容積卡爾曼濾波方法及其應用研究.pdf

1、隨著控制和計算機技術的飛速發(fā)展，人們對濾波器精度要求越來越高。由于非線性濾波算法能夠獲得較高的濾波精度，且在信號處理、自動控制、計算機視覺、無線通信、航空航天、以及目標跟蹤和識別等領域具有越來越廣泛的應用，得到了相關領域專家學者的廣泛關注和研究。擴展卡爾曼濾波(ExtendedKalmanFiltering，EKF)算法由于算法簡單，易于實現(xiàn)得到了廣泛的應用，然而，需要計算非線性函數(shù)Jacobin矩陣，在強非線性和非高斯環(huán)境下濾波表現(xiàn)較

2、差，甚至會出現(xiàn)濾波發(fā)散，限制了EKF在工程實踐中的應用。無跡卡爾曼濾波(UnscentedKalmanFiltering，UKF)和中心差分卡爾曼濾波(CentralDifferenceKalmanFiltering，CDKF)雖然不需要計算Jacobin矩陣，但只有選擇合適的參數(shù)才能保證其收斂性。粒子濾波(ParticleFiltering，PF)隨著采樣粒子數(shù)的不斷增加，計算量增大，實時性較差。容積卡爾曼濾波(CubatureKal

3、manFiltering，CKF)是近年來新興起的一種性能優(yōu)越的非線性濾波算法，其數(shù)學理論嚴謹，參數(shù)選取方便，收斂效果好?？朔似渌蔷€性濾波算法存在的一些問題，正逐漸成為當前及未來非線性濾波技術的研究熱點和發(fā)展方向。本文圍繞CKF算法改進優(yōu)化展開研究，主要工作如下：
　　針對交互式多模型算法中以犧牲濾波精度為代價來實現(xiàn)模型匹配問題，提出了一種基于量測虛擬采樣提升策略的交互式多模型容積卡爾曼濾波(IMM-CKF-S)算法。該算法采

4、用當前時刻量測和量測噪聲先驗統(tǒng)計信息構建虛擬量測，通過對虛擬量測采樣以及融合提升系統(tǒng)量測信息可靠性，同時，在交互式多模型容積卡爾曼濾波算法框架下應用分布式加權融合的實現(xiàn)結構。在保證濾波精度的同時，大大提高了模型間切換速度。
　　針對系統(tǒng)噪聲統(tǒng)計特性未知情況下的非線性狀態(tài)估計問題，將最大期望(ExpectationMaximization，EM)算法應用在非線性狀態(tài)空間模型中，提出了一種基于最大期望算法的容積RTS平滑(Cubatu