王钦若,熊建斌,叶宝玉,邓九英,杨 娜
(广东工业大学自动化学院,广东广州510090)
针对Kalman滤波发散的不同原因,抑制自适应Kalman滤波发散的方法,最常见的方法有:Sage-Hua自适应滤波法[1-3]、强跟踪Kalman滤波法[2-3]、平方根法、贝叶斯法、相关法与协方差匹配法、输出相关法、新息相关法[1]、限定记忆法[1,2,5]、有限定下界法[2]、衰减记忆估计法[1,2,5]、模型方差自适应补偿法[4]、采用有偏的噪声方差估值器法[3]等。以上这些方法,都是为了降低滤波误差并增强滤波器适应外界环境条件不断变化的能力,它们设法利用滤波过程自身获得的某些信息对滤波器的设计在线地加以改进和修正。这些方法在一定程度上提高了卡尔曼滤波对噪声的鲁棒性、提高滤波器的智能性;但是,单一的使用一种方法存在实时性、可靠性较差,算法结构复杂,存在着一定概率条件下滤波发散的问题,不利于工程应用[6]。混合式自适应Kalman滤波算法,首先引入带未知时变噪声统计的虚拟噪声,给出时变噪声统计估值器,进行补偿模型噪声[2];但由于模型不精确、噪声统计误差较大,导致状态估计误差很大,甚至滤波器发散;为了克服这一缺点,进一步采用强跟踪方法以及波器收敛性判据方法,对自适应Kalman滤波进行监控,及时阻止滤波器发散。混合式自适应Kalman滤波算法更具一般性、更加有效的阻止滤波发散,可应用于船舶动力定位、过程控制、数据融合、导航系统、数据优化等领域。