容積卡爾曼濾波方法及其應(yīng)用研究.pdf

1、隨著控制和計(jì)算機(jī)技術(shù)的飛速發(fā)展，人們對(duì)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(hào)處理、自動(dòng)控制、計(jì)算機(jī)視覺、無線通信、航空航天、以及目標(biāo)跟蹤和識(shí)別等領(lǐng)域具有越來越廣泛的應(yīng)用，得到了相關(guān)領(lǐng)域?qū)＜覍W(xué)者的廣泛關(guān)注和研究。擴(kuò)展卡爾曼濾波(ExtendedKalmanFiltering，EKF)算法由于算法簡(jiǎn)單，易于實(shí)現(xiàn)得到了廣泛的應(yīng)用，然而，需要計(jì)算非線性函數(shù)Jacobin矩陣，在強(qiáng)非線性和非高斯環(huán)境下濾波表現(xiàn)較

2、差，甚至?xí)霈F(xiàn)濾波發(fā)散，限制了EKF在工程實(shí)踐中的應(yīng)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(jì)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(jì)算量增大，實(shí)時(shí)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(xué)理論嚴(yán)謹(jǐn)，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(dāng)前及未來非線性濾波技術(shù)的研究熱點(diǎn)和發(fā)展方向。本文圍繞CKF算法改進(jìn)優(yōu)化展開研究，主要工作如下：
　　針對(duì)交互式多模型算法中以犧牲濾波精度為代價(jià)來實(shí)現(xiàn)模型匹配問題，提出了一種基于量測(cè)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(dāng)前時(shí)刻量測(cè)和量測(cè)噪聲先驗(yàn)統(tǒng)計(jì)信息構(gòu)建虛擬量測(cè)，通過對(duì)虛擬量測(cè)采樣以及融合提升系統(tǒng)量測(cè)信息可靠性，同時(shí)，在交互式多模型容積卡爾曼濾波算法框架下應(yīng)用分布式加權(quán)融合的實(shí)現(xiàn)結(jié)構(gòu)。在保證濾波精度的同時(shí)，大大提高了模型間切換速度。
　　針對(duì)系統(tǒng)噪聲統(tǒng)計(jì)特性未知情況下的非線性狀態(tài)估計(jì)問題，將最大期望(ExpectationMaximization，EM)算法應(yīng)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