下载掌阅APP，畅读海量书库
立即打开
估计是指从不精确且不确定的观测值中推断感兴趣的参量的值的过程，这些观测值往往来自不同的传感器，如雷达、红外、声呐等。估计问题包括但不限于以下几类。
（1）卫星轨道参数的确定，即卫星定轨问题。
（2）统计推断。
（3）飞机、车辆等位置、速度的确定，也可以称为目标跟踪问题。
更严谨地说，估计是在一个连续空间中挑选一个点的过程，这个点是最优的估计。
目标跟踪是基于实时的带噪声的量测信息对运动目标的状态进行估计的过程，它是估计问题中一个特殊且典型的例子。对运动目标的状态进行估计通常称为滤波，进一步地，对动态系统的参量的估计也可以称为滤波。
估计按照被估计量是否随机可分为参数估计（非随机）和状态估计（随机）。参数估计方法通常称为非贝叶斯方法，状态估计方法通常称为贝叶斯方法。
参数估计问题主要存在于传感器对同一个静止目标进行量测进而对目标定位的问题中。此时目标的位置固定，传感器量测带有噪声，难以直接定位，参数估计方法是利用多个传感器量测对非随机的目标位置进行估计的过程。
状态估计问题通常是对具有先验信息的被估计量进行估计的过程。例如，在一个目标跟踪系统中，目标实时运动，其运动模型可以通过建模获得，该运动模型则可称为先验信息，当对运动目标进行跟踪时，可以利用该运动模型对目标的位置进行预测，再利用带噪声的传感器量测对目标的位置、速度等进行估计。
参数估计方法主要有极大似然方法和最小二乘方法。状态估计方法主要有最大后验估计、最小均方误差估计和线性最小均方误差估计等。最小均方误差估计是状态估计问题中被广泛接受的优化准则，其估计是被估计量的后验均值。对于线性高斯系统，文献 ［1］ 提出的卡尔曼滤波是最优的最小均方误差估计器。然而，在实际问题中，几乎所有的系统均为非线性的，后验均值很难直接获得。为了能够获得后验均值，学者们提出了多种方法。这些方法大致可以分为两类：概率密度估计和点估计。文献 ［2］ 提出的粒子滤波是典型的概率密度估计方法。点估计直接估计随机状态的一、二阶矩，线性最小均方误差估计是典型的点估计方法。本书仅关注点估计问题。
现有的线性最小均方误差估计主要分为两类。一类是基于函数逼近的线性最小均方误差估计，这类估计方法通过对系统中的非线性函数进行近似，估计随机状态的一、二阶矩。Jazwinski在文献 ［3］ 中提出的扩展卡尔曼滤波是典型的基于函数逼近的线性最小均方误差估计，类似的还有Jazwinski在文献 ［4］ 中提出的二阶和高阶扩展卡尔曼滤波及迭代卡尔曼滤波等。另一类是基于矩逼近的线性最小均方误差估计，这类估计方法通过确定性采样方法计算随机状态的一、二阶矩，典型的确定性采样方法有无迹变换、容积规则和高斯-厄米特求积规则等。
然而，上述线性最小均方误差估计均为原始量测的线性函数，对于一个非线性估计问题，如果随机状态的估计与原始量测呈非线性关系，则更加匹配真实问题。因此，兰剑等针对非线性结构估计器开展了系列研究，并发表了多篇相关论文，主要包括不相关转换滤波、最优转换采样滤波、广义转换滤波、非线性估计多转换方法等。上述滤波器将在第5章中详细介绍。