论文部分内容阅读
针对水下目标被动跟踪系统中建模的不准确性和滤波算法跟踪精度低、收敛速度慢的问题,本文进行了深入的研究,主要工作和研究成果有以下几方面: 1.介绍了水下目标被动跟踪系统中的系统建模和滤波算法的发展历史; 2.分析不同坐标系、不同系统状态模型对跟踪问题的影响,提出了在直角坐标系和混合坐标系中将“当前”统计模型应用于水下被动跟踪;针对单、双观测器进行目标测量的可观测性问题,给出了保证跟踪系统可观的充要性判据; 3.对比分析了基于“当前”统计模型的扩展卡尔曼滤波算法和伪线性量测卡尔曼滤波算法。仿真结果表明:后者的跟踪性能要优于前者,但这是以更多计算量为代价。同时,针对EKF容易发散的问题,给出了其算法收敛的充要条件; 4.研究了混合坐标系下的卡尔曼滤波算法和采样变换(UT)算法。综合了直角坐标系、极坐际系的优点和UT算法在处理非线性问题的良好性能,提高了算法的稳定性和估计精度,加快了算法的收敛速度; 5.更深层次的分析了UT算法采样策略,将分析结果应用于标准卡尔曼滤波算法,给出了采样卡尔曼滤波(UKF)算法具体步骤。对基于“当前”统计模型的水下目标应用EKF和UKF进行跟踪仿真,仿真结果表明UKF的估计精度和收敛速度均好于EKF; 6.介绍了粒子滤波的基本原理,并分析该算法中各种重要性函数和再采样算法。由此,本文选取了以EKF和UKF作为重要性函数,以bootstrap再采样、系统再采样和残差再采样作为再采样算法,并将PF、EKF-PF和UKF-PF应刖到水下目标被动跟踪。仿真结果表明:相同仿真环境下,UKF-PF算法在收敛速度及估计精度上都优于前两者,但却以更多的计算时间为代价。