础之上更具策略对参数q和r进行动态修改，既不影响带宽且不局限于固定的频率滤波范围，相比于传统的卡尔曼滤波器更能兼顾静态采样和动态跟随能力，对于电磁干扰也具备一定的防范和抑制功能。新息序列ek的引入可以帮助参数qk和rk进行实时修改和调整，基本达成了自适应滤波的基础功能，实现了卡尔曼滤波器的最优估计值会随状态变化速率建立了对应关系。但实际工程中并不是每一次采样值变化都是有效变化，当系统受到噪声等干扰时，也会导致采样值的变化，定义为干扰变化或是无效变化。干扰变化或是无效变化参数qk和rk将根据判定条件采用对应参数预测值固定值q1、r1或q2、r2，保证卡尔曼滤波的基础功能。