预测目标的运动参数实现复合控制是提高快速捕获和精密跟踪精度的重要手段。复合控制可以提高系统的无静差度,消除速度和加速度滞后误差,使跟踪精度提高几倍至十几倍。同时可以降低由于其它扰动引起的误差。 实现复合控制必须能够获得目标运动的角速度、角加速度信号,通过预测滤波技术可以得到空中目标运动的位置及其导数,因此,预测目标的运动参数对于提高精密跟踪精度具有十分重要的意义。 通常,目标的运动状态方程在直角坐标下描述,而传感器的测量值是在极坐标下取得的,因此,光电目标运动参数的滤波属于非线性滤波。本文研究高精度光电目标运动参数的非线性滤波。 首先,根据噪声的统计特性,建立了分别基于白噪声和有色噪声的直角坐标下的光电跟踪目标状态模型和分别基于极坐标系和直角坐标系的测量模型。 针对推广Kalman滤波算法精度低,易发散的缺点,认为线性化误差是影响跟踪精度的因素之一,为此,本文提出了实际测量噪声协方差的在线估计算法,该算法简单实用,计算量小。从而很好地解决了在实际应用中,测量噪声的时变协方差矩阵无法验前已知这一难题。同时在研究中发现目标的距离与线性化误差有关,而目标的角位置的非线性与线性化误差关系较小。 提出了改进的推广Kalman滤波算法:①采用混合坐标系,在直角坐标系用相对简单的状态方程描述目标的运动特性,目标轨迹外推,协方差矩阵的传播,增益的计算均在直角坐标下进行,而目标新息(残差)计算在极坐标下进行;②增加了线性化误差补偿。将距离的非线性通过附加噪声加以补偿,距离测量误差的方差每一步被重新估计。该算法有效的减小了极坐标测量值非线性的影响,跟踪性能优于推广Kalman滤波器。 为减少改进的推广Kalman滤波器的计算量,提出了贯序滤波方法(SMEKF)。采用贯序滤波算法,可以避免直接计算矩阵的逆,因此可以大大减少计算量。同时在研究中发现如果按照俯仰、方位、距离的顺序进行测量更新,可以提高估计精度。仿真研究表明,采用贯序滤波的改进的推广Kalman滤波算法不仅可以减小计算量,而且跟踪精度也大大提高。 提出了一种针对光电机动目标的修正机动加速度方差自适应算法。状态模型