基于统计相似度度量的自适应鲁棒卡尔曼滤波算法OA

含有离群值的噪声表现出重尾特性,使得高斯噪声下最优的卡尔曼滤波器性能下降。为解决噪声协方差矩阵未知和时变的状态估计问题,针对离群值影响下产生的非高斯噪声,提出了一种基于统计相似度度量的自适应鲁棒卡尔曼滤波算法(RSSMAKF),算法利用统计相似度度量构建成本函数,同时估计系统状态、过程误差和观测噪声的后验概率密度。为了能够自适应地抑制离群值的影响,提出了一种τ自适应策略并将其嵌入后验概率密度函数的估计过程。仿真结果表明,所提出的RSSMAKF算法与其他鲁棒卡尔曼滤波算法相比,在均方误差准则下的性能更优。