赵 岩，王 宁，韦道知

(空军工程大学 防空反导学院， 陕西 西安 710051)

状态估计是从已有信息中提取有用信息[1]，并对系统模型的某些参数进行校正的方法。状态估值的精度和可靠性与系统模型是否准确描述直接相关[2]。实际系统的非线性模型可以有效还原系统的真实性，但过于复杂的模型，计算大，甚至难以计算[3]。因此，系统模型应对实际系统进行适当简化，降低系统的非线性程度。与此同时，系统不可避免地引入了一定干扰。

目前，常用的非线性系统状态估计方法有无迹卡尔曼滤波(Unscented Kalman Filtering, UKF)方法、粒子滤波(Particle Filtering, PF)方法以及相关改进方法。UKF通过Unscented变换，获得状态一步预测的一阶、二阶统计信息，能够对较高非线性度系统进行有效估计，估值精度达到二阶以上[4]。但UKF方法对初始噪声相对敏感，不准确的初始误差模型会严重影响UKF方法的滤波性能[5-7]。PF方法能够处理强非线性系统[8]，PF方法利用蒙特卡洛方法，随机产生一组含有权值的粒子，近似状态的后验概率分布。但PF方法也会面临粒子匮乏等问题，导致状态估值陷入局部最优。这些非线性方法都存在计算量大、实时性相对较差的缺陷。对于线性系统，卡尔曼滤波(Kalman Filtering, KF)算法无疑是最实用和成熟的方法，广泛应用于航空航天、工业控制、通信、经济金融等领域。为了在非线性系统中应用KF算法，通过改进得到扩展卡尔曼滤波(Extended Kalman Filtering, EKF)算法[9]，该方法利用Taylor级数，将非线性系统线性化，然后进行KF算法迭代，能够获得非线性系统的状态估值。……