林 旭，刘俊钊

（成都理工大学 地球科学学院，成都 610059）

现有的目标跟踪估计算法大多采用的是传统卡尔曼滤波（Kalman Filtering,KF）算法，而KF是一种建立在状态噪声和观测噪声均为白噪声条件下的最优估计方法。在实际的观测过程中，目标系统通常是连续的动态过程，导致噪声历元间存在时间相关性[1-3]，例如，全球导航卫星系统（Global Navigation Satellite System,GNSS）的导航解决方案中就包含了误差源的影响，如大气延迟、时钟误差，它们会随时间缓慢变化。噪声的时间相关性使得KF算法的处理精度受到严重制约。对于有色噪声的处理，许多学者提出了解决方法，如状态扩增法、量测扩增法[4]、函数模型拟合法以及抗差 M-M 滤波等。其中，状态扩增法和量测扩增法是通过构造由白噪声所驱动的模型，将有色噪声作为模型参数在滤波中一并估计；函数模型拟合法在滤波解算前利用有色噪声预报值修正状态量和观测量，以控制有色噪声的影响；文献[5]采用自适应卡尔曼滤波，通过构建观测量等价权或自适应因子降低有色噪声在数据处理中的权重，从整体上控制了有色噪声，因而有着广泛的应用。这些方法皆是在传统卡尔曼滤波模型下，将有色噪声看作白噪声的简单线性函数，并结合滤波模型参与解算。但实际上，有色噪声不一定能由简单的函数模型表达，若仍将其视为白噪声的简单线性函数，上述方法的精度将难以保证。

文献[6]利用有色噪声协方差矩阵改进了卡尔曼滤波的预测状态协方差和估计状态协方差，并在协方差更新过程中减弱有色噪声对状态估值的扰动，得到较好的估计效果。……