论文部分内容阅读
随着现代技术的快速发展,尤其是传感器技术、计算机技术和各种智能信息处理技术等在众多民用和国防领域得到广泛应用。面对复杂的环境,使得对目标的跟踪的精度以及算法的有效性和合理性等要求不断提高。由于受到各种因素的影响,在处理实际系统模型时往往面临着参数不精准的情况,使得滤波估计结果与实际不匹配,导致假设下的性能评估不能精准刻画实际的估计性能。因此,研究参数不精准系统的Kalman滤波理论是很有必要的。由参数不精准导致的问题有1)线性系统中Kalman滤波估计性能评估的不精准,2)非线性系统的线性化及人为加入因子对估计性能评估的影响,3)非线性系统不精准时滤波器设计及多传感器融合估计性能。针对上述问题,本文有针对性的开展如下研究工作:1)研究线性系统噪声方差不精准情况下的Kalman滤波估计性能。在工程实践中噪声方差特性并不能完全已知,那么,不精准的噪声方差必定会对滤波估计性能造成影响。因此,主要研究了在不同定义下的估计性能度量MSEs,并对它们进行排序及相对接近程度进行分析。最后,给出工程实践指导,为实际系统滤波估计性能评估提供帮助。2)研究非线性系统扩展强跟踪滤波的估计性能。由于扩展强跟踪滤波引入自适应渐消因子能够根据实时测量新息修正一步预测误差协方差,从而,对于模型不精准及状态和参数突变的系统具有较强的跟踪能力。然而,引入的自适应渐消因子则会打破常规Kalman滤波的一些机理结论。因此,主要研究了ESTF与EKF在统计参数的比较;ESTF和EKF估计性能的不一致性研究;ESTF性能度量的不匹配性研究。结果表明,对于ESTF而言,改变或打破了Kalman滤波的一些基本特性。最后,通过智能小车目标跟踪系统平台验证了研究内容的有效性。3)研究一种新的容积Kalman滤波算法及其融合方法分析。为了提高估计精度和具有较好的稳定性,结合容积信息滤波、五阶容积规则、迭代方法以及集合策略,提出五阶集合迭代容积信息滤波(EnFICIF)算法。基于EnFICIF研究四种多传感器融合方法的估计性能的等价性和测量更新的可交换性。最后,通过仿真实验验证了结论的正确性。