基于MCMC粒子滤波的GPS接收机自主完好性监测算法研究*王尔申，张淑芳，胡青（大连海事大学信息科学技术学院大连116026）摘要：提出将马尔可夫蒙特卡罗方法与标准的粒子滤波算法有机结合应用于接收机自主完好性监测（RAIM）中。通过状态观测概率密度似然比方法建立一致性检验统计量进行卫星故障的检测与隔离。对算法进行了数学建模，描述了算法的流程。通过实测数据验证，结果表明，该方法在非高斯测量噪声情况下可以对状态进行精确的估计，成功检测和隔离故障卫星，克服了卡尔曼滤波的RAIM算法在处理非高斯测量噪声时性能下降的问题，从而验证了MCMC粒子滤波在接收机自主完好性监测中的有效性。关键词：GPS；粒子滤波；接收机自主完好性监测；马尔可夫蒙特卡罗方法；故障检测：TN967.1文献标识码：A国家标准学科分类代码：510.40ResearchonGPSreceiverautonomousintegritymonitoringalgorithmbasedonM-CMCpfilteringWangErshen,ZhangShufang,HuQing(CollegeofInformationScienceandTechnology,DalianMaritimeUniversity,Dalian116026,China)Abstract：TheinvestigationpresentsanewapproachcombiningMarkovChainMonteCarlomethodandstandardpfilter-ingforGPSreceiverautonomousintegritymonitoring.Theloglikelihoodratio(LLR)testbasedonprobabilitydensityfunc-tionofstate-measurementissetup.TheconsistencytestutilizingLL-Risdevisedforsatellitefaultdetectionandisolation(FDI).MathematicmodelandalgorithmflowforFDIaredescribedin-detail.ExperimentalresultsbasedonrealGPSdatademonstratethatthealgorithmcanestimatethestatepreciselyundernon-Gaussianmeasurementnoise,detectandisolateGPSsatellitefailuressuccessfullyandsolvetheperformancedegradation-problemofRAIMalgorithmbasedonKalmanfilter.Therefore,experimentalresultsvalidatethevalidityofMCMCpfilter-ingforRAIM.Keywords：globalpositioningsystem;pfiltering;receiverautonomousintegritymonitoring(RAIM);MarkovChain-MonteCarlo(MCMC)method;faultdetection---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---1引言接收机自主完好性监测技术能够在卫星定位误差超过允许门限时为用户提供及时告警服务，理想的接收机自主完好性监测算法包括从导航解中检测和隔离故障卫星。卡尔曼滤波算法应用到接收机完好性监测中，利用先验信息降低测量值的噪声，能够提供比瞬时RAIM算法更好的完好性监测性能[1]。但是，这种算法要求测量噪声服从高斯分布，在实际中测量噪声很难严格服从高斯分布，此时，该算法的性能就会降级。为了解决上述算法对噪声分布要求的限制，本文将MCMC粒子滤波引入到接收机自主完好性监测中，通过似然比方法建立一致性检验统计量实现对故障卫星的检测和隔离。由于粒子滤波对处理的噪声分布没有严格的限制，对非高斯分布噪声有很好的滤波效果。实验验证了该算法在RAIM中的有效性。2粒子滤波算法检测故障的原理粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法。Gordon提出基于蒙特卡罗方法的序贯重要性重采样粒子滤波算法以来[2]，粒子滤波成为非线性非高斯系统状态估计问题的一个研究热点，广泛用于自动控制、机器人技术、统计信号处理等研究领域，并成功地应用于故障检测等问题中。粒子滤波的误差和模型的失配程度是密切相关的，随着模型失配程度的增大，粒子滤波误差快速增长[3]。基于这个结论，可以考虑将其用于故障检测中，实现对系统故障的检测。本文将MCMC粒子滤波用于解决GPS卫星故障的检测和隔离问题，从而实现接收机自主完好性监测。假设描述动态系统的状态方程和观测方程为：(1)式中：为状态向量，为测量向量，为状态转移函数，为状态向量和观测向量之间的传递函数，为系统噪声，为观测噪声。粒子滤波的核心思想是利用有限个随机采样样本（这些样本称为“粒子”）的加权和来近似表示状态变量的后验概率分布，从而得到状态的估计值[4-5]。粒子滤波的重采样抑制了权的退化，但也带来粒子不再独立，简单的收敛性结果不再成立，...