(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210654243.1 (22)申请日 2022.06.10 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 邱实　左军毅　王喆　 (74)专利代理 机构 西安凯多 思知识产权代理事 务所(普通 合伙) 61290 专利代理师 范倩 (51)Int.Cl. G06F 30/20(2020.01) G06F 119/02(2020.01) (54)发明名称 数据校正的方法和装置 (57)摘要 本发明实施例公开了一种数据校正的方法 和装置。 该数据校正的方法包括： 获取预先创建 的传感器误差模 型； 依据预设联合算法对传感器 误差模型进行参数估计， 得到参数辨识结果； 依 据参数辨识结果对测量数据进行校正； 其中， 预 设联合算法为改进后的基于期望最大化算法和 求容积卡尔曼平滑器的联合估计算法。 通过本发 明， 解决相关技术中由于 现有技术在处理系统噪 声时与实际的系统不吻合， 导致的在高传感器噪 声环境下传感器误差模型中的未知参数估计精 度会显著降低的问题， 达到了提升在高传感器噪 声环境下传感器误差模型中的未知参数估计精 度的技术效果。 权利要求书3页 说明书14页 附图9页 CN 115238454 A 2022.10.25 CN 115238454 A 1.一种数据校正的方法， 其特 征在于， 包括： 获取预先创建的传感器误差模型； 依据预设联合 算法对所述传感器误差模型进行参数估计， 得到参数辨识结果； 依据所述 参数辨识结果对测量数据进行 校正； 其中， 所述预设联合算法为改进后的基于期望最大化算法和求容积卡尔曼平滑器的联 合估计算法。 2.根据权利要求1所述的方法， 其特征在于， 在所述获取预先创建的传感器误差模型之 前， 所述方法还 包括： 创建所述传感器误差模型， 其中， 所述传感器误差模型包括： z(i)＝(1+λ )y(i)+b+v(i),i ＝1,2,…,N； 其中， z(i)为传感器第i个量测输出， y(i)是真实值， v(i)是随机测量噪声， λ是常值比 例因子误差参数， b是常值 误差偏移参数。 3.根据权利要求1或2所述的方法， 其特征在于， 所述依据预设联合算法对所述传感器 误差模型进行参数估计， 得到参数辨识结果包括： 设置所述传感器误差模型中参数的初始值； 依据容积卡尔曼 滤波算法对所述初始值进行计算， 得到滤波后的参数； 依据容积卡尔曼平 滑算法对所述滤波后的参数进行计算， 得到平 滑参数； 依据所述平滑参数和改进后的期望最大化算法对所述初始值进行更新， 得到更新后的 所述初始值； 判断对所述传感器误差模型进行参数估计的迭代计算的次数 是否达到第一预设值； 在判断结果 为是的情况 下， 输出所述参数辨识结果； 在判断结果为否的情况下， 依次执行所述容积卡尔曼滤波算法、 所述容积卡尔曼平滑 算法和所述改进后的期望最大化 算法， 直至所述迭代计算的次数达 到所述第一预设值。 4.根据权利要求3所述的方法， 其特征在于， 所述依据容积卡尔曼滤波算法对所述初始 值进行计算， 得到滤波后的参数包括： 依据所述初始值得到 的初值和 的初值； 依据所述 的初值和所述 的初值计算状态的的预测分布均值 和协方差 依据所述预测分布均值 和所述协方差 计算状态的滤波分布均值 和协 方差值 判断对所述初始值的迭代计算的次数 是否达到第二预设值； 在判断结果 为是的情况 下， 输出所述滤波后的参数； 在判断结果为否的情况下， 依次计算状态的的预测分布均值 和协方差 以 及计算状态的滤波分布均值 和协方差值 直至所述迭代计算的次数达到所述第二 预设值。 5.根据权利要求3所述的方法， 其特征在于， 所述依据容积卡尔曼平滑算法对所述滤波权　利　要　求　书 1/3 页 2 CN 115238454 A 2后的参数进行计算， 得到平 滑参数包括： 导入所述容积卡尔曼滤波算法得到的完整时间序列的一步预测状态均值 状态 预测协方差 点 以及滤波状态均值 和协方差 计算平滑增益Gk‑1及平滑均值 和协方差 判断对所述滤波后的参数的迭代计算的次数 是否达到第三预设值； 在判断结果 为是的情况 下， 计算 和 在判断结果为否的情况下， 调整所述次数， 并计算平滑增益Gk‑1及平滑均值 和协 方差 直至所述迭代计算的次数达 到所述第三预设值。 6.根据权利要求3所述的方法， 其特征在于， 所述依据所述平滑参数和改进后的期望最 大化算法对所述初始值进行 更新， 得到更新后的所述初始值包括： 依据所述平滑参数和改进后的期望最大化算法对系统噪声方差 阵中未知的Q、 量测噪 声方差阵R和状态初始分布参数的 进行估计， 得到所述更新后的所述初始值。 7.根据权利要求1所述的方法， 其特征在于， 所述依据所述参数辨识结果对测量数据进 行校正包括： 依据误差校正公式和所述参数辨识结果对测量数据进行校正， 其中， 所述误差校正公 式包括： 其中， z(i)为传感器第i个量测输出， y(i)是真实值， λ是常值比例因子误差参数， b是常 值误差偏移参数。 8.一种数据校正的装置， 其特 征在于， 包括： 获取模块， 用于获取 预先创建的传感器误差模型； 估计模块， 用于依据预设联合算法对所述传感器误差模型进行参数估计， 得到参数辨 识结果； 校正模块， 用于依据所述 参数辨识结果对测量数据进行 校正； 其中， 所述预设联合算法为改进后的基于期望最大化算法和求容积卡尔曼平滑器的联 合估计算法。 9.根据权利要求8所述的装置， 其特 征在于， 所述装置还 包括： 创建模块， 用于在所述获取预先创建的传感器误差模型之前， 创建所述传感器误差模 型， 其中， 所述传感器误差模型包括： z(i)＝(1+λ )y(i)+b+v(i),i ＝1,2,…,N； 其中， z(i)为传感器第i个量测输出， y(i)是真实值， v(i)是随机测量噪声， λ是常值比 例因子误差参数， b是常值 误差偏移参数。 10.根据权利要求8或9所述的装置， 其特 征在于， 所述估计模块包括： 设置单元， 用于设置所述传感器误差模型中参数的初始值； 第一计算单元， 用于依据容积卡尔曼滤波算法对所述初始值进行计算， 得到滤波后的权　利　要　求　书 2/3 页 3 CN 115238454 A 3