一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法

摘要

本发明公开了一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法，包括建立离散多模型参数非线性高斯系统模型、软约束构建截断先验、融合截断先验和状态后验反馈构建混合高斯重要性分布、修正综合积分点进行预测更新、融合多模参数下目标后验分布。通过融合截断先验和后验反馈等约束信息构建覆盖多峰分布的重要性函数，提高了目标重要性函数和实际目标真实分布的匹配程度，改善了采样样本的多样性和准确性。并引入序贯重要性采样修正积分点，同时在时间更新阶段引入相关信息熵测度综合改善积分点的多样性和预测协方差的容错性。能够在无需牺牲计算复杂度的情况下大幅降低平均误差，在应用于跟踪空域机动目标时，使得实时跟踪性能提高了一个数量级。