论文部分内容阅读
目前,扩展卡尔曼滤波(EKF)是估计目标跟踪或目标拦截问题中系统状态的一个重要手段。但研究目标跟踪或目标拦截问题本质上是研究非线性问题,对模型进行线性化的扩展卡尔曼滤波在一定程度上影响了目标跟踪或目标拦截的精度。近年来,出现了一些改进的非线性系统滤波方法。直接使用非线性模型的UKF(Unscented Kalman Filtering, UKF)是其中最优的滤波方法,其将成为今后研究非线性系统估计问题的热点和有效滤波方法。在目标状态估计中,由于过程噪声或系统噪声未知,因此需要用有效的自适应滤波方法消除噪声的不确定性带来的对系统估计的影响。次优sage-husa自适应滤波和强跟踪滤波是目前应用广泛的自适应滤波方法,但是两者有计算量大或滤波精度不够的缺点。本文将重点研究UKF及其改进方法SUKF在空间拦截系统中的应用,并和EKF比较性能。本文还将研究次优sage-husa自适应滤波和强跟踪滤波方法,根据各自的优缺点设计一种并行自适应滤波方法。在非线性滤波理论方面,主要做了以下几方面工作:1)研究了EKF非线性滤波方法和UKF方法,并对其性能进行了理论分析,进而提出了一种改进的UKF方法-SUKF。2)研究了sage-husa自适应滤波理论和强跟踪滤波理论,并综合两者的优点,提出了一种改进的并行自适应滤波理论。在空间拦截系统和目标机动加速度估计方面,主要做了以下几方面工作:1)建立了空间拦截相对运动模型中的平面部分,并对其可观性进行了分析,进而提出了一种新型的可以提高可观性的导引律(AORTPN)。2)运用EKF和SUKF方法对模型中的状态进行了滤波估计,并比较两者滤波方法的性能。3)利用估计出的视线角变化率,采用并行自适应滤波方法对视线角高阶微分估计模型进行滤波估计,估计视线角高阶微分。4)利用前述滤波所得的视线角高阶微分和相关的状态,通过机动目标加速度模型估计目标机动加速度。