基于自适应参数化模型的Student-t混合滤波算法在再入飞行器高精度状态估计中的应用研究

针对再入飞行器跨域飞行中非高斯测量噪声的时变异常值和未知先验统计特性问题，研究人员提出自适应变分贝叶斯Student-t混合滤波算法(AVBSTMF)。该算法通过构建STMNIWGam联合分布模型，在线调整分量系数、均值和自由度参数，在VB框架下实现了对非平稳噪声的高精度估计。仿真结果表明，该方法显著提升了高超音速滑翔飞行器状态估计的精度和鲁棒性，为防御技术中的轨迹预测与拦截提供了新思路。

　　

再入飞行器的状态估计技术是防御体系中轨迹预测与拦截的基础，但跨域飞行中复杂的电磁环境和气动效应会导致测量系统产生时变异常值，使得噪声呈现非平稳、多模态和非高斯特性。传统卡尔曼滤波(KF)依赖高斯分布假设和固定先验统计，难以应对这类挑战。高超音速滑翔飞行器(HGV)的强机动性更放大了这一难题，亟需开发不依赖先验信息的自适应滤波算法。

中国某高校的研究团队在《Digital Signal Processing》发表研究，提出自适应变分贝叶斯Student-t混合滤波算法(AVBSTMF)。该方法通过三个关键技术突破：1) 采用Student-t混合(STM)分布结合分量系数自适应调整，增强对重尾噪声的鲁棒性；2) 设计正态-逆Wishart-Gamma(NIW-Gam)参数模型，通过变分贝叶斯(VB)框架在线更新均值、协方差和自由度(DOF)参数；3) 构建STM_NIWGam联合分布，实现时变噪声统计特性的动态捕获。仿真实验以HGV为对象，验证了算法在未知非高斯噪声环境下的优越性能。

问题建模
建立线性随机系统模型x_k=F_kx_k-1+ω_k-1，z_k=H_kx_k+υ_k，其中υ_k为具有未知统计特性的非高斯测量噪声。

参数关系分析
推导出均值参数A_k/k^i(j+1)的递推公式，揭示当前时刻估计与历史参数间的耦合关系，证明DOF参数通过Gamma分布实现自适应更新。

仿真验证
采用高超音速跳跃滑翔飞行器轨迹数据，对比实验显示AVBSTMF的位置估计误差比传统STM滤波降低46.7%，速度估计均方根误差减少38.2%，显著提升对突发异常值的鲁棒性。

该研究创新性地将混合分布理论与自适应参数估计相结合，突破了传统滤波算法对先验信息的依赖。STM_NIWGam模型通过分层贝叶斯框架实现参数自优化，为复杂环境下的状态估计提供了通用解决方案。成果不仅适用于再入飞行器跟踪，在导航定位、多传感器融合等领域也具有重要应用价值。国家自然科学基金的资助进一步凸显了该研究在国防科技领域的战略意义。