本發明屬于傳感器數據融合，尤其涉及一種新的用于在非線性非高斯環境下多傳感器融合的方法。

　　1、近年來，隨著現代化的發展，單個傳感器已然不能夠滿足高標準下的準確定位，多傳感器數據融合方法成為目標定位的研究熱點。多個同類傳感器來采集更多的數據，而如何有效地利用這些冗余數據是目前需要解決的難題，尤其是在考慮非線性非高斯的復雜情況下，多傳感器融合算法還存在很大的困難和挑戰。冗余數據需要進行濾波再融合，而考慮非高斯噪聲的情況下，濾波算法的實時性受到了挑戰，因此研究一種實時性較高的非線性非高斯濾波方法是提高融合方法的重要基礎保障。

　　2、在復雜環境下多傳感器融合領域，對非線性非高斯模型的融合方法已經引起了大量研究人員的關注，并得到了廣泛的應用。多傳感器融合方法根據對多傳感器觀測信息的處理方法不同，可以將信息融合系統的體系結構分成分為集中式融合、分布式融合和混合式融合。劉華等人在非線性的多傳感器融合方法上，提出了基于平方根容積濾波的多傳感器非線性序貫式融合算法(劉華,吳文,王世元.基于平方根ckf的多傳感器序貫式融合跟蹤算法[j].系統工程與電子術,2015,37(7):1494-1498)，但缺乏考慮復雜環境下非高斯噪聲的對系統的影響。吳驍航等人將student’s t分布作為系統的噪聲，通過無跡四元數局部濾波算法來對非高斯噪聲魯棒，同時設計最優權重計算方法及線型加權信息融合算法(吳驍航，馬克茂.students’st濾波框架下的信息融合算法[j].浙江大學學報：工學版，2020，54(3)：581-588)，但是此方法沒有對含有噪聲數據進行處理，很難得到消除脈沖噪聲影響的估計值，并且整體計算量增大，系統的實時性不高。

　　1、針對現有技術的不足，本發明提供了一種新的用于在非線性非高斯環境下多傳感器融合的方法，解決了上述問題。

　　2、為實現以上目的，本發明通過以下技術方案予以實現：一種新的用于在非線性非高斯環境下多傳感器融合的方法，包括以下步驟：

　　3、s1、基于梯度下降技術的高斯近似非高斯算法，在已知非高斯噪聲分布的情況下使用高斯分布擬合非高斯分布；

　　4、s2、將近似的高斯分布用到容積粒子濾波中，再加入最大熵準則來抑制噪聲；

　　5、s3、基于s2引入序貫式融合算法，得到一種針對非高斯噪聲的多傳感器融合方法。

　　8、若已知非高斯噪聲yi，假設高斯分布的噪聲初始化μ，σ后，使用梯度下降算法作為優化算法來最小化偽huber損失函數，得到一個概率密度函數近似非高斯分布的高斯分布，使用此高斯分布近似作為濾波算法中的非高斯噪聲分布；

　　9、其中，偽huber損失函數是huber損失的改進，他對異常值魯棒，也存在解析解，主要用于控制函數從二次到線性切換的位置，此外該參數還用于剪裁梯度值，從而可以限制異常值的影響，公式如下：

　　11、其中，δ為可調的閾值參數，為誤差，對于較小的值，該損失函數近似值為而對于較大的值，該損失函數可近似為一條斜率為δ的直線，因此，其對異常值不敏感，具有很好的魯棒性，當函數收斂后則意味著高斯噪聲已經逼近非高斯噪聲yi了，此時優化得到的即為高斯噪聲的期望和標準差。

　　12、使用梯度下降算法作為優化算法來最小化偽huber損失函數，公式如下：

　　14、其中，parm為需要訓練的參數，f()是包含參數的損失函數，具體分別是[μ,σ]和偽huber損失函數，當函數收斂后則意味著高斯噪聲的概率密度已經逼近非高斯噪聲的概率密度，此時優化得到的和即為高斯噪聲的期望和標準差，利用此高斯分布特性來近似作為濾波中的過程噪聲方差q和量測噪聲方差r。

　　16、利用最大相關熵準則對噪聲進行預處理，通過調節卡爾曼濾波增益改變先驗信息權重，得到消除脈沖噪聲影響的估計值，即首先利用容積變換獲得偽量測矩陣，并根據統計誤差線性傳遞模型對量測方程進行近似處理，然后基于最大相關熵準則構造代價函數，并通過固定點迭代更新目標估計狀態，獲得狀態估計性能；

　　17、已知k-1時刻的狀態估計值及估計協方差高斯核帶寬σ，收斂門限ε，采樣m個粒子，具體流程如下：

　　45、由于所以殘差向量各分量不相關。根據最大相關熵準則，可構造代價函數：

　　47、其中，gσ(·)為高斯核函數，σ為帶寬，表示向量的維度。表示向量的第l個元素，表示的第l行。故可知，在最大相關熵準則下，的最優估計可以轉化為求解以下優化問題：

　　74、如果系統狀態發生異常時，需要通過調節狀態噪聲協方差來控制動態模型噪聲異常對狀態參數估值的影響。基于自適應濾波思想，利用自適應因子實時調整狀態參數協方差，從而控制動態模型異常對參數的影響。自適應因子公式如下：

　　76、其中，c0∈(1.0～1.5),c1∈(3.0～8.0)，它是決定自適應因子的取值，能夠反映出系統實際觀測值與狀態預估值之間的偏差。

　　90、預測：利用ckf算法構造重要性密度函數，假設k-1時刻的狀態后驗概率密度函數服從高斯分布且可表示為采樣m個粒子，則第i個粒子的后驗密度可表示為通過ckf算法的時間更新完成對狀態和協方差的預測，得到k時刻的預測狀態和預測協方差：

　　必一運動

　　93、更新：通過基于最大熵準的容積卡爾曼濾波的測量更新得到k時刻的狀態和協方差的估計，同時在多傳感器的情況下通過序貫式融合得到最終的狀態估計(傳感器個數為n，下標n代表傳感器序號)

　　120、本發明提供了一種新的用于在非線性非高斯環境下多傳感器融合的方法，與現有技術相比具備以下有益效果：

　　121、1、提出了一種高斯近似非高斯的方法，用近似的高斯分布作為系統的噪聲分布，同時在容積粒子濾波中加入了最大熵準則，使得系統對非高斯噪聲具有魯棒性，最后將整個濾波算法加入序貫式融合中心，能夠提高整個融合算法的實時性，而本發明將非高斯噪聲考慮到了系統中，為準確的濾波加入了最大熵準則，使得系統能夠對非高斯噪聲魯棒，同時為了減小計算量，使用高斯近似非高斯的方法，提高了系統的實時性。

　　必一運動