1. 研究目的与意义

（一）研究背景

在传统的滤波方法中，只能是在有用信号与噪声具有不同频带的条件下才能实现。20世纪40年代，n．维纳和a．h．柯尔莫哥罗夫把信号和噪声的统计性质引进了滤波理论，在假设信号和噪声都是平稳过程的条件下，利用最优化方法对信号真值进行估计，达到滤波目的，从而在概念上与传统的滤波方法联系起来，被称为维纳滤波。这种方法要求信号和噪声都必须是以平稳过程为条件。60年代初，卡尔曼和布塞发表了一篇重要的论文《线性滤波和预测理论的新成果》，提出了一种新的线性滤波和预测理由论，被称之为卡尔曼滤波。然而卡尔曼最初提出的滤波理论只适用于线性系统,所以bucy，sunahara等人提出并研究了扩展卡尔曼滤波(ekf)，将卡尔曼滤波理论进一步应用到非线性领域。ekf的基本思想是将非线性系统线性化，然后进行卡尔曼滤波，因此ekf是一种次优滤波。但是在实际问题的运用中，ekf算法存在精度不高，稳定性差，对目标机动反应迟缓等缺点。因此，一些学者提出了无迹卡尔曼滤波（ukf），它是根据unscented变化(无味变换)和卡尔曼滤波相结合得到的一种算法。 这种算法主要运用卡尔曼滤波的思想，但是在求解目标后续时刻的预测值和量测值时，则需要应用采样点来计算。

卡尔曼滤波器是最优的递归算法。针对于许多实际问题的解决它是效率最高的，最好的，最有用的方法。卡尔曼滤波器已经在机器人导航与控制系统，传感器数据融合，军事雷达和弹道轨迹外推等领域被广泛应用。在最近的几年，它在计算机图像处理方面占据着非常重要的地位，如人脸识别，图像边缘检测与图像分割技术和操作系统等技术领域。雷达测量系统中，目标跟踪往往是人们非常关注的方面，但测量运动目标的位置、速度和加速度在每时每刻都存在噪声信号。卡尔曼滤波是基于运动目标动态信息，设法消除噪声干扰，从而获取目标位置的最佳估计。这个估计过程主要有三个方面，第一个方面是对运动目标当前位置的估计，第二个方面是对运动目标未来位置的估计，第三个方面是对运动目标过去位置的估计。

2. 研究内容与预期目标

（一）预期目标

本课题以原有卡尔曼滤波原理的研究，对无迹卡尔曼滤波算法进行了解，研究，最终实现以下预期目标：

1、实现对机动目标的动态跟踪；

3. 研究方法与步骤

（一）研究方法

本研究课题拟采用计算机仿真的方法来实现。

（1）对机动目标进行建模，分别建立状态方程和系统方程；

4. 参考文献

[1] 彭丁聪. 卡尔曼滤波的基本原理及应用[d]. 中国地质大学研究院，2008.

[2] 张长春，黄英，杨刚. 卡尔曼滤波在跟踪运动目标中的应用及仿真[j]. 广东工业大学，2005，54-56.

[3] 杨柏胜，姬红兵. 基于无迹卡尔曼滤波的被动传感器融合跟踪[d]. 西安电子科技大学，2008.

5. 工作计划

（1）第一阶段（1周-4周）：收集资料，了解卡尔曼滤波器和扩展卡尔曼滤波的基本知识，对设计任务有基本认识，撰写开题报告；

（2）第二阶段（5周-8周）： 确定总体方案，逐步深入学习扩展卡尔曼滤波器及其算法的原理。认真学习matlab方面的有关知识，为之后的仿真工作做准备；

（3）第三阶段（9周-12周）： 编写并调试仿真代码，开始外文翻译工作；