存在非高斯重尾分布噪声的纯方位目标跟踪算法

纯方位目标跟踪是目标跟踪研究中的热点问题，针对目标跟踪方程中的非高斯重尾分布噪声问题，提出了一种针对非高斯重尾分布噪声的卡尔曼滤波算法。该方法通过建立基于存在异常值的高斯分布的层次高斯模型来近似未知的非高斯重尾分布系统过程噪声和测量噪声，并使用变分贝叶斯推断来学习混合概率，解决混合概率不确定带来的滤波性能下降的问题，从而提高滤波的鲁棒性。同时针对纯方位目标跟踪模型的非线性，结合修正增益卡尔曼滤波来降低量测方程非线性的影响。数值仿真结果表明，相对于EKF、UKF和变分贝叶斯卡尔曼滤波PEKF-VB、VBEKF,新算法VBMGEKF估计精度分别提高了69.31%、58.08%、127.84%和9.36%,具备更好的鲁棒性与精度。