雷达回波反演大气波导的实时跟踪反演算法研究

将不敏卡尔曼滤波(UKF)和粒子滤波(PF)算法结合起来，提出一种适用于雷达回波反演大气波导(Refractivity from Clutter, RFC)的实时跟踪反演算法UPF。对于RFC这类高度非线性反演问题，UKF不需要对系统状态方程和观测方程线性化，相比传统的扩展卡尔曼滤波(EKF)具有更高的精度；PF不依赖于系统的线性程度和噪声的高斯性，适用于难以线性化和高斯近似处理的情况，而RFC正是典型的高度非线性反演问题。结合雷达回波最新观测信息产生建议分布的UKF能有效克服传统PF中采样粒子的快速退化并最终导致滤波发散的缺陷，且UKF使得PF在先验概率的更新阶段获得对新观测值的修正，从而产生的建议分布与真实后验概率分布更接近，使得UPF 算法的精度更高，这为今后对大气波导实时跟踪反演提供理论基础与技术保证。

为了改善雷达回波反演大气波导(RFC)方面存在的单时次、单方位角反演的问题，提出利用扩展卡尔曼滤波、不敏卡尔曼滤波、粒子滤波和不敏粒子滤波的反演算法对大气波导结构的多方位角实时跟踪反演。在各种滤波方法中分别给出大气波导结构的参数化方程、观测方程、滤波算法的状态转移方程，最后导出滤波反演算法的迭代求解流程。在大气波导结构不随时间变化和随时间变化的两种条件下，对不同滤波算法进行数值实验。数值试验结果表明，与扩展卡尔曼滤波和不敏卡尔曼滤波相比，粒子滤波和不敏粒子滤波更适用于RFC这类高度非线性反演问题，可有效提高反演结果的稳定性和精度。它可能今后为大气波导结构多方位角实时跟踪反演的业务化运行提供理论基础与技术保证。