Research on Combined Navigation Algorithm Based on Adaptive Interactive Multi-Kalman Filter Modeling
-
摘要: 在组合导航系统中,信息融合和定位精度取决于惯性系统和传感器的特性,然而在实际应用中获取先验知识仍然具有挑战性。为解决车辆导航中卫星信号质量的变化及系统非线性降低组合导航系统性能的问题,该文提出一种基于多卡尔曼滤波器的模糊自适应交互式多模型算法(FAIMM-MKF),将基于卫星信号质量的模糊控制器(Fuzzy Controller)与自适应交互多模型(AIMM)相结合,通过组合无迹卡尔曼滤波(UKF)、迭代扩展卡尔曼滤波(IEKF)和平方根容积卡尔曼滤波(SRCKF)3种不同的滤波器,适配车辆动力学模型,并通过车载半实物仿真实验验证该方法的性能。结果表明,在卫星信号质量发生改变的情况下,与传统的交互式多模型算法相比,该方法显著提高了车辆在复杂环境中的定位精度。Abstract: Practical applications struggle to obtain prior knowledge about inertial systems and sensors, affecting information fusion and positioning accuracy in combined navigation systems. To address the degradation of integrated navigation performance due to satellite signal quality changes and system nonlinearity in vehicle navigation, a Fuzzy Adaptive Interactive Multi-Model algorithm based on Multiple Kalman Filters (FAIMM-MKF) is proposed. It integrates a Fuzzy Controller based on satellite signal quality (Fuzzy Controller) and an Adaptive Interactive Multi-Model (AIMM). Improved Kalman filters such as Unscented Kalman Filter (UKF), Iterated Extended Kalman Filter (IEKF), and Square-Root Cubature Kalman Filter (SRCKF) are designed to match vehicle dynamics models. The method’s performance is verified through in-vehicle semi-physical simulation experiments. Results show that the method significantly improves vehicle positioning accuracy in complex environments with varying satellite signal quality compared to traditional interactive multi-model algorithms.
-
1. 引言
众所周知,密码函数是序列密码和分组密码中一个重要的密码变换环节,在密码系统的设计中起着举足轻重的作用。为了能够有效抵抗各种密码攻击,密码函数应当具有良好的密码学性质。不同的密码系统侧重的密码学性质不同,但非线性度和弹性阶是两个必须要考虑的性质。Maitra和Sarkar在文献[1]中指出,非线性度和弹性阶相互制约。只有Plateaued函数[2]能达到两者最好的折中。Plateaued函数是包含Bent函数[3]和部分Bent函数[4]的更大的函数类,可具有高非线性度、一定的弹性阶、良好的传播特性,而且可以不具有非零的线性结构,是一类密码学性质优良的函数类。因此,对Plateaued函数构造方法的研究成为一个十分必要的研究课题。
密码函数的构造方法主要分两类:直接构造方法和二次构造方法。关于Plateaued函数直接构造方法的研究成果较少,大多由Bent函数的构造方法推广得来,其中Bent函数两种主要的直接构造方法为文献[5]和文献[6]。之后文献[7]扩展了文献[6]中的构造方法,提出了一种关于Plateaued函数的新的直接构造方法。对于Plateaued函数的其他直接构造方法,可参考文献[8–10]。函数的二次构造方法对于改良函数某些特定的密码学性质具有极其重要的意义,文献[11]推广了间接和(indirect sum)的概念,提出了一种Plateaued函数的二次构造方法;文献[12]通过级联两个Bent函数,给出了一种具有高非线性度且无线性结构的Plateaued函数的构造方法;文献[13]通过固定Bent函数某个变元的值,将一个Bent函数分解为两个Plateaued函数,并利用函数的间接和,给出了一种Plateaued函数二次构造方法。对于Plateaued函数的其他二次构造方法,可参考文献[14–16]。
本文主要对Plateaued函数的直接构造方法进行研究,并分析其相关密码学性质。
2. 预备知识
本文用
F2 表示二元域,Fn2 表示F2 上的n 维向量空间。n 元布尔函数为Fn2 到F2 的映射,用Bn 表示所有n 元布尔函数构成的集合。实数上的加法运算记为+ 和Σi ,二元域上的加法运算记为⊕ 和⊕i 。任意f∈Bn 均可由其代数标准型唯一表示,即f(x)=f(x1,x2,···,xn)=⊕u∈Fn2λu(n∏i=1xuii) 其中,
λu∈F2 。函数f(x) 的代数次数记为deg(f) ,且deg(f)=maxu∈Fn2{wt(u):λu≠0} 其中,
wt(u) 为向量u 的汉明重量。当deg(f)=1 时,称f(x) 为仿射函数,用An 表示n 元仿射函数构成的集合,特别地,当λ0=0 时,称f(x) 为线性函数,用Ln 表示n 元仿射函数构成的集合。函数
f∈Bn 在ω∈Fn2 点的Walsh谱为Wf(ω)=∑x∈Fn2(−1)f(x)⊕ω⋅x 其中,
ω⋅x 为二者的点积。f(x) 的Walsh谱满足能量守恒定理,即∑ω∈Fn2Wf(ω)2=22n f(x) 的非线性度Nf 与其Walsh谱之间满足关系:Nf=2n−1−12maxω∈Fn2|Wf(ω)| 由能量守恒定理可知,
Nf≤2n−1−2n/2−1 ,称非线性度为2n−1−2n/2−1 的n 元布尔函数为Bent函数,显然,n 必为偶数。定义1[2] 设
f∈Bn ,如果存在一个偶数r ,使得#{ω∈Fn2:Wf(ω)≠0}=2r 且对任意的
ω∈Fn2 ,Wf(ω)=0 或±2n−r/2 ,则称f(x) 为r 阶Plateaued函数。设
f∈Bn ,则f(x) 为m 阶弹性函数的充要条件为对任意的ω∈Fn2 ,0≤wt(ω)≤m ,有Wf(ω)=0 。定义2[17] 设
f∈Bn 为2次函数,则其双线性函数定义为Bf(x,y)=f(0)⊕f(x)⊕f(y)⊕f(x⊕y) 其根空间
rad(f) 定义为rad(f)={x∈Fn2:∀y∈Fn2,Bf(x,y)=0} 下面引理1给出了2次函数Walsh谱与其根空间之间的关系。
引理1[17]2次函数
f∈Bn 的Walsh谱分布由其根空间rad(f) 的维数t 唯一确定,如表1所示。表 1 谱值与根空间维数的关系Wf(ω) ω的个数 0 2n−2n−t 2(n+t)/2 2n−t−1+(−1)f(0)2(n−t−2)/2 −2(n+t)/2 2n−t−1−(−1)f(0)2(n−t−2)/2 下面介绍几类关于Plateaued函数的函数结构。
定义3[7] 设
n=r+s ,r 和s 为任意正整数,ϕ 为Fs2 到Fr2 的一个映射,g 为Fs2 上的布尔函数,则Maiorana-McFarland型函数定义为fMM(x,y)=x⋅ϕ(y)⊕g(y) (1) 其中,
x∈Fr2,y∈Fs2 。简记该函数结构为MM型。下面引理2给出其构成Plateaued函数的充分条件。
引理2[7] 令
fMM∈Bn 为MM型函数,则(1)若映射
ϕ 为单射,则fMM(x,y) 为2s 阶Plateaued函数;(2)若映射
ϕ 为2对1映射,则fMM(x,y) 为2s−2 阶Plateaued函数。文献[10]中利用级联函数真值表的方法,给出了一种Plateaued函数的直接构造方法,该方法描述如下:
令
t 和k 为正整数且k<2t<2k ,E⊆Fk2 ,#E=2t 且Fk2 上任意非零线性函数限制在E 上不为常数。对任意的ei∈E ,令γi 为线性函数x⋅ei 的真值表,则以γ0γ1···γ2t−1 为真值表的函数f∈Bk+t 为2t 阶Plateaued函数。该构造方法已被证明属于MM型函数结构[9],即本质为仿射函数的级联,而仿射函数是一类性质较弱的函数,为了弥补该缺点,下面介绍两种级联2次函数的函数结构。
定义4[8] 令
n 和r 为任意正整数,且r<n ,t=⌊r/2⌋ ,s=n−r 。令ψ 为Fs2 到Ft2 的一个映射,ψ1,ψ2,···,ψt 为其坐标函数,令ϕ 为Fs2 到Fr2 的一个映射,ϕ1,ϕ2,···,ϕr 为其坐标函数,g 为Fs2 上的布尔函数,定义fMD(x,y)=⊕ti=1x2i−1x2iψi(y)⊕x⋅ϕ(y)⊕g(y) (2) 其中,
x∈Fr2,y∈Fs2 。简记该函数结构为MD型。显然,当ψ 为零映射时,MM型函数与MD型函数相同。引理3[8] 令
fMD∈Bn 为MD型函数,对任意的a∈Fr2 ,定义集合Ea={{y∈Fs2:∀i≤t,ψi(y)=a2i−1⇒ϕ2i−1(y)=a2i−1,ϕ2i(y)=a2i},r为偶数{y∈Fs2:∀i≤t,ψi(y)=a2i−1⇒ϕ2i−1(y)=a2i−1,ϕ2i(y)=a2i;ϕr(y)s=ar},r为奇数 若对任意的
y∈Fs2 ,ψ(y) 的汉明重量为r0 ,则(1)若对任意的
a∈Fr2 ,#Ea=0 或1 ,则fMD(x,y) 为2(s+r0) 阶Plateaued函数;(2)若对任意的
a∈Fr2 ,#Ea=0 或2 ,则fMD(x,y) 为2(s+r0−1) 阶Plateaued函数。定义5[9] 设
n=r+s ,r 和s 为任意正整数,ϕ1,ϕ2,ϕ3 是Fs2 到Fr2 的3个映射,g 为Fs2 上的布尔函数,定义fQ(x,y)=(x⋅ϕ1(y))(x⋅ϕ2(y))⊕x⋅ϕ3(y)⊕g(y) (3) 其中,
x∈Fr2,y∈Fs2 。简记该函数结构为Q型。以下引理给出了Q型函数构成Plateaued函数的充分条件。引理4[9] 令
fQ(x,y)∈Bn 为Q型函数,且对任意的y∈Fs2 ,向量ϕ1(y) 和ϕ2(y) 线性无关。若当y 遍历Fs2 时,ϕ3(y)+<ϕ1(y),ϕ2(y)> 中的元素两两不相等,则函数fQ(x,y) 为2s+2 阶Plateaued函数。引理5[9]令
fQ(x,y)∈Bn 为Q型函数,且对任意的y∈Fs2 ,ϕ2(y)≠0 。定义以下两个集合:Fa′={y∈Fs2:ϕ1(y)与ϕ2(y)线性无关;a∈ϕ3(y)+<ϕ1(y),ϕ2(y)>} Fa″ 若对任意的
{{a}} \in F_2^r ,\# {F_{{a}}}^\prime + 2\# {F_{{a}}}'' = 0 或2,则函数{f_{\rm{Q}}}({{x}},{{y}}) 是2s 阶Plateaued函数。3. 新型Plateaued函数结构
MM型函数采用级联仿射函数的方式,MD型和Q型函数采用级联特定形式的2次函数的方式,这3类函数结构的Walsh谱均易于计算。本节给出一种级联一般形式2次函数的函数结构,其谱值也易于计算。
令
{{A}} = {({a_{ij}})_{nn}},{{B}} = {({b_{ij}})_{nn}},{{C}} = {({c_{ij}})_{nn}}, ·\!·\!· 表示矩阵,{\varOmega _t} 为所有t 阶上三角矩阵构成的集合。对任意的2次函数f \in {{ B}_n} 且f({{0}}) = 0 ,其代数标准型为f({{x}}) = \mathop \oplus \limits_{i = 1}^n {\alpha _i}{x_i} \oplus \mathop \oplus \limits_{1 \le i < j \le n} {\alpha _{i,j}}{x_i}{x_j} 也可将其表示为
f({{x}}) = ({x_1},{x_2}, ·\!·\!· ,{x_n}){{A}}{({x_1},{x_2}, ·\!·\!· ,{x_n})^{\rm{T}}} (4) 其中,
{{A}} \in {\varOmega _n} ,{a_{ii}} = {\alpha _i} ,{a_{ij}} = {\alpha _{i,j}} 。通过级联式(4)中的2次函数,给出下面的函数结构,记为TF型函数结构。
定义6 设
n = r + s ,r 和s 为任意正整数,则TF型函数定义为{f_{\zeta ,g}}({{x}},{{y}}) = {{x}}\zeta ({{y}}){{{x}}^{\rm{T}}} \oplus g({{y}}) (5) 其中,
{{x}} \in F_2^r,{{y}} \in F_2^s ,\zeta 为F_2^s 到集合{\varOmega _r} 的一个映射,g 为F_2^s 上的布尔函数。下面给出TF型函数的谱值计算定理。
定理1 令
{f_{\zeta ,g}} \in {{B}_n} 为TF型函数,对任意的{{x}} \!\in\! F_2^r,{{y}} \!\in\! F_2^s ,令\zeta ({{y}}) \!=\! {A_{{y}}} \in {\varOmega _r} ,{h_{{y}}}({{x}}) \!=\! {{x}}{{{A}}_{{y}}}{{{x}}^{\rm{T}}} ,则对任意的({{a}},{{b}}) \in F_2^r \times F_2^s ,有{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = \sum\limits_{{{y}} \in F_2^s} {{\xi _{{a},\zeta }}({{y}}){2^{(2r - R({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}))/2}}{{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} 其中,
R({{A}} \oplus {{{A}}^{\rm{T}}}) 表示矩阵{{A}} \oplus {{{A}}^{\rm{T}}} 的秩,{\xi _{{{a}},\zeta }} 为F_2^s 到\{ 0,1, - 1\} 的一个映射:{\xi _{{{a}},\zeta }}({{y}}) = \left\{ {\begin{aligned}& {0,\quad\quad{W_{{h_y}}}({{a}}) = 0} \\ & {1,\quad\quad{W_{{h_y}}}({{a}}) > 0} \\ & { - 1, \quad{W_{{h_y}}}({{a}}) < 0} \end{aligned}} \right. 证明 由定义2,函数
{h_{{y}}}({{x}}) 的双线性函数为\begin{align} {B_{{h_y}}}({{x}},z) =& {h_y}({{0}}) \oplus {h_{{y}}}({{x}}) \oplus {h_{{y}}}({z}) \oplus {h_{{y}}}({x} \oplus {z}) \\ = &\!0 \!\oplus\! {{x}}{{{A}}_{{y}}}{{{x}}^{\rm{T}}} \!\oplus\! {z}{{{A}}_{{y}}}{{z}^{\rm{T}}} \!\oplus\! ({{x}} \!\oplus\! {z}){{{A}}_{{y}}}{({x} \!\oplus\! {z})^{\rm{T}}} \\ =& {{x}}({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}){{z}^{\rm{T}}} \\ \end{align} 其根空间为
\begin{align} {\rm{rad}}({h_{{y}}}) = &\{ {{x}} \in F_2^r:\forall {z} \in F_2^r,{B_{{h_{{y}}}}}({{x}},{z}) = 0\} \\= &\{ {{x}} \in F_2^r:\forall {z} \in F_2^r,{{x}}({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}){{z}^{\rm{T}}} = 0\} \\ = &\{ {{x}} \in F_2^r:{{x}}({{{A}}_{{y}}} \oplus {A}_y^{\rm{T}}) = {0}\} \\ \end{align} 故
{\rm{rad}}({h_{{y}}}) 的维数为r - R({{A}} \oplus {{{A}}^{\rm{T}}}) 。由引理1及映射
{\xi _{{a},\zeta }} 的定义,对任意的({{a}},{{b}}) \in F_2^r \times F_2^s ,有\begin{align} {W_{{f_{\zeta ,g}}}}({{a}},{{b}}) &= \sum\limits_{{{x}} \in F_2^r,{{y}} \in F_2^s} {{{( - 1)}^{{f_{\zeta ,g}}({{x}},{{y}}) \oplus {{a}} \cdot {{x}} \oplus {{b}} \cdot {{y}}}}} \\ &= \sum\limits_{{{y}} \in F_2^s} {{{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \sum\limits_{x \in F_2^r} {{{( - 1)}^{{{x}}\zeta ({{y}}){{{x}}^{\rm{T}}} \oplus {{a}} \cdot {{x}}}}} \\ &=\!\! \sum\limits_{{{y}} \in F_2^s} \!\!{{\xi _{{{a}},\zeta }}({{y}}){2^{(r + (r - R({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}})))/2}}\!{{( -\! 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \\& = \sum\limits_{{{y}} \in F_2^s} {{\xi _{{{a}},\zeta }}({{y}}){2^{(2r - R({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}))/2}}{{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \end{align} 证毕
由此给出Plateaued函数的构造定理。
定理2 令
{f_{\zeta ,g}} \in {{B}_n} 为TF型函数,假定对任意的{{y}} \in F_2^s ,R({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}) 保持不变,记为{t_0} 。定义集合{F_{{a}}} = \{ {{y}} \in F_2^s:{\xi _{{{a}},\zeta }}({{y}}) \ne 0\} ,\ {{a}} \in F_2^r 则
(1) 若对任意的
{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或1,则函数{f_{\zeta ,g}}({{x}},{{y}}) 是2s + {t_0} 阶Plateaued函数;(2) 若对任意的
{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或2,则函数{f_{\zeta ,g}}({{x}},{{y}}) 是2s + {t_0} - 2 阶Plateaued函数。证明 由于对任意的
{{y}} \in F_2^s ,R({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}) 保持不变,则由定理1可知,对任意的({{a}},{{b}}) \in F_2^r \times F_2^s ,有\begin{align} {W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = &\sum\limits_{{{y}} \in F_2^s} {{\xi _{{{a}},\zeta }}({{y}}){2^{(2r - R({{{A}}_{{y}}} \oplus {A}_y^{\rm{T}}))/2}}{{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \\ =& {2^{r - {t_0}/2}}\sum\limits_{{{y}} \in F_2^s} {{\xi _{{{a}},\zeta }}({{y}}){{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \\ \end{align} 若对任意的
{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或1,则{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) 为0或\pm {( - 1)^{g({{y}}) \oplus {{b}} \cdot {{y}}}}{2^{r - {t_0}/2}} = \pm {2^{r - {t_0}/2}} ,即{f_{\zeta ,g}}({{x}},{{y}}) 是2s + {t_0} 阶Plateaued函数。同理可证条件(2)。 证毕
注1 由定理1及定理2可知,当对任意的
{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或1成立时,有\begin{align}& \sum\limits_{{{a}} \in F_2^r,{{y}} \in F_2^s} {W_{{h_{{y}}}}^2({{a}}) \le {2^{3r - {t_0}}}} \\& \sum\limits_{{{a}} \in F_2^r,{{b}} \in F_2^s} {W_f^2({{a}},{{b}}) \le {2^{3r + s - {t_0}}}} \end{align} 由能量守恒定理可知,
{2^{s + 2r}} \le {2^{3r - {t_0}}},\ {2^{2s + 2r}} \le {2^{3r + s - {t_0}}} 由此可知,
s \le r - {t_0} 。同理可得,当对任意的{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或2成立时,有s \le r - {t_0} + 2 。以下记满足条件(1)的函数为
{\rm{T}}{{\rm{F}}_{\rm{1}}} 型Plateaued函数,满足条件(2)的函数为{\rm{T}}{{\rm{F}}_2} 型Plateaued函数。由非线性度和谱值之间的关系可知,
{\rm{T}}{{\rm{F}}_{\rm{1}}} 型Plateaued函数的非线性度为{2^{n - 1}} - {2^{(2r - {t_0})/2 - 1}} ;{\rm{T}}{{\rm{F}}_2} 型Plateaued函数的非线性度为{2^{n - 1}} - {2^{(2r - {t_0})/2}} 。由于TF型Plateaued函数本质为级联一般形式的2次函数,故其代数次数
\le s + 2 。下面两个定理分别研究了
{\rm{T}}{{\rm{F}}_{\rm{1}}} 型和{\rm{T}}{{\rm{F}}_2} 型Plateaued函数的弹性阶。定理3 令
{f_{\zeta ,g}} \in {{B}_n} 为{\rm{T}}{{\rm{F}}_{\rm{1}}} 型Plateaued函数,集合D = \{ {{a}} \in F_2^r: {{存在}}{{y}} \in F_2^s {{使得}}{\xi _{a,\zeta }}({{y}}) \ne 0\} 整数
k 为集合D 中元素汉明重量的最小值,则函数{f_{\zeta ,g}} 的弹性阶为k - 1 且k \le \max \left\{ t \in N:\sum\limits_{i = 0}^t {\left( {\begin{array}{*{20}{c}} r \\ i \end{array}} \right)} \le {2^r} - \# D \right\} + 1 证明 由
{f_{\zeta ,g}} \in {{B}_n} 为{\rm{T}}{{\rm{F}}_{\rm{1}}} 型Plateaued函数,故对任意的{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或1。由集合D 的定义可知,函数{f_{\zeta ,g}} 的弹性阶\le k - 1 。由定理1和定理2,对任意的({{a}},{{b}}) \in F_2^r \times F_2^s ,{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = \pm {2^{r - {t_0}/2}} 当且仅当{{a}} \in D 。若wt({{a}},{{b}}) \le k - 1 ,则wt({{a}}) \le k - 1 ,从而{{a}} \notin D ,故{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = 0 ,从而函数{f_{\zeta ,g}} 的弹性阶\ \ge k - 1 。因此,函数
{f_{\zeta ,g}} 的弹性阶为k - 1 。由集合
D 和整数k 的定义,汉明重量\le k - 1 的向量在集合{D^c} 中,故有\sum\limits_{i = 0}^{k - 1} {\left( {\begin{array}{*{20}{c}} r \\ i \end{array}} \right)} \le {2^r} - \# D 由此得到
k \le \max \{ t \in N:\sum\limits_{i = 0}^t {\left( {\begin{array}{*{20}{c}} r \\ i \end{array}} \right)} \le {2^r} - \# D\} + 1 证毕
定理4 令
{f_{\zeta ,g}} \in {{B}_n} 为{\rm{T}}{{\rm{F}}_2} 型Plateaued函数,集合D 和整数k 如定理3中定义,则函数{f_{\zeta ,g}} 的弹性阶为k 或k - 1 且k \le \max \left\{ t \in N:\sum\limits_{i = 0}^t {\left( {\begin{array}{*{20}{c}} r \\ i \end{array}} \right)} \le {2^r} - \# D\right\} + 1 证明 由定理1和定理2可知,对任意的
({{a}},{{b}}) \in F_2^r \times F_2^s ,{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = \pm {2^{r + 1 - {t_0}/2}} 当且仅当{{a}} \in D 。若wt({{a}},{{b}}) \le k - 1 ,则wt({{a}}) \le k - 1 ,从而{{a}} \notin D ,故{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = 0 。由此可知,函数{f_{\zeta ,g}} 的弹性阶\ge k - 1 。取
{{a}} \in D 且wt({{a}}) = k ,令{{{y}}_1},{{{y}}_2} \in F_2^s 且{\xi _{{{a}},\zeta }}({{{y}}_1}) \ne 0 ,{ {ξ}_{{a},\zeta }}({{{y}}_2}) \ne 0 。由定理1,对任意的{{b}} \in F_2^s ,限制在\{ {a}\} \times F_2^s 上的谱值为以下二者之一:\begin{align} \frac{1}{{{2^{r - {t_0}/2}}}}{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) =& \pm [{( - 1)^{g({{{y}}_1}) \oplus {{b}} \cdot {{{y}}_1}}}\! - {( - 1)^{g({{{y}}_2}) \oplus {{b}} \cdot {{y}_2}}}] \\ =& \pm 2[{{b}} \cdot ({{{y}}_1} \!\oplus\! {{{y}}_2}) \!\oplus\! g({{{y}}_1}) \!\oplus\! g({{{y}}_2})] \\ \frac{1}{{{2^{r - {t_0}/2}}}}{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) =& \pm [{( - 1)^{g({{{y}}_1}) \oplus {{b}} \cdot {{{y}}_1}}} + {( - 1)^{g({{{y}}_2}) \oplus {{b}} \cdot {{{y}}_2}}}]\\ = \pm 2 & [{{b}} \cdot ({{{y}}_1} \!\oplus\! {{y}_2}) \!\oplus\! g({{{y}}_1}) \oplus g({{{y}}_2}) \!\oplus\! 1] \end{align} 当向量
{{y}_1} \ne {{y}_2} 时,线性函数{b} \cdot ({{{y}}_1} \oplus {{{y}}_2}) 在集合\{ {{b}} \in F_2^s:wt({{b}}) \le 1\} 上的取值不为常值,从而总存在{{b}} \in F_2^s ,wt({{b}}) \le 1 ,使得{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) \ne 0 ,从而函数{f_{\zeta ,g}} 的弹性阶< k + 1 。因此,函数
{f_{\zeta ,g}} 的弹性阶为k 或k - 1 。整数k 界的证明与定理3相同,这里不再赘述。 证毕4. 各类函数结构之间的包含关系
第2节已经说明文献[10]中的函数类可归约到MM型函数,而MM型函数又可归约到MD型函数。本节证明MD型Plateaued函数和Q型Plateaued函数都可归约到TF型Plateaued函数。
首先,给出MD型Plateaued函数的归约证明。定义集合
\begin{align}\varOmega _r^{{\rm{MD}}} =& \{ {{A}} \in {\varOmega _r}:{a_{(2i - 1)(2i)}},{a_{jj}} \in {F_2}, \\ &1 \le i \le t,1 \le j \le r;{{其余}}{a_{ij}} = 0\} \end{align} 其中,
t = \left\lfloor {r/2} \right\rfloor ,令{\zeta _{{\rm{MD}}}} 为F_2^s 到\varOmega _r^{{\rm{MD}}} 的映射,则函数{f_{{\zeta _{{\rm{MD}}}},g}}({{x}},{{y}}) = {{x}}{\zeta _{{\rm{MD}}}}({{y}}){{{x}}^{\rm{T}}} \oplus g({y}) 即为MD型函数。定理5 令函数
{f_{{\rm{MD}}}} \in {{ B}_n} 为MD型函数。若对任意的{{y}} \in F_2^s ,\psi ({{y}}) 的汉明重量为常数{r_0} ,则对任意的{{A}} \in \varOmega _r^{{\rm{MD}}} ,R({{A}} \oplus {{{A}}^{\rm{T}}}) = 2{r_0} 。证明 由于仿射函数的双线性函数恒为零函数,这里只考虑映射
\psi 。若对任意的
{{y}} \in F_2^s ,\psi ({{y}}) 的汉明重量为{r_0} ,则向量({\psi _1}({{y}}),{\psi _2}({{y}}), ·\!·\!·, {\psi _t}({{y}})) 中1的个数为{r_0} ,即集合\{ {a_{12}},{a_{34}}, \cdots ,{a_{(2t - 1)(2t)}}\} 中1的个数为{r_0} 。当
{r_0} 为偶数时,矩阵{{A}} \oplus {{{A}}^{\rm{T}}} 为其中,
{a_{12}} = {a_{21}}, ·\!·\!· ,{a_{(r - 1)(r)}} = {a_{(r)(r - 1)}} 。显然,此时有R({{A}} \oplus {{{A}}^{\rm{T}}}) = 2{r_0} 。同理可证{r_0} 为奇数时的情况。 证毕定理6 MD型Plateaued函数可归约到TF型Plateaued函数。
证明 对任意的
({{a}},{{b}}) \in F_2^r \times F_2^s ,函数{f_{{\rm{MD}}}} 在该点的Walsh谱为{W_{{f_{{\rm{MD}}}}}}({{a}},{{b}}) \\=\sum\limits_{{{y}} \in F_2^s} {\sum\limits_{{{x}} \in F_2^r} {{{( - 1)}^{ \oplus _{i = 1}^t{{{x}}_{2i - 1}}{{{x}}_{2i}}{\psi _i}({{y}}) \oplus {{x}} \cdot \phi ({{y}}) \oplus {{a}} \cdot {{x}}}}{{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} } 若对任意的
{{a}} \in F_2^r ,有\# {E_{{a}}} = 0 或1,则由定理5可知,至多存在一个{{y}} \in F_2^s 使得\biggr|\sum\limits_{{{x}} \in F_2^r} {{{( - 1)}^{ \oplus _{i = 1}^t{x_{2i - 1}}{{{x}}_{2i}}{\psi _i}({{y}}) \oplus {{x}} \cdot \phi ({{y}}) \oplus {{a}} \cdot {{x}}}}} \biggr| = {2^{r - {r_0}}} 由映射
{\zeta _{{\rm{MD}}}} 和集合{F_{{a}}} 的定义可知,\# {F_{{a}}} = 0 或1。同理可证若对任意的
{{a}} \in F_2^r ,\# {E_{{a}}} = 0 或2,则\# {F_{{a}}} = 0 或2。 证毕下面给出Q型Plateaued函数的归约证明。由于式(3)中的函数
({{x}} \cdot {\phi _1}({{y}}))({{x}} \cdot {\phi _2}({{y}})) \oplus {{x}} \cdot {\phi _3}({{y}}) 的秩为0或2[9],定义集合\varOmega _r^{\rm{Q}} = \{ {{A}} \in {\varOmega _r}:R({{A}} \oplus {{{A}}^{\rm{T}}}) = 0 {{或}}2\} 令
{\zeta _{\rm{Q}}} 为F_2^s 到\varOmega _r^{\rm{Q}} 的一个映射,则函数{f_{{\zeta _{\rm{Q}}},g}}({{x}},{{y}}) = {x}{\zeta _{\rm{Q}}}({{y}}){{x}^{\rm{T}}} \oplus g({{y}}) 即为Q型函数。定理7 Q型Plateaued函数可归约到TF型Plateaued函数。
证明 令集合
E = \{ {{y}} \in F_2^s:{\phi _1}({{y}}){{和}}{\phi _2}({{y}})\} {{线性无关}}\} 若
E = F_2^s ,则对任意的{{A}} \!\in\! \varOmega _r^{\rm{Q}} ,R({{A}} \!\oplus\! {{{A}}^{\rm{T}}}) \!=\! 2 ;若E 为空集,则对任意的{{A}} \in \varOmega _r^{\rm{Q}} ,有R({{A}} \oplus {{{A}}^{\rm{T}}}) = 0 。对任意的
({{a}},{{b}}) \in F_2^r \times F_2^s ,函数{f_{\rm{Q}}} 在该点的Walsh谱为\!\begin{array}{l}{W_{{f_{\rm{Q}}}}}({{a}},{{b}})\\ =\!\!\sum\limits_{{{y}} \in F_2^s} {\sum\limits_{{{x}} \in F_2^r} {{{( - 1)}^{({{x}} \cdot {\phi _1}({{y}}))({{x}} \cdot {\phi _2}({{y}})) \oplus {{x}} \cdot {\phi _3}({{y}}) \oplus {{a}} \cdot {{x}}}}} {{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \end{array} 若对任意的
{{y}} \in F_2^s ,{\phi _3}({{y}}) + < {\phi _1}({{y}}),{\phi _2}({{y}}) > 中元素两两不相等,则对任意的{{a}} \in F_2^r ,至多存在一个{{y}} \in F_2^s 使得\biggr|\sum\limits_{{{x}} \in F_2^r} {{{( - 1)}^{({{x}} \cdot {\phi _1}({{y}}))({{x}} \cdot {\phi _2}({{y}})) \oplus {{x}} \cdot {\phi _3}({{y}}) \oplus {{a}} \cdot {{x}}}}} \biggr| = {2^{r - 1}} 由映射
{\zeta _{\rm{Q}}} 和集合{F_{{a}}} 的定义可知,\# {F_{{a}}} = 0 或1。令集合
{F'\!\!_{{a}}} 和{F''\!\!\!_{{a}}} 如引理5中定义,若\# {F'\!\!_{{a}}} + 2\# {F''\!\!\!_{{a}}} = 0 或2,则\left\{ {\begin{array}{*{20}{c}}{\# {{F'}\!\!_{{a}}} = 0 {{或}}2}\\\!\!\!\!\!\!\!\!\! {\# {{F''}\!\!\!_{{a}}} = 0}\end{array}} \right.\;\; {{或}}\;\; \left\{ {\begin{array}{*{20}{c}}\!\!\!\!\!\!\!\!\! {\# {{F'}\!\!_{{a}}} = 0}\\{\# {{F''}\!\!\!_{{a}}} = 0 {{或}}1}\end{array}} \right. 当
\# {F'\!\!_{{a}}} = 0 或2,\# {F''\!\!\!_{{a}}} = 0 时,对任意的{{A}} \in \varOmega _r^{\rm{Q}} ,R({{A}} \oplus {{{A}}^{\rm{T}}}) = 2 ,且对任意的{{a}} \in F_2^r ,存在0或2个{{y}} \in F_2^s 使得\biggr|\sum\limits_{{{x}} \in F_2^r} {{{( - 1)}^{({{x}} \cdot {\phi _1}({{y}}))({{x}} \cdot {\phi _2}({{y}})) \oplus {{x}} \cdot {\phi _3}({{y}}) \oplus {{a}} \cdot {{x}}}}}\biggr| = {2^{r - 1}} 由映射
{\zeta _{\rm{Q}}} 和集合{F_{{a}}} 的定义可知,\# {F_{{a}}} = 0 或2。同理可证当\# {F_{{a}}}^\prime = 0 ,\# {F''\!\!\!_{{a}}} = 0 或1时,\# {F_{{a}}} = 0 或1。 证毕注2 TF型函数的函数量为
N({\rm TF}) = {({2^{({r^2} + r)/2}})^{{2^s}}} \times{2^{{2^s}}} = {2^{[({r^2} + r)/2 + 1]{2^s}}} ;MD型函数的函数量为N({\rm{MD}}) = {({2^{{2^s}}})^t} \times {({2^r})^{{2^s}}} \times {2^{{2^s}}} = {2^{(t + r + 1){2^s}}} ;Q型函数的函数量为N({\rm Q}) = {[{({2^r})^{{2^s}}}]^3} \times {2^{{2^s}}} = {2^{(3r + 1){2^s}}} 。可见,N({\rm TF}) \ge N({\rm GMM}) 且当r \ge 6 时,N({\rm TF}) > N({\rm Q}) 。下面给出一类不为MD型或Q型的TF型Plateaued函数。
例1 令
n = 13 ,s = 4 ,r = 9 ,矩阵{{{A}}_1} \in {\varOmega _4} ,{{{A}}_2} \in {\varOmega _5} 为\begin{aligned}& {{{A}}_1} = \left[ {\begin{array}{*{20}{c}} 0&0&1&0 \\ 0&0&1&1 \\ 0&0&0&0 \\ 0&0&0&0 \end{array}} \right]\\& {{{A}}_2} = \left[ {\begin{array}{*{20}{l}} {{a_{55}}}&0&0&0&0 \\ 0&{{a_{66}}}&0&0&0 \\ 0&0&{{a_{77}}}&0&0 \\ 0&0&0&{{a_{88}}}&0 \\ 0&0&0&0&{{a_{99}}} \end{array}} \right]\end{aligned} 其中,
{a_{55}},{a_{66}},{a_{77}},{a_{88}},{a_{99}} \in {F_2} ,矩阵{{A}} \in {\varOmega _9} 为{{A}} = \left[ {\begin{array}{*{20}{c}} {{{{A}}_1}}&{{{{A}}_3}} \\ {{{{A}}_4}}&{{{{A}}_2}} \end{array}} \right] 其中,
{{{A}}_3} 和{{{A}}_4} 为全0矩阵,记由满足上述条件的矩阵{{A}} 构成的集合为\varOmega _9^0 。此时,对任意的
{{A}} \in \varOmega _9^0 ,R({{A}} \oplus {{{A}}^{\rm{T}}}) = 4 。由于\# \varOmega _9^0 = 32 > 16 ,可定义F_2^4 到\varOmega _9^0 的单射,可以验证该单射满足定理2中的条件(1),即函数{f_{\zeta ,g}} 为13元12阶Plateaued函数。显然,对任意的
{{A}} \in \varOmega _9^0 ,有{{A}} \notin \varOmega _9^{{\rm{MD}}} 且{{A}} \!\notin\! \varOmega _9^{\rm{Q}} 。5. 结束语
本文提出了一类新型函数结构,即TF型函数,给出了TF型函数构成Plateaued函数的充分条件,分析了该类Plateaued函数的代数次数、非线性度和弹性阶,指出了TF型Plateaued函数是包含MM型、MD型和Q型Plateaued函数的更为一般的函数类。与现有直接构造方法相比,TF型Plateaued函数形式更为一般,需要满足的条件也更为宽泛,此外,TF型函数的函数量更大,能够构造大量与现有函数类不同的Plateaued函数。
-
表 1 模糊规则表
HDOP 模型权重调整因子 卫星拒止 卫星较差 卫星良好 SP SP SP EP MP SP EP SP LP EP SP SP 表 2 传感器误差参数
性能指标 陀螺仪 加速度计 零偏 随机游走 零偏 随机游走 更新频率 参数 5°/h 0.15°/ \sqrt h 0.2 mg 800 ug/ \sqrt {{\mathrm{Hz}}} 125 Hz 表 3 最大误差和标准误差对比
算法 东向速度(m/s) 北向速度(m/s) 纬度误差(m) 经度误差(m) 最大误差 标准差 最大误差 标准差 最大误差 标准差 最大误差 标准差 IMM-UKF 1.080 0 0.048 5 0.347 1 0.055 2 1.151 5 0.395 6 –2.919 1 0.835 6 IMM-SRCKF 0.623 7 0.042 4 0.288 3 0.045 1 0.974 2 0.311 6 –2.439 4 0.705 3 IMM-MKF 0.483 5 0.038 6 0.280 6 0.043 8 0.941 0 0.291 5 –2.193 6 0.678 7 FAIMM-MKF 0.467 1 0.028 4 0.205 3 0.040 2 0.760 8 0.220 1 –1.962 5 0.589 3 表 4 平均绝对误差和均方根误差对比
算法 东向速度(m/s) 北向速度(m/s) 纬度(m) 经度(m) MAE RMSE MAE RMSE MAE RMSE MAE RMSE IMM-UKF 0.030 2 0.055 0 0.038 1 0.059 6 0.309 3 0.397 1 0.568 3 0.873 6 IMM-SRCKF 0.024 9 0.043 0 0.027 9 0.048 8 0.235 2 0.311 7 0.481 5 0.743 3 IMM-MKF 0.024 6 0.039 9 0.026 1 0.047 6 0.190 4 0.303 4 0.440 1 0.729 5 FAIMM-MKF 0.018 3 0.029 1 0.025 6 0.043 6 0.164 5 0.226 9 0.364 0 0.642 0 -
[1] 徐晓苏, 仲灵通. 一种基于M估计的抗差自适应多模型组合导航算法[J]. 中国惯性技术学报, 2021, 29(4): 482–490. doi: 10.13695/j.cnki.12-1222/o3.2021.04.009.XU Xiaosu and ZHONG Lingtong. Robust adaptive multiple model integrated navigation algorithm based on M-estimation[J]. Journal of Chinese Inertial Technology, 2021, 29(4): 482–490. doi: 10.13695/j.cnki.12-1222/o3.2021.04.009. [2] ZHAO Huijun, LIU Jun, CHEN Xuemei, et al. Information monitoring and adaptive information fusion of multisource fusion navigation systems in complex environments[J]. IEEE Internet of Things Journal, 2024, 11(14): 25047–25056. doi: 10.1109/JIOT.2024.3391872. [3] JWO D J and CHANG W Y. Variational Bayesian based IMM robust GPS navigation filter[J]. Computers, Materials and Continua, 2022, 72(1): 755–773. doi: 10.32604/cmc.2022.025040. [4] HAN Bo, HUANG Hanqiao, LEI Lei, et al. An improved IMM algorithm based on STSRCKF for maneuvering target tracking[J]. IEEE Access, 2019, 7: 57795–57804. doi: 10.1109/ACCESS.2019.2912983. [5] MA Jian and GUO Xiaoting. Combination of IMM algorithm and ASTRWCKF for maneuvering target tracking[J]. IEEE Access, 2020, 8: 143095–143103. doi: 10.1109/ACCESS.2020.3013561. [6] 王常虹, 张大力, 夏红伟, 等. GEO混合推力机动目标跟踪IMM算法[J]. 宇航学报, 2023, 44(3): 443–453. doi: 10.3873/j.issn.1000-1328.2023.03.013.WANG Changhong, ZHANG Dali, XIA Hongwei, et al. An IMM algorithm for tracking GEO maneuvering target with hybrid thrust[J]. Journal of Astronautics, 2023, 44(3): 443–453. doi: 10.3873/j.issn.1000-1328.2023.03.013. [7] 李俊. 基于联邦卡尔曼滤波器的容错多传感器组合导航算法研究[D]. [硕士论文], 南京邮电大学, 2023. doi: 10.27251/d.cnki.gnjdc.2023.000673.LI Jun. Research on fault tolerant multi-sensor integrated navigation algorithm based on federated Kalman filter[D]. [Master dissertation], Nanjing University of Posts and Telecommunications, 2023. doi: 10.27251/d.cnki.gnjdc.2023.000673. [8] HWANG I, SEAH C E, and LEE S. A study on stability of the interacting multiple model algorithm[J]. IEEE Transactions on Automatic Control, 2017, 62(2): 901–906. doi: 10.1109/TAC.2016.2558156. [9] XIE Guo, SUN Lanlan, WEN Tao, et al. Adaptive transition probability matrix-based parallel IMM algorithm[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021, 51(5): 2980–2989. doi: 10.1109/TSMC.2019.2922305. [10] 陈维义, 何凡, 刘国强, 等. 变结构交互式多模型滤波和平滑算法[J]. 系统工程与电子技术, 2023, 45(12): 4005–4012. doi: 10.12305/j.issn.1001-506X.2023.12.31.CHEN Weiyi, HE Fan, LIU Guoqiang, et al. Variable structure interactive multiple model filtering and smoothing algorithm[J]. Systems Engineering and Electronics, 2023, 45(12): 4005–4012. doi: 10.12305/j.issn.1001-506X.2023.12.31. [11] 曾浩, 母王强, 杨顺平. 高机动目标跟踪ATPM-IMM算法[J]. 通信学报, 2022, 43(7): 93–101. doi: 10.11959/j.issn.1000-436x.2022135.ZENG Hao, MU Wangqiang, and YANG Shunping. High maneuvering target tracking ATPM-IMM algorithm[J]. Journal on Communications, 2022, 43(7): 93–101. doi: 10.11959/j.issn.1000-436x.2022135. [12] FAN Peirong, CUI Xiaowei, ZHAO Sihao, et al. A two-step stochastic hybrid estimation for GNSS carrier phase tracking in urban environments[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 8503718. doi: 10.1109/TIM.2021.3095062. [13] 王伟, 刘萌, 薛冰. GPS辅助的SINS系统快速动基座初始对准[J]. 哈尔滨工业大学学报, 2020, 52(12): 49–57. doi: 10.11918/201905245.WANG Wei, LIU Meng, and XUE Bing. Fast initial alignment of GPS-assisted SINS system on moving base[J]. Journal of Harbin Institute of Technology, 2020, 52(12): 49–57. doi: 10.11918/201905245. [14] JIA Di, JIANG Lu, CHEN Tianhua, et al. IMM based sequential fault-tolerant fusion estimation with heavy-tailed noises[C]. The 2022 34th Chinese Control and Decision Conference, Hefei, China, 2022: 499–504. doi: 10.1109/CCDC55256.2022.10033545. [15] 王振峰, 李飞, 王新宇, 等. 基于交互式多模型无迹卡尔曼滤波的悬架系统状态估计[J]. 兵工学报, 2021, 42(2): 242–253. doi: 10.3969/j.issn.1000-1093.2021.02.003.WANG Zhenfeng, LI Fei, WANG Xinyu, et al. State estimation of suspension system based on interacting multiple model unscented Kalman filter[J]. Acta Armamentarii, 2021, 42(2): 242–253. doi: 10.3969/j.issn.1000-1093.2021.02.003. [16] 焦鹏悦, 杨德友, 蔡国伟. 基于Koopman算子与卡尔曼滤波的同步发电机动态状态估计[J]. 电力系统保护与控制, 2024, 52(9): 27–35. doi: 10.19783/j.cnki.pspc.231088.JIAO Pengyue, YANG Deyou, and CAI Guowei. Dynamic state estimation for a synchronous generator based on the Koopman operator and Kalman filter[J]. Power System Protection and Control, 2024, 52(9): 27–35. doi: 10.19783/j.cnki.pspc.231088. [17] 卢道华, 宋世磊, 王佳, 等. SINS/DVL水下组合导航技术发展综述[J]. 控制理论与应用, 2022, 39(7): 1159–1170. doi: 10.7641/CTA.2021.10229.LU Daohua, SONG Shilei, WANG Jia, et al. Review on the development of SINS/DVL underwater integrated navigation technology[J]. Control Theory & Applications, 2022, 39(7): 1159–1170. doi: 10.7641/CTA.2021.10229. [18] SEO J W, KIM J S, KIM D J, et al. Vehicle localization using convolutional neural networks with IMM-EKF for automated vertical parking[C]. The 2022 IEEE 25th International Conference on Intelligent Transportation Systems (ITSC), Macau, China, 2022: 1976–1981. doi: 10.1109/ITSC55140.2022.9922403. [19] WU Qingdong, LI Chenxi, SHEN Tao, et al. Improved adaptive iterated extended Kalman filter for GNSS/INS/UWB-integrated fixed-point positioning[J]. CMES-Computer Modeling in Engineering and Sciences, 2022, 134(3): 1761–1772. doi: 10.32604/cmes.2022.020545. [20] HU Gaoge, GAO Bingbing, ZHONG Yongmin, et al. Unscented Kalman filter with process noise covariance estimation for vehicular ins/gps integration system[J]. Information Fusion, 2020, 64: 194–204. doi: 10.1016/j.inffus.2020.08.005. [21] SONG Rui, CHEN Xiyuan, FANG Yongchun, et al. Integrated navigation of GPS/INS based on fusion of recursive maximum likelihood IMM and square-root cubature Kalman filter[J]. ISA Transactions, 2020, 105: 387–395. doi: 10.1016/j.isatra.2020.05.049. [22] SUN Sibo, ZHANG Xinyu, ZHENG Ce, et al. Underwater acoustical localization of the black box utilizing single autonomous underwater vehicle based on the second-order time difference of arrival[J]. IEEE Journal of Oceanic Engineering, 2020, 45(4): 1268–1279. doi: 10.1109/JOE.2019.2950954. 期刊类型引用(1)
1. 王维琼,许豪杰,崔萌,谢琼. 优良布尔函数的混合禁忌搜索算法. 通信学报. 2022(05): 133-143 . 百度学术
其他类型引用(1)
-