[发明专利]基于多方法融合的量化卡尔曼滤波方法

摘要

本发明涉及一种基于多方法融合的量化卡尔曼滤波方法，本发明大体包括三部分内容。第一部分根据实际目标运动进行系统建模；第二部分参考相关文献，分别给定QKF‑STF和VB‑AQKF的最优估计结果；第三部分使用QKF‑MMF实现最优线性加权融合，其中包括计算最优加权矩阵、最终目标状态的加权融合状态估计、融合估计误差协方差及互协方差矩阵。上述方法既具有强跟踪功能还能对未知方差进行动态估计，不仅实现了在线实时估计还提高目标跟踪的精确度。因此，该发明能够通过雷达所测得的现有数据准确估计任意时刻目标的运动状态，实现了目标跟踪的功能。

主权项

基于多方法融合的量化卡尔曼滤波方法，其特征在于该方法包括以下步骤：步骤1.系统建模，考虑二维平面目标的跟踪问题，假设目标为匀速运动模型，给出跟踪目标的系统模型如下：式中，k是时间指数，Xk是系统状态向量，分别由运动状态的距离和速度组成；φk,k‑1是相应的从k‑1到k时刻系统状态转移矩阵；Zk是传感器观测值，即表示由雷达所测得的距离；Hk是相关观测矩阵；Wk,k‑1是均值为零方差Qk,k‑1的高斯白噪声，Vk是均值为零方差Rk的高斯白噪声；假设初始状态为X0，其中均值和方差分别是和P0|0，并且与Wk,k‑1和Vk不相关；步骤2.分别给定基于强跟踪量化卡尔曼滤波和基于变分贝叶斯自适应量化卡尔曼滤波的最优估计结果，具体是：得出基于强跟踪量化卡尔曼滤波得到的状态估计和估计误差协方差P1,k|k，基于变分贝叶斯自适应量化卡尔曼滤波得到的状态估计和估计误差协方差P2,k|k；步骤3.给出基于多方法融合的量化卡尔曼滤波方法(3.1)假设加权融合估计式中，假设A1,k和A2,k是最优加权矩阵；(3.2)计算最优加权矩阵A1,k,A2,k和融合估计误差协方差矩阵Pf,k|k：根据如下最优约束条件：可得：Pf,k|k＝P1,k|k‑A2,k(P1,k|k‑P21,k|k)；式中，Pq,k|k(q＝1,2)分别是基于强跟踪量化卡尔曼滤波和基于变分贝叶斯自适应量化卡尔曼滤波的估计误差协方差矩阵；P12,k|k和P21,k|k是融合估计误差互协方差矩阵；Mk＝P1,k|k+P2,k|k‑P12,k|k‑P21,k|k；将最优加权矩阵代入(3.1)中，即可得到最终加权融合估计(3.3)计算滤波增益Kq,k(q＝1,2)：式中，是量测噪声的未知方差；(3.4)根据上式所求得的加权融合估计，计算融合估计误差互协方差矩阵P12,k|k和P21,k|k：式中，是量测噪声的未知方差；根据初始条件可得P12,0|0＝P21,0|0＝P0|0。