欠观测条件下的高斯和增量卡尔曼滤波算法.pdf

《欠观测条件下的高斯和增量卡尔曼滤波算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第32卷第5期计算机应用研究V01．32No．52015年5月ApplicationResearchofComputersMav2015欠观测条件下的高斯和增量卡尔曼滤波算法水陈金广，张曼，王伟，马丽丽(1．西安工程大学计算机科学学院，西安710048；2．西安电子科技大学电子工程学院，西安710071)摘要：欠观测条件下的增量卡尔曼滤波算法能够消除未知的量测系统误差，提高滤波精度。当系统的过程噪声和量测噪声为非高斯分布时，该算法不能直接使用。针对该问题，结合高斯和滤波算法，提出一种欠观测条件下的高斯和增量卡尔曼滤波算法。该算法将初始状态、过程噪声和量测噪声近似为高斯和

2、的形式，然后按照增量卡尔曼滤波的思想对每个高斯项进行预测和更新，最后以累加和的形式对状态向量进行近似。仿真结果表明，该算法在非高斯噪声分布的情况下，既能成功地消除量测系统误差，又能有效地提高滤波估计的准确度和可靠性。关键词：高斯和滤波；增量卡尔曼滤波；非高斯噪声；卡尔曼滤波；状态估计中图分类号：TP301．6文献标志码：A文章编号：1001—3695(2015)05-1365—04doi：10．3969／j．issn．1001—3695．2015．05．021GaussiansumincrementalKalmanfilterunderpoorobservationco

3、nditionCHENJin-guang，ZHANGMan，WANGWei，MALi-li(1．SchoolofComputerScience，Xi’anPolytechnicUniversity，Xi’an710048，China；2．SchoolofElectronicEngineering，XidianUniversity，Xi’an710071，China)Abstract：Incrementa!Kalmanfilterunderpoorobservationconditioncaneliminateunknownmeasurementsystemerrorsa

4、ndimprovetheprecisionoffilter．However，whenthesystemprocessnoiseandmeasurementnoisearesubjecttonon—Gaussiandistributions，thealgorithmcannotbeuseddirectly．Addressingthisproblem，thispaperpresentedaGaussiansumincremen-talKalmanfilterunderpoorobservationconditionthoughcombiningwiththeGaussian

5、sumfilteringalgorithm．Inthealgo—rithm，itapproximatedtheinitialstate，processnoiseandmeasurementnoisebytheformofGaussiansum．ThenitusedeachGaussianitemtopredictandupdateaccordingtotheincrementalKalmanfiltertheory．Finally，itapproximatedstatevaluebyusingtheformofaccumulatedsum．Simulationresul

6、tsshow，insystemswithnon—Gaussiannoisedistribution，theproposedal·gorithmcaneliminatethemeasurementsystemsuccessfully，andcanimprovetheaccuracyandreliabilityeffectively．Keywords：Gaussiansumfilter；incrementalKalmanfilter；non—Gaussiannoise；Kalmanfilter；stateestimationEKF)算法。该算法能够有效地消除弱非线性系统中的

7、量测系0引言统误差，提高非线性系统的滤波精度。然而这些算法都要求过程噪声、量测噪声以及后验概率密度函数满足高斯分布。如果卡尔曼滤波(Kalmanfilter，KF)算法不仅可以处理平稳随不满足高斯分布，则滤波精度降低。机系统，也适合处理多维、时变和非平稳的随机系统。目前它高斯和滤波算法能够较好地解决非高斯分布条件下的滤被广泛应用于导航、定位、目标跟踪等各领域⋯。然而滤波系波问题。该算法的思想是将非高斯分布看成多个高斯分布的统受周围环境、量测设备等影响较大，本身会产生未知的量测叠加，即对每个高斯分布进行状态估计，然后以累加和的形式系统误差，