交互式多模型七阶容积卡尔曼滤波算法

为提高非线性机动目标的跟踪精度,提出交互式多模型七阶容积卡尔曼滤波(IMM-7th CKF)算法。采用对非线性系统滤波效果更好的七阶容积卡尔曼滤波(7th CKF)作为交互式多模型(IMM)算法的子滤波器,对各模型状态进行估计,将IMM算法和7th CKF结合起来,提高对非线性机动目标的跟踪效果,最后采用典型机动目标跟踪问题验证IMM-7th CKF的跟踪性能。仿真结果表明,IMM-7th CKF相比交互式多模型容积卡尔曼滤波(IMM-CKF)和交互式多模型五阶容积卡尔曼滤波(IMM-5th CKF)具有更高的滤波精度。

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波(PF)直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波(7th-CQKF)对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波(CPF)。

一种非线性非高斯滤波算法

通过将系统初始状态以及系统模型的状态噪声、量测噪声表示成高斯和的形式,推导出基于高斯和七阶容积卡尔曼滤波的非线性非高斯滤波算法(GS7thCKF)。GS7thCKF采用七阶容积卡尔曼滤波(7thCKF)作为高斯子滤波器,对各高斯分量进行更新。仿真的结果表明,GS7thCKF能有效处理非线性非高斯系统的状态估计问题,与高斯和容积卡尔曼滤波算法(GSCKF)相比,GS7thCKF算法提高滤波精度约为16%。

基于STF和7thCQKF的状态突变系统跟踪算法

针对传统非线性滤波算法对状态突变的鲁棒性较差,存在跟踪缓慢甚至失效的问题,提出了强跟踪七阶正交容积卡尔曼滤波(ST-7thCQKF)算法。算法将对非线性系统滤波效果良好的七阶正交容积卡尔曼滤波(7thCQKF)与强跟踪滤波(STF)融合,通过在7thCQKF的预测协方差中引入渐消因子调节增益矩阵,提高算法对状态突变系统的跟踪效果。仿真和实验结果表明,ST-7thCQKF能够较好地处理状态突变系统的跟踪问题。