本发明涉及一种基于过程噪声方差未知的自适应卡尔曼滤波方法，用于线性系统的目标跟踪。通过系统建模、均方误差与新息的联合以及多方法融合的量化卡尔曼滤波，该方法能有效估计未知噪声方差，提高滤波精度，降低滤波效果对初值的依赖，适用于系统模型不精确、噪声统计特性未知的情况。
本发明属于线性系统的目标跟踪领域，涉及过程噪声方差未知的自适应卡尔曼滤波方法。
背景技术：
卡尔曼滤波算法自诞生以来，便在诸多领域得到广泛的应用。与维纳滤波相比，kalman滤波能够解决了非平稳随机信号或状态的最优估计问题。但是在非线性系统中就不能直接使用kalman滤波。通常人们使用扩展kalman滤波，即对非线性方程做泰勒级数展开，以进行线性化近似。在线性化误差较小的系统中使用ekf具有较高的估计精度。此外，还有无迹kalman滤波，积分kalman滤波，容积kalman滤波等通过定点采样实现对非线性系统的近似滤波，比ekf有着更好的估计精度，但同时计算量也大于ekf。除此之外，采用线性化近似的还有傅里叶klaman滤波和中心差分kalman滤波，也都具有较为良好的滤波效果。
作为一种无偏的最小方差估计算法，卡尔曼滤波算法若要获得较好的系统状态估计，系统动态模型必须准确且噪声的统计特性必须为已知的不相关白噪声。此外，为了保证滤波结果的无偏性和滤波的稳定性，必须选取合适的滤波初值及其方差矩阵，否则可能会极大地影响滤波精度，甚至可能会导致滤波发散。在实际应用中，经常会遇到系统模型不精准，系统初始值设置不精准，噪声统计特性不精准或未知等问题。Sage-husa提出了一种自适应滤波算法，可以在线估计观测噪声Q和过程噪声R，但是在实际运用中只能在确定一种噪声的情况下估计另一种噪声。
技术实现要素
最低0.47元/天 解锁文章
1130
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
