一种自适应渐消卡尔曼滤波算法.docxVIP

一种自适应渐消卡尔曼滤波算法 0 改进卡尔曼滤波算法的成像 目标定位系统的设计注重对运动目标的精确可靠跟踪。跟踪算法不仅满足系统的实际处理要求，而且要确保跟踪精度。 目前卡尔曼滤波算法被广泛应用于目标跟踪算法。标准卡尔曼滤波算法是建立在状态空间上的线性高斯滤波算法, 是以精确的数学模型为前提的。然而, 在实际工程中, 常常发生模型和系统不匹配 (即模型误差) 的情况, 对这样的系统采用卡尔曼滤波算法进行跟踪必然无法实现最优估计, 通常会发生跟踪精度下降, 滤波发散甚至跟踪丢失的问题。解决此类问题的主要方法有两种:一是通过改进卡尔曼滤波算法对由模型误差引起的滤波发散等问题进行修正, 如扩展卡尔曼滤波 (extended Kalman filter, EKF)、无迹卡尔曼滤波 (unscented Kalman filter, UKF)、平方根滤波、渐消记忆滤波、自适应卡尔曼滤波等;二是通过对目标运动模型重新建模使模型误差降低, 如singer模型、当前统计模型、IMM模型等。EKF和UKF滤波主要解决非线性 (即量测模型非线性) 引起的模型误差问题, 平方根滤波、渐消记忆滤波、自适应滤波及这些算法的改进方法 (如自适应平方根滤波、自适应渐消卡尔曼滤波等) 主要解决滤波过程中由于目标状态突变或噪声估计不准确等引起的模型误差。造成卡尔曼滤波发散的主要原因是模型误差引起的预测值不准确,