[发明专利]一种带厚尾噪声的鲁棒容积滤波方法

说明书

本发明提供了一种带厚尾噪声的鲁棒容积滤波方法，属于滤波设计技术领域，用于估计动态系统在当前时刻的状态，主要包括：构造目标运动及传感器测量离散非线性方程；计算当前时刻系统各状态向量预测值、当前时刻系统各状态向量预测值的精确度、当前时刻的量测预测值、当前时刻量测预测值的精确度以及当前时刻量测预测值与系统各状态向量预测值之间相关性；之后计算当前时刻滤波器增益及当前时刻统计距离；最后将当前时刻的系统各状态向量预测值以及系统各状态向量估计误差协方差矩阵进行更新。本发明所提出的方法在针对目标在杂波环境下做大幅度机动，以及传感器存在野值干扰量测条件下的机动目标跟踪场景中具有更好的鲁棒性及更高的估计精度。

技术领域

本发明涉及机载火控雷达目标跟踪技术领域，特别是涉及目标在杂波环境下 做大幅度机动，以及在一些高采样频率、可靠性较差的传感器应用中，受量测野 值干扰条件下的机动目标跟踪领域，具体涉及一种带厚尾噪声的鲁棒容积滤波方 法。

背景技术

非线性滤波已被广泛地应用于导航定位、目标跟踪、信号处理和自动控制等 工程领域中。非线性滤波问题的关键就是基于随机的非线性状态空间模型求解系 统状态的后验概率密度函数(Probability density function,PDF)。贝叶斯估计理论 为非线性滤波问题提供了一个最优的框架模型，它通过递推地计算状态的后验 PDF从而解决了非线性系统的状态估计问题。然而，对于一般的非线性系统而言， 贝叶斯估计中常涉及到含有复杂多维非线性函数积分的计算，一般无法解析求解， 所以通常情况下不存在最优的非线性滤波器。为了完成非线性系统的状态估计任 务，必须采取近似的手段来获得次优的非线性滤波器。高斯近似(Gaussian approximate,GA)是一种行之有效的方法，基于不同的数值近似方法，目前已经 提出了许多次优的非线性高斯滤波器(Gaussian filter,GF)。

GF是假设噪声模型服从高斯分布，并且状态经过非线性变换后仍服从高斯 分布。然而在一些实际工程应用中，系统的噪声模型并不一定服从高斯分布，也 有可能具有厚尾分布特性。例如在目标跟踪领域，当目标在杂波环境下做大幅度 机动时，目标所表现出的模型不确定性会诱导产生厚尾的过程噪声。而在一些具 有高采样频率、可靠性较差的传感器应用中，传感器所产生的量测野值同样会诱 导产生厚尾的量测噪声。厚尾噪声与高斯噪声相比，由于存在野值干扰，导致噪 声取值在离均值较远的区域可能性增大，从而形成厚尾形状。因此，高斯分布已 经无法准确模拟野值干扰下的厚尾分布，从而导致基于高斯假设而设计的GF滤 波精度下降，甚至发散。为了解决带厚尾过程和量测噪声的线性滤波问题，Roth 等人将状态后验PDF近似为Student’s t分布，并推导出了新的鲁棒Student’s t滤 波器。为了解决由于量测野值而导致的厚尾量测噪声的线性滤波问题， Agamennoni等人提出了一种对野值量测具有鲁棒性的改进Kalman滤波算法。为 了解决带厚尾量测噪声的多传感器信息融合问题，Zhu等人将多个传感器的厚尾 量测噪声建模成Student’s t分布，继而提出了一种线性鲁棒多传感器状态估计方 法。然而以上这些线性鲁棒滤波器都不能用于解决带厚尾过程和量测噪声的非线 性状态估计问题。

发明内容

本发明的目的在于克服现有技术中的不足，紧密结合工程应用背景，提出一 种带厚尾噪声的鲁棒Student’s t容积滤波器，用来解决目标在杂波环境下做大幅 度机动，以及在一些高采样频率、可靠性较差的传感器应用中，受量测野值干扰 条件下(带厚尾过程和量测噪声)的机动目标跟踪问题。

本发明带厚尾噪声的鲁棒容积滤波方法，用于估计动态系统在当前时刻的状 态，主要包括：

步骤一、构造目标运动及传感器测量离散非线性方程；

步骤二、根据系统前一时刻各状态向量的估计值，计算当前时刻系统各状态 向量预测值；

步骤三、计算当前时刻系统各状态向量预测值的精确度，所述精确度采用估 计误差协方差矩阵表征；