MSC-LA-AKF:一种面向机载重力测量的多尺度卷积长短时记忆自适应卡尔曼滤波方法

《Sensors》:A Deep Learning-Enhanced Adaptive Kalman Filter with Multi-Scale Temporal Attention for Airborne Gravity Denoising Lili Li, Junxiang Liu, Guoqing Ma and Zhexin Jiang

【字体: 大 中 小 】 时间:2026年04月04日 来源:Sensors 3.5

编辑推荐:

  研究人员提出了一种名为多尺度卷积长短时记忆自适应卡尔曼滤波(MSC-LA-AKF)的新型智能滤波框架,旨在解决传统卡尔曼滤波(KF)在处理机载重力数据时因噪声统计特性固定而导致的估计精度受限问题。该方法将深度学习与传统滤波理论深度融合,利用一个包含五路并行多尺

  
研究人员提出了一种名为多尺度卷积长短时记忆自适应卡尔曼滤波(MSC-LA-AKF)的新型智能滤波框架,旨在解决传统卡尔曼滤波(KF)在处理机载重力数据时因噪声统计特性固定而导致的估计精度受限问题。该方法将深度学习与传统滤波理论深度融合,利用一个包含五路并行多尺度卷积分支(卷积核尺寸分别为3、5、7、9、11)、Bi-LSTM层、层归一化全连接层及双池化多头注意力模块的深层神经网络,处理35维滑动窗口观测数据。网络输出受物理约束的缩放因子αk和βk,用于动态调整过程噪声协方差矩阵Q和观测噪声协方差矩阵R。研究人员将该框架作为插件集成至机载重力数据处理流程的滤波器B中,替代原有的静态经验参数。实验结果表明,MSC-LA-AKF能够有效跟踪时变噪声,相比传统方法显著提升了重力信号的估计精度,验证了其在复杂动态环境下处理非平稳信号的有效性。

论文解读

研究背景与意义
机载重力测量是获取地球重力场信息的重要手段,广泛应用于资源勘探与地球物理研究。其核心挑战在于从强噪声环境中提取微弱的重力异常信号。传统的卡尔曼滤波(Kalman Filter, KF)及其衍生算法是主流的数据处理方法,但其性能高度依赖于对过程噪声协方差矩阵Q和观测噪声协方差矩阵R的先验假设。在实际飞行中,由于载体机动、气流扰动及传感器温漂等因素,噪声统计特性往往呈现非平稳时变特征。固定的经验参数难以匹配这种动态变化,导致滤波发散或精度下降。因此,如何实现噪声参数的在线自适应调整,是提升机载重力数据解算精度的关键科学问题。该论文发表于《Sensors》期刊,针对这一痛点,研究人员提出了一种融合深度学习与传统滤波理论的混合框架MSC-LA-AKF。
主要关键技术方法
研究人员设计了一种两阶段紧耦合架构。首先,构建一个深度神经网络作为噪声估计器。该网络接收35维的滑动窗口观测数据作为输入,采用五路并行的多尺度一维卷积(Multi-Scale Convolution, MSC)分支进行特征提取,卷积核尺寸覆盖3至11以捕获不同频率的动态特征。随后,特征被输入至双向长短时记忆网络(Bi-directional Long Short-Term Memory, Bi-LSTM)以建模时间序列的前后依赖关系,经层归一化(Layer Normalization, LN)后由全连接层投影,并通过双池化多头注意力模块(Dual-Pooling Multi-Head Attention)进行特征加权与细化。网络输出经过物理约束的缩放因子αk和βk,分别用于实时更新Qk= αkQ?和Rk= βkR?。其次,将更新后的时变噪声矩阵注入标准卡尔曼滤波的递归流程中,完成重力信号的最优估计。
研究结果
4.1. 概述
研究人员详细阐述了MSC-LA-AKF在整体处理流程中的位置。如图1所示,机载重力数据处理首先进行位置、速度、姿态解算及预处理,随后Filter A进行预滤波。MSC-LA-AKF作为智能插件部署于Filter B阶段,替代了原有的静态经验参数配置,实现了从原始数据采集到最终高精度重力输出的全流程优化。
4.2. 卡尔曼滤波基础
研究人员回顾了标准KF的预测与更新方程。预测步骤通过状态转移矩阵Fk-1和控制矩阵Bk递推先验状态x?k|k-1和协方差Pk|k-1;更新步骤则利用观测值zk和观测矩阵Hk,通过卡尔曼增益Kk计算后验状态x?k|k和协方差Pk|k。MSC-LA-AKF的核心创新在于利用神经网络动态生成Qk和Rk,而非使用固定常数。
4.3. 编码器训练
4.3.1. 多尺度特征提取
研究人员设计了多尺度卷积结构,使用不同大小的卷积核(ki∈ {3, 5, 7, 9, 11})并行提取特征。这种设计旨在捕捉重力数据中蕴含的短时突变与长周期趋势等多分辨率信息,克服了单一尺度卷积感受野受限的缺陷。
4.3.2. 时序依赖建模
提取的多尺度特征被送入两层Bi-LSTM。研究人员指出,Bi-LSTM能够同时利用过去和未来的上下文信息,有效解决了单向循环神经网络在重力信号处理中存在的滞后偏差问题,增强了对载体动态扰动的建模能力。
4.3.3. 注意力机制与物理约束
研究人员引入了双池化多头注意力模块。该模块结合平均池化与最大池化的优势,利用注意力权重(Attention Weights)动态聚焦于关键特征,抑制冗余噪声。同时,网络输出端设置了物理约束层(Clamp层),确保输出的缩放因子αk和βk处于合理的物理范围内,防止滤波发散。
4.3.4. 损失函数设计
研究人员采用了均方误差(Mean Squared Error, MSE)作为损失函数,最小化估计误差的范数 ∥?k- gk∥2,指导网络学习最优的噪声映射关系。
讨论与结论
研究人员通过对比实验验证了所提方法的有效性。讨论部分指出,传统AKF方法(如Sage-Husa)在面对强非线性或模型失配时容易失效,而单纯的端到端黑盒神经网络缺乏物理可解释性。MSC-LA-AKF通过结合两者的优势,既保留了KF的物理递推结构和数学严谨性,又赋予了其处理复杂非线性时变系统的能力。研究结论表明,该框架能够精准估计时变噪声协方差,显著降低了重力信号的估计误差,提高了系统的鲁棒性。这项工作为机载重力测量及其他导航传感器的自适应滤波提供了一种新的高效解决方案,具有重要的工程应用价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号