文档介绍：信息融合状态估计卡尔曼滤波状态估计的主要内容应用:通过数学方法寻求与观测数据最佳拟合的状态向量。1、确定运动目标的当前位置与速度;2、确定运动目标的未来位置与速度;3、确定运动目标的固有特征或特征参数。*状态估计主要内容:位置与速度估计。位置估计:距离、方位和高度或仰角的估计;速度估计:速度、加速度估计。*状态估计的主要方法1、α-β滤波2、α-β-γ滤波3、卡尔曼滤波这些方法针对匀速或匀加速目标提出,如目标真实运动与采用的目标模型不一致,滤波器发散。*算法的改进及适应性状态估计难点:机动目标的跟踪1、自适应α-β滤波和自适应Kalman滤波均改善对机动目标的跟踪能力。2、扩展Kalman滤波针对卡尔曼滤波在笛卡儿坐标系中才能使用的局限而提出。*卡尔曼滤波器卡尔曼滤波器的应用:通信、雷达、导航、自动控制等领域;航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等。*卡尔曼滤波器的应用特点对机动目标跟踪中具有良好的性能;为最佳估计并能够进行递推计算;只需当前的一个测量值和前一个采样周期的预测值就能进行状态估计。*卡尔曼滤波器的局限性卡尔曼滤波器解决运动目标或实体的状态估计问题时,动态方程和测量方程均为线性。*一、数字滤波器作估值器1、非递归估值器2、递归估值器*1、非递归估值器*采样平均估值器:采用时域分析方法在掺杂有噪声的测量信号中估计信号x。