自适应衰减记忆滤波算法在纯方位目标运动分析中的应用

"这篇论文提出了一种针对纯方位目标运动分析问题的自适应衰减记忆扩展卡尔曼滤波算法，旨在解决扩展卡尔曼滤波在处理非线性问题时的线性化误差，提高解算精度和稳定性。" 在纯方位目标运动分析(Bearings-Only Target Motion Analysis, BO-TMA)中，通过目标的有源辐射信号，如声波，获取目标的方位信息以估计其运动参数，如速度和方向。然而，由于系统的非线性，通常采用扩展卡尔曼滤波(EKF)来处理这类问题。EKF通过对状态预测值进行一阶泰勒展开线性化观测方程，但这种方法不可避免地引入线性化误差，可能导致滤波不稳定。 文献中提到，直角坐标系下的EKF可能存在不稳定性问题，因此需要研究减少线性化误差的方法。一种解决办法是采用衰减记忆的EKF滤波算法(Memory Attenuated EKF, MAEKF)，不过，该算法在衰减因子选择上并未给出明确指导。论文指出，衰减因子的选择对滤波结果至关重要，固定值的方法可能在某些情况下导致异常或滤波发散。 为解决这个问题，论文提出了一种自适应衰减记忆扩展卡尔曼滤波算法(Adaptive Memory Attenuated EKF, AMAEKF)。新算法利用新息序列的概率分布特性，引入自适应水平的概念，动态调整衰减因子，确保最佳的适应性。这种方法能检测滤波的理论特性与观测新息之间的匹配程度，增强滤波的稳定性，提高精度。 通过对比仿真，AMAEKF算法相比于MAEKF和传统的EKF，显示出了更好的滤波效果和更高的稳定性。这表明，自适应地选择衰减因子对于优化滤波性能至关重要，特别是在处理纯方位目标运动分析这类非线性问题时。 关键词涉及的主题包括目标运动分析、扩展卡尔曼滤波、自适应算法和衰减记忆。该研究对于提升非线性系统中的滤波效率和鲁棒性具有实际意义，尤其在军事和航空航天等领域，对于依赖于目标位置信息的跟踪和导航系统设计具有重要价值。