一种改进中心差分卡尔曼滤波方法

针对中心差分卡尔曼滤波(CDKF)跟踪时估计精度较低这一不足,提出了一种基于迭代测量更新的中心差分卡尔曼滤波(ICDKF)方法。本文将迭代滤波理论引入到中心差分卡尔曼滤波算法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该算法与扩展卡尔曼滤波(EKF)、中心差分卡尔曼滤波(CDKF)的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,迭代中心差分卡尔曼滤波(ICDKF)算法不仅具有无需计算Jacobian矩阵的优点,而且具有更高的估计精度。

迭代测量更新CDKF的粒子滤波方法

为了提高中心差分卡尔曼粒子滤波(CDKFPF)算法跟踪时的估计精度,提出了一种基于迭代测量更新CDKF的粒子滤波(ICDKFPF)新算法。该算法利用迭代中心差分卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,并用Levenberg-Marquardt方法对状态协方差进行修正,使粒子的观测信息得到充分有效的利用,更加符合真实状态的后验概率分布。仿真结果表明,所提出算法的估计性能要明显优于标准的粒子滤波(PF)和中心差分卡尔曼粒子滤波(CDKFPF)。