ARPA中变增益α-β-γ滤波的原理与设计

常增益α-β-γ(或α-β)滤波可以简化滤波过程中的运算量,缩短滤波运算时间,但其缺点是估值方差不是渐近的,而是波动的,要较长过程后才接近稳态方差,对目标速度较低,采样周期较长,而跟踪时间往往不长的ARPA中,使用这种滤波方法,就尤其显得不足。本文根据ARPA的特点,提出了一种新的变增益α-β-γ滤波的原理与设计方法。同时根据这一原理,本文还介绍了有限记忆α-β-γ(或α-β)滤波的优缺点及设计方法,并给出一个计算实例。作者认为在ARPA中采用这种滤波原理是可行的,而且能明显地改善APRA的性能。在线性量测时,若没有估计的验前知识,最小方差估计就退化为带权最小二乘估计。因此,对匀速直线运动的量测数据的处理,常采的滤波方法是α-β滤波。α-β滤波是以带权最小二乘为估计准则,用逆推的方法,求得匀速直线运动的两参数(位置、速度或单位位移增量)的最佳估计值。具体方法与公式见文献1]。ARPA中,常假设量测误差的方差δ_k~2=const,(即权W_k≡1),所以,目前ARPA中的α-β滤波多数是以最小二乘为估计准则的。ARPA中,当目标船(或本船)机动(改向/改速)时,采用α-β滤波,是以匀速直线运动线段去代替实际的机动轨迹的,这样,在机动较大时,这种方法就容易丢失目标,难以实现有效的自动跟踪。显然,若能采用考虑到机动因素(加速度)的α-β-γ滤波,就可以提高ARPA自动跟踪的性能。文献1]中给出了一种常增益的α-β-γ滤波方法。常增益α-β-γ滤波方法的好处是可以简化滤波过程中的运算量,缩短滤波运算时间;但是其估值方差不是渐近的、而是波动的,而且要较长的过程后才接近稳定的估值方差。在ARPA中,采样周期较长(一般为3秒)、跟踪时间往往并不长;若使用这种滤波方法,就尤其显得不足。为此,本文介绍一种变增益的α-β-γ滤波方法的原理及一些设计方法。这种新的滤波方法有较好的滤波效果,适合ARPA中使用。ARPA中若使用这一滤波方法,可以明显地改善其跟踪器的性能。当前微处理机的容量、速度及功能的飞速提高,为这种滤波方法的实现提供了可能。