UKF在水中目標跟蹤系統(tǒng)中的應用.pdf

1、本論文首先研究了針對線性系統(tǒng)的卡爾曼濾波(KF)，它的狀態(tài)模型和觀測模型都是線性的，而實際系統(tǒng)多為非線性。對非線性的狀態(tài)模型和觀測模型，常用的是擴展卡爾曼濾波(EKF)。首先需要將這些模型進行線性化處理而成為線性模型，在此基礎(chǔ)上再應用卡爾曼濾波進行估計。但是EKF算法在線性化過程中所產(chǎn)生的大量誤差，很容易導致濾波發(fā)散。針對這種現(xiàn)象，提出了不敏卡爾曼濾波(UKF)算法，該算法用典型的粒子點來近似非線性函數(shù)的概率分布，克服了EKF算法的線性

2、化誤差，具有更高的濾波精度。 對于基于UKF算法所建立的水下目標跟蹤系統(tǒng)，論文針對在不同情況下完成對目標各種運動狀態(tài)準確估計的仿真。根據(jù)仿真結(jié)果，將UKF跟蹤濾波與EKF跟蹤濾波進行對比分析，驗證UKF的跟蹤濾波性能要優(yōu)于EKF。對于機動性較強的目標，利用交互式多模型(IMM)算法可以很好的解決跟蹤問題。通過高機動性目標進行IMM—UKF算法的跟蹤濾波仿真，驗證了IMM—UKF濾波算法具有較高的估計精度和收斂性。但是計算時間遠大