学位论文 > 优秀研究生学位论文题录展示

不确定量测下的多模型估计方法

作　者: 汤晓芳
导　师: 刘妹琴
学　校: 浙江大学
专　业: 系统分析与集成
关键词: 随机无迹卡尔曼滤波不确定量测机动目标跟踪多模型估计
分类号: N945.1
类　型: 硕士论文
年　份: 2013年
下　载: 2次
引　用: 0次
阅　读: 论文下载

内容摘要

状态估计是估计理论的一个重要组成部分,在国防科技和国民经济领域有着广泛的应用。卡尔曼滤波是线性高斯系统最优状态估计方法,而无迹卡尔曼滤波(UKF)正逐渐成为处理非线性滤波问题的有效方法和研究热点,多模型估计法是机动目标跟踪的有效方法。实测数据中含有大量的不确定性,此处的不确定性即是指如传感器在杂波环境中产生的错误测量值、传感器暂时失效等原因导致的测量数据丢失等非量测噪声所含的特性,若采用标准滤波估计方法,滤波器的性能将会大大降低甚至导致结果发散。本文基于以上出发点,首先针对非线性系统介绍了随机无迹卡尔曼(RUKF)滤波方法,RUKF算法可消除UKF方法的系统误差,提高估计精度。其次从交互式多模型(IMM)估计方法的特点出发,提出用IMM估计方法来对有测量数据丢失的系统进行估计。IMM模型集中包含两个子模型集,最终的估计结果基于两个模型集的估计进行融合得到,改善估计器在测量信息丢失情况下的稳定性,同时得到较好的估计结果。将该算法应用于机动目标跟踪同样可以得到良好的跟踪效果。仿真结果表明在测量信息丢失的情况下,基于IMM的估计方法具有优于传统单模型估计方法的估计性能.

全文目录

致谢  4-5
摘要  5-6
Abstract  6-11
第1章绪论  11-19
  1.1 研究背景  11-12
  1.2 国内外研究现状  12-17
  1.3 论文主要内容  17
  1.4 论文章节安排  17-19
第2章基本滤波方法  19-30
  2.1 本章引论  19
  2.2 Bayes滤波估计  19-22
  2.3 UKF估计  22-25
  2.4 RUKF滤波方法  25-27
  2.5 交互式多模型估计  27-29
  2.6 本章小结  29-30
第3章不确定量测下的多模型估计算法  30-46
  3.1 本章引论  30
  3.2 不确定量测模型  30-31
  3.3 不确定量测下的单模型滤波算法  31-33
  3.4 不确定量测下的IMM估计方法  33-37
  3.5 仿真验证  37-45
    3.5.1 仿真例子1  38-42
    3.5.2 仿真例子2  42-45
  3.6 本章小结  45-46
第4章不确定量测下的机动目标跟踪  46-61
  4.1 本章引论  46
  4.2 不确定量测下的机动目标跟踪IMM方法  46-51
  4.3 仿真验证  51-60
    4.3.1 线性系统仿真  51-54
    4.3.2 非线性系统仿真  54-60
  4.4 本章小结  60-61
第5章结论与展望  61-63
  5.1 主要研究工作  61
  5.2 研究方向展望  61-63
参考文献  63-67
作者简历  67

不确定量测下的多模型估计方法

内容摘要

全文目录

相似论文