吴博，刘鹏远，李宝晨

(军械工程学院,河北 石家庄　050003)



基于“当前”统计模型的后向迭代CKF算法研究*

吴博，刘鹏远，李宝晨

(军械工程学院,河北 石家庄050003)

摘要：针对机动目标的非线性跟踪问题，提出了基于“当前”统计模型的容积卡尔曼滤波(CS-CKF)。针对新算法对目标加速度阶跃机动跟踪延迟过大的问题，研究了后向迭代算法在估计精度和动态响应速度上的特点，提出了基于“当前”统计模型的后向迭代容积卡尔曼滤波算法。最后通过仿真实验比较了本文提出的CS-CKF算法和CKF算法的滤波效果。结果表明CS-CKF算法滤波效果优于CKF算法。

关键词：机动目标跟踪；非线性滤波；“当前”统计模型；容积卡尔曼滤波；后向迭代算法；动态特性

0引言

随着技术的进步及其在军事上的应用，空中目标的机动性大幅度提升使得目标跟踪系统动态性增强，而且雷达探测的双坐标体制使得量测方程存在非线性变换。因此，机动目标的非线性跟踪成了一个亟待解决的问题。

由于目标机动的不确定性，建立的目标模型与实际情况往往存在偏差。近年来，对机动目标建模问题的研究很多，提出了一些实用的模型。其中“当前”统计模型(current statistical，CS)[1-2]是在singer模型基础上的加速度均值自适应改进，其反映的目标机动变化更符合实际。量测方程的非线性处理方法主要有扩展卡尔曼滤波(EKF)[3-4]、无迹卡尔曼滤波(UKF)[5-6]、容积卡尔曼滤波(CKF)[7-8]。其中CKF能够避免EKF的高阶截断误差，同时其在高维系统的性能优于UKF[9-10]。

选取“当前”统计模型作为目标模型，采用CKF算法处理量测方程的非线性问题，提出了将两者相结合的基于“当前”统计模型的容积卡尔曼滤波算法(CS-CKF)。……