[发明专利]一种基于多维时空数据的高精度动态轨迹约束方法

说明书

本发明公开一种基于多维时空数据的高精度动态轨迹约束方法，包括根据CA数学模型描述方法选取含时变噪声的静止状态、螺旋半径逐渐增大的螺旋上升运动和直线加速蛇形运动三种运动状态，通过仿真实验，将区间卡尔曼滤波算法和传统卡尔曼滤波算法进行对比；本发明通过CA数学模型对对动态目标三种运动状态对应的位置、速度和加速度信息，分别用卡尔曼滤波、区间卡尔曼滤波和未进行滤波处理的数据进行比较，得出不管是何种状态，经区间卡尔曼滤波的数据与目标真实轨迹误差最小，处理时变噪声有很大的优势，再通过定量分析的方法得出区间卡尔曼滤波比传统的卡尔曼滤波对于带时变噪声的各种高动态目标处理效果均能提高5dB。

技术领域

本发明涉及卡尔曼滤波动态轨技术领域，尤其涉及一种基于多维时空数据的高精度动态轨迹约束方法。

背景技术

卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用；

现有传统的卡尔曼滤波对于时变噪声的滤波后的数据处理效果较差，与真实轨迹误差较大，会直接影响算法的最终结果，因此，本发明提出一种基于多维时空数据的高精度动态轨迹约束方法以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出一种基于多维时空数据的高精度动态轨迹约束方法，该基于多维时空数据的高精度动态轨迹约束方法通过CA数学模型对对动态目标三种运动状态对应的位置、速度和加速度信息，分别用卡尔曼滤波、区间卡尔曼滤波和未进行滤波处理的数据进行比较，得出不管是何种状态，经区间卡尔曼滤波的数据与目标真实轨迹误差最小，处理时变噪声有很大的优势，再通过定量分析的方法得出区间卡尔曼滤波比传统的卡尔曼滤波对于带时变噪声的各种高动态目标处理效果均能提高5dB。

为实现本发明的目的，本发明通过以下技术方案实现：一种基于多维时空数据的高精度动态轨迹约束方法，包括根据CA数学模型描述方法选取含时变噪声的静止状态、螺旋半径逐渐增大的螺旋上升运动和直线加速蛇形运动三种运动状态，通过仿真实验，将区间卡尔曼滤波算法和传统卡尔曼滤波算法进行对比；

第一种运动状态：静止状态

真实运动轨迹静止在点上，运动方程为公式(1-1)，真实运动轨迹加上时变噪声后，分别经过卡尔曼滤波和区间卡尔曼滤波后的三维坐标点得出经过区间卡尔曼滤波的轨迹更接近目标真实位置，处理时变噪声有很大的优势；

静止状态仿真运动方程：

当静止目标加上时变噪声后，分别经过卡尔曼滤波、区间卡尔曼滤波以及未进行滤波处理的数据与目标真实轨迹的误差，得出经过区间卡尔曼滤波的数据与目标真实轨迹误差最小，处理时变噪声有很大的优势；

第二种运动状态：螺旋上升运动

真实运动轨迹为螺旋上升运动，运动方程为公式(1-2)，真实轨迹加入时变噪声后，分别经过卡尔曼滤波和区间卡尔曼滤波的三维坐标点得出区间卡尔曼滤波的结果更接近真实轨迹；

螺旋上升状态仿真运动方程：

当螺旋上升运动目标加上时变噪声后，分别经过卡尔曼滤波、区间卡尔曼滤波以及未进行滤波处理的数据与目标真实轨迹的误差，得出经区间卡尔曼滤波的数据与目标真实轨迹误差最小，处理时变噪声有很大的优势。

第三种运动状态：加速蛇行运动