傳統(tǒng)的復(fù)數(shù)卡爾曼濾波算法是基于眾所周知的均方誤差準(zhǔn)則所實現(xiàn)的,當(dāng)噪聲信號是圓高斯信號的情況下,均方誤差準(zhǔn)則才會達(dá)到最優(yōu)。但是,在真實的世界中涉及到復(fù)雜信號的時候,狀態(tài)噪聲和觀測噪聲通常在某些情況下會出現(xiàn)非圓特征。因此,當(dāng)處理真實世界的復(fù)雜信號時,僅僅使用傳統(tǒng)的復(fù)數(shù)卡爾曼濾波算法會達(dá)不到最優(yōu)的性能。針對上述所提到的情況,本文對在非圓信號影響下的復(fù)數(shù)卡爾曼濾波算法進(jìn)行了深入研究,具體工作如下:首先,本文介紹了卡爾曼濾波算法的基本模型和復(fù)數(shù)域信號的概念和理論知識,給出了非圓信號、圓度系數(shù)及高斯熵等復(fù)數(shù)域信號中常用的定義。接著研究了復(fù)值卡爾曼濾波算法模型,詳細(xì)推導(dǎo)了兩種卡爾曼濾波算法,即復(fù)數(shù)卡爾曼濾波(Conventional Complex Kalman Filter,CCKF)算法和增強(qiáng)卡爾曼濾波(Augmented Complex Kalman Filter,ACKF)算法,為后續(xù)對復(fù)數(shù)域卡爾曼濾波算法的研究奠定了理論基礎(chǔ)。然后,本文在復(fù)數(shù)卡爾曼濾波算法的基礎(chǔ)上,將高斯熵的代價函數(shù)帶入到復(fù)數(shù)卡爾曼濾波算法中去,得到了基于高斯熵的復(fù)數(shù)卡爾曼濾波算法并給出了詳細(xì)的推導(dǎo)過程。最后,本文通過理論...

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 復(fù)數(shù)卡爾曼濾波的研究與發(fā)展
        1.2.2 復(fù)數(shù)域信號的研究和發(fā)展
    1.3 本文研究內(nèi)容及結(jié)構(gòu)安排
第二章 理論背景介紹
    2.1 復(fù)數(shù)域理論背景介紹
        2.1.1 復(fù)數(shù)域信號理論基礎(chǔ)
        2.1.2 圓系數(shù)和高斯熵的基礎(chǔ)研究
    2.2 復(fù)數(shù)域卡爾曼濾波算法的基礎(chǔ)研究
        2.2.1 傳統(tǒng)復(fù)數(shù)卡爾曼濾波算法基礎(chǔ)研究
        2.2.2 增強(qiáng)復(fù)數(shù)卡爾曼濾波算法基礎(chǔ)研究
        2.2.3 傳統(tǒng)卡爾曼濾波算法和增強(qiáng)卡爾曼濾波算法仿真
    2.3 本章小結(jié)
第三章 基于高斯熵的維納濾波算法
    3.1 線性濾波算法問題描述
        3.1.1 基于MSE的線性濾波器
        3.1.2 基于高斯熵的線性濾波器
    3.2 基于高斯熵線性濾波器的閉式解
    3.3 仿真分析
        3.3.1 復(fù)數(shù)域線性濾波器閉式解仿真
        3.3.2 復(fù)數(shù)域線性濾波器的自適應(yīng)解仿真
    3.4 本章小結(jié)
第四章 基于高斯熵的卡爾曼濾波算法
    4.1 基于高斯熵卡爾曼濾波算法理論分析
        4.1.1 基于高斯熵的卡爾曼濾波算法
        4.1.2 基于高斯熵卡爾曼濾波算法的推導(dǎo)
        4.1.3 基于高斯的卡爾曼增益推導(dǎo)
    4.2 基于高斯熵的卡爾曼濾波算法的性能分析
        4.2.1 基于高斯熵的閉式解的推導(dǎo)
        4.2.2 在無噪聲和有噪聲環(huán)境下的性能分析
    4.3 基于高斯熵的卡爾曼濾波算法仿真實驗
        4.3.1 實驗性能指標(biāo)說明
        4.3.2 理論性能指標(biāo)仿真
    4.4 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號：3770130