论文部分内容阅读
本文主要讨论卡尔曼滤波算法和卡尔曼平滑算法应用于非线性系统的形式。讨论的滤波算法包括：扩展卡尔曼滤波算法（EKF）、无迹卡尔曼滤波算法(UKF)和容积卡尔曼滤波算法(CKF)。讨论的平滑算法主要包括：Two-flter平滑器、Forward–backward平滑器和容积Rauch-Tung-Striebel平滑器。研究了利用改进的平滑方法提高容积卡尔曼滤波算法估计精度的方法，同时，还研究了利用改进的无迹卡尔曼滤波方法优化无迹Rauch-Tung-Striebel平滑初值的方法，有效的提高算法的估计精度。本文的创新成果具体如下：（1）传统的容积Rauch-Tung-Striebel平滑是固定区间策略的，无法满足目标跟踪的及时性需求，且精度不够高。本文提出了一种新的在非线性状态空间模型中的固定滞后容积卡尔曼平滑的Rauch-Tung-Striebel（RTS）形式。介绍了一种用k-n时刻到k时刻的所有滤波估计值，通过反向依次迭代计算来校正k-n时刻估计值的固定滞后容积Rauch-Tung-Striebel平滑算法，其中n是滞后时间，k是当前时刻。文中导出的平滑公式近似于贝叶斯最优平滑公式。不同的n值的平滑估计效果是有区别的，仿真论证了新算法的性能。（2）考虑到无迹卡尔曼一致性滤波的估计值在相当长的一段时间是分散的。本文提出了一种新的基于Rauch-Tung-Striebel（RTS）平滑的无迹卡尔曼一致性滤波。新算法和无迹卡尔曼一致性滤波的区别在于对于传统无迹卡尔曼滤波的依赖。无迹卡尔曼一致性滤波提供状态估计值作为无迹RTS平滑的平滑初始值。基于RTS平滑的无迹卡尔曼一致性滤波交换邻居节点的信息，达到一个一致值，然后用所获卡尔曼一致性滤波值作为初值，反向进行平滑，以此获得更高的精度。仿真结果表明，基于RTS平滑的无迹卡尔曼一致性滤波有效的提高了跟踪精度。（3）最后，提出一种运用于无线传感网络中目标跟踪的平滑算法，并讨论了在三种平滑框架下本算法的具体运用。该算法以无迹卡尔曼一致性滤波算法交换节点间滤波估计值，使节点信息趋于一致，以此优化后的滤波估计值作为Rauch-Tung-Striebel（RTS）平滑方法的初始值。针对高斯最优平滑的三种框架具有不同的应用场合，分别阐述三种情况下的基于一致性滤波的无迹RTS平滑算法。仿真实验结果表明，该算法提高了整个跟踪过程的精度。