[发明专利]基于一种新型自适应高阶无迹卡尔曼滤波的状态估计方法

说明书

本发明公开基于一种新型自适应高阶无迹卡尔曼滤波的状态估计方法，属于被动雷达跟踪中对高速运载体的状态估计领域。本发明包括：建立目标跟踪系统的非线性离散的状态模型和量测模型；根据目标跟踪系统状态维数选择最优自由参数κ；确立高阶UT获取状态采用点及权重；将采样点经非线性函数传递；将最优自适应因子带入到状态一步预测协方差矩阵；确立高阶UT获取量测采用点及权重；将采样点经非线性函数传递；增益矩阵的计算；后验状态估计输出和协方差矩阵的输出。本发明有效地抑制了强非线性机动目标和大突变对滤波器的影响，对不同采样间隔和不同转角率有很好的影响，减小了动态模型误差的影响。

技术领域

本发明属于被动雷达跟踪中对高速运载体的状态估计领域，基于一种新型自适应高阶无迹卡尔曼滤波的状态估计方法。

背景技术

状态估计是数字信号领域中最基本的方面，对非线性的处理是数字信号的难题，非线性滤波器是处理动态系统的有利方法。人们以对非线性的处理做出了很多的贡献。其中包括最典型的方法extended Kalman filter(EKF)，此方法是基于非线性函数近似的思想，并要求保证非线性函数连续可微或可导，对于此方法在技术层面要进行雅可比(Jacobian)矩阵的求解。在工程应用中Jacobian矩阵的求解复杂度极高，很难实现，并且在强非线性条件下，此方法会发散，甚至失败。

另外有学者依靠概率密度分布近似的方法提出解决非线性的问题。例如容积卡尔曼滤波器(Cubature Kalman filter,CKF),中心差分卡尔曼滤波器(central differencefilter,CDKF),高斯-埃尔米特(Gauss-Hermite filter,GHF)等等。这些非线性变换得到的结果可以满足系统状态分布的后验均值和协方差，完成状态估计，并可以达到三阶泰勒精度逼近任意非线性。效果要优与EKF。还有在贝叶斯框架下推演的粒子滤波(Particlefilter,PF)。PF由于无法解决粒子退化和计算量制约等问题，长期以来无法满足工程上的需求，只是停留在理论分析以及仿真模拟阶段。