資源描述：
《欠觀測(cè)條件下的高斯和增量卡爾曼濾波算法.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、第32卷第5期計(jì)算機(jī)應(yīng)用研究V01．32No．52015年5月ApplicationResearchofComputersMav2015欠觀測(cè)條件下的高斯和增量卡爾曼濾波算法水陳金廣，張曼，王偉，馬麗麗(1．西安工程大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，西安710048；2．西安電子科技大學(xué)電子工程學(xué)院，西安710071)摘要：欠觀測(cè)條件下的增量卡爾曼濾波算法能夠消除未知的量測(cè)系統(tǒng)誤差，提高濾波精度。當(dāng)系統(tǒng)的過(guò)程噪聲和量測(cè)噪聲為非高斯分布時(shí)，該算法不能直接使用。針對(duì)該問(wèn)題，結(jié)合高斯和濾波算法，提出一種欠觀測(cè)條件下的高斯和增量卡爾曼濾波算法。該算法將初始狀態(tài)、過(guò)程噪聲和量測(cè)噪聲近似為高斯和
2、的形式，然后按照增量卡爾曼濾波的思想對(duì)每個(gè)高斯項(xiàng)進(jìn)行預(yù)測(cè)和更新，最后以累加和的形式對(duì)狀態(tài)向量進(jìn)行近似。仿真結(jié)果表明，該算法在非高斯噪聲分布的情況下，既能成功地消除量測(cè)系統(tǒng)誤差，又能有效地提高濾波估計(jì)的準(zhǔn)確度和可靠性。關(guān)鍵詞：高斯和濾波；增量卡爾曼濾波；非高斯噪聲；卡爾曼濾波；狀態(tài)估計(jì)中圖分類號(hào)：TP301．6文獻(xiàn)標(biāo)志碼：A文章編號(hào)：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。該算法能夠有效地消除弱非線性系統(tǒng)中的
7、量測(cè)系0引言統(tǒng)誤差，提高非線性系統(tǒng)的濾波精度。然而這些算法都要求過(guò)程噪聲、量測(cè)噪聲以及后驗(yàn)概率密度函數(shù)滿足高斯分布。如果卡爾曼濾波(Kalmanfilter，KF)算法不僅可以處理平穩(wěn)隨不滿足高斯分布，則濾波精度降低。機(jī)系統(tǒng)，也適合處理多維、時(shí)變和非平穩(wěn)的隨機(jī)系統(tǒng)。目前它高斯和濾波算法能夠較好地解決非高斯分布條件下的濾被廣泛應(yīng)用于導(dǎo)航、定位、目標(biāo)跟蹤等各領(lǐng)域?。然而濾波系波問(wèn)題。該算法的思想是將非高斯分布看成多個(gè)高斯分布的統(tǒng)受周圍環(huán)境、量測(cè)設(shè)備等影響較大，本身會(huì)產(chǎn)生未知的量測(cè)疊加，即對(duì)每個(gè)高斯分布進(jìn)行狀態(tài)估計(jì)，然后以累加和的形式系統(tǒng)誤差，
