基于目标跟踪的自适应广义高阶CKF算法

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题,结合广义高阶容积卡尔曼滤波和强跟踪滤波算法,提出了一种自适应广义高阶容积卡尔曼滤波(AGHCKF)方法。采用广义高阶容积准则和矩阵对角化变换,以提高算法的滤波精度和稳定性。引入强跟踪滤波,利用渐消因子在线修正预测误差协方差阵,强迫残差序列正交,以增强算法应对系统状态突变等不确定因素的能力。将提出的AGHCKF算法应用于带有未知状态突变的机动目标跟踪问题并进行数值仿真,结果表明,AGHCKF在系统状态突变时能保证较高的滤波精度,具有较强的鲁棒性和系统自适应能力。

预测-五阶容积卡尔曼滤波方法

为适用于强非线性、非高斯过程噪声系统,结合预测滤波(PF)与高阶容积卡尔曼滤波(HCKF),提出一种预测-五阶容积卡尔曼滤波(P5thCKF)方法。通过预测滤波方法对系统模型中的过程噪声及其方差阵进行实时调整,进而将新模型代入到五阶容积卡尔曼滤波框架中进行实时递推状态估计。推导了五阶球面单形-径向积分准则,采用五阶球面单形积分准则处理球面积分,广义高斯-拉盖尔积分准则处理径向积分;描述了预测滤波方法并对模型误差调整量进行了推导。通过2个仿真实验验证了本文方法在强非线性、非高斯过程噪声系统中的可行性以及应用于工程实践的可能性。