目标跟踪应用中,针对迭代扩展卡尔曼滤波(IEKF)在模型失配和噪声时变情况下出现精度下降甚至发散的问题,提出了一种基于多重渐消因子的自适应IEKF算法。该算法首先通过一个基于正态分布的限定记忆新息协方差估值器来计算新息协方差估计值,并根据估计均方误差把多重渐消因子分配给各数据通道;再依照χ 2检验原理判断系统是否异常,仅在系统异常时才引入渐消因子;最后利用目标与观测站间的径向距离和方位角信息,实现了IEKF迭代次数的自适应控制。仿真结果表明:与传统IEKF相比,在系统模型失配时所提算法的位置、速度和加速度平均估计误差分别减少86.97%、33.18%和15.56%;在过程噪声时变时则分别减少60.35%、18.42%和6.02%;在量测噪声时变时则分别减少50.60%、18.78%和5.41%。结果表明,所提算法有效提高了滤波精度,鲁棒性也进一步提升。

针对线性高斯状态空间模型中的噪声统计特性时变时, 变分贝叶斯自适应卡尔曼滤波效果会受影响的问题, 提出了基于强跟踪原理的改进算法。该算法选择测量噪声模型为逆Wishart分布, 将系统状态与时变的测量噪声协方差作为待估参数, 利用变分贝叶斯方法对二者迭代递推估计。测量噪声协方差的最优估计结果再作为时变参数引入到基于强跟踪原理的次优渐消因子中, 以提高其对状态预测协方差的修正精度。仿真结果表明, 改进算法在噪声时变的线性高斯系统中能自适应地跟踪测量噪声协方差, 有效克服过程噪声协方差时变的影响, 估计结果的收敛速度和精度有很大改善。

针对弹道导弹高动态、非线性的特点, 引入了基于三阶球面－径向容积准则的非线性容积卡尔曼滤波(CKF)算法。此外, 针对其特点, 研究了发射惯性系下BDS/SINS深组合导航下的自适应容积卡尔曼滤波(ACKF)算法。该算法根据Sage滤波开窗法的思想和渐消的思想, 通过引入多重次优渐消因子到CKF滤波器中, 自适应地在线调整CKF滤波器的观测误差协方差阵, 在提高滤波精度的同时实现对快速变化的状态进行强有力的跟踪。实验结果表明: 多重次优渐消因子的引入使得CKF滤波器可以更多地利用系统的先验信息, ACKF滤波器对快速变化的状态具有更强的跟踪, 系统误差在较短的时间内收敛, 提高了组合导航系统的动态性能。

针对非定轨目标跟踪问题中过程噪声统计特性未知的特点，提出了一种实用的对过程噪声方差进行实时补偿的目标跟踪算法。该算法根据强跟踪滤波器的思想，通过实时检测新息序列来修正卡尔曼滤波算法中的状态预测误差协方差矩阵，进而对未知的过程噪声方差矩阵进行实时地补偿。由于存在新息检测机制，该算法能够有效地规避表征建模不确定性的过程噪声统计特性未知的问题，对于建模不确定性具有一定的适应能力。通过对一旋转靶标跟踪问题的仿真试验，证明了该方法的有效性。