论文部分内容阅读
随着科学技术的快速发展,实际工程应用环境日趋复杂,并且对目标跟踪的精度以及算法的可靠性提出了更高的要求。由于传感器在复杂的环境中受到各种不确定因素的影响,导致所建立的模型与实际系统严重不匹配造成估计性能下降。如传感器获得的数据中含有野值时,对野值的检测和处理问题;通信过程中信道衰减不理想时,导致量测数据中出现乘性噪声的问题。这些问题将成为Kalman滤波技术在实际工程环境中应用的一道屏障。因此,研究应对复杂工程环境下的非线性Kalman滤波算法具有重要意义。针对上述问题,本文以复杂环境下的飞行器飞行测试数据分析为背景,对复杂非线性系统的求容积Kalman滤波融合方法展开研究,具体研究内容如下:(1)针对量测数据中含有野值的问题,研究了非线性系统的容错求容积Kalman滤波(CKF)算法。首先分析了野值出现导致容积Kalman滤波估计性能不匹配的问题。然后针对CKF使用采样近似方法导致的误差以及调节因子的引入点问题,提出一种新的容错CKF滤波算法。最后,通过比较CKF滤波算法和容错CKF滤波算法的滤波MSE与真实MSE的相对接近程度,为容错CKF滤波算法估计性能的优越性提供了理论支撑。(2)针对非线性系统中含有相关乘性噪声,且噪声的相关性不确定的问题,研究了乘性噪声相关系统的非线性自适应CKF算法。首先分析了乘性噪声下CKF算法估计性能不匹配问题,证明了针对乘性噪声改进滤波算法的必要性,提出乘性噪声相关的CKF滤波算法。针对实际工程中模型参数不精准的情形,研究了乘性噪声相关的自适应估计滤波算法。最后,深入分析了乘性噪声的相关性对滤波估计性能的影响,从理论上证明了本章所提算法的有效性。(3)针对单传感器的滤波估计不能满足复杂工程环境下的滤波精度问题,研究了容错CKF滤波融合算法。针对无重置式联邦滤波器故障隔离的缺点以及量测数据中含有相关乘性噪声的问题,对子滤波器提出乘性噪声相关的容错CKF滤波算法,并针对滤波融合对故障检测方法做出了改进,有效提高了融合估计的性能。最后,从理论上分析了容错CKF滤波融合算法的合理性。