线性%2f非线性系统混合动态滤波理论及其应用.pdf

摘要 针对既有线性状态又有非线性状态的系统，本文给出了混合动态滤波的概 念，即分别用非线性滤波算法和线性滤波算法估计系统中的非线性状态和线性状 态，并提出了多种混合动态滤波算法，包括四种高斯混合动态滤波算法和三种非 高斯混合动态滤波算法。其中高斯混合动态滤波算法为：扩展卡尔曼滤波．卡尔 Kalman 曼滤波(extended filtering．Kalman Kalman 滤波一卡尔曼滤波(unscented filtering．Kalmanfiltering，UKF—KF)、中心差 difference 分滤波．卡尔曼滤波(central filtering．Kalmanfiltering，CDF．KF)、高斯 Hermite 厄米特滤波．卡尔曼滤波(Gaussianfiltering．Kalmanfiltering，GHF．KF)算 Rao．Blackwellized particle (polynomialpredictivefiltering-Kalman sum 波(Gaussian filtering．Kalman particle 进一步，本文详细推导并分析了提出的高斯混合动态滤波算法的性能和适用 MPF算法的收敛性证明，并定性分析了MRBPF算法及其他非高斯混合动态滤波 算法的性能及具体适用情况。 此外，本文还将提出的混合动态滤波算法应用于地形辅助导航和机动目标跟 踪。地形辅助导航的仿真结果表明，MRBPF算法在状态估计的均方根误差(root mean error,RMSE)、估计稳定性、独立粒子数、粒子权重、估计收敛性等 square 方面均优于RBPF；机动目标跟踪的仿真结果表明，提出的算法虽然在估计精度 上略低于RBPF，却明显降低了算法复杂度，提高了算法实时性，平均计算时间 比RBPF降低一个数量级以上，各种混合动态滤波算法精度由高到低依次为： 的理论分析一致。 关键词：信息处理；线性／非线性系统：混合动态滤波；高斯混合动态滤波； 非高斯混合动态滤波；仿真；地形辅助导航；机动目标跟踪 中图分类号：TP391 Abstract mixed istouse Inthis the of thesis，we presentconcept dynamicfiltering，which nonlinearandlinear methodstoestimatenonlinearandlinearstates filtering the have modelswherestates bothlinearandnonlinear respectively,for parts．And severalmixed are are of also filteringdynamicalgorithmspropose，whichcomposed Gaussianmixed andnon—Gaussianmixed dynamicfilteringalgorithm dynamic includesextendedKalman