本發(fā)明屬于空間目標(biāo)跟蹤技術(shù)領(lǐng)域，涉及一種基于攝動多高斯擬合的空間目標(biāo)跟蹤方法，

背景技術(shù)：

空間目標(biāo)(包括，衛(wèi)星、航天器以及空間碎片)跟蹤技術(shù)的研究對于國防建設(shè)、經(jīng)濟(jì)發(fā)展、科學(xué)研究等均具有重要意義。(1)隨著航空航天技術(shù)的蓬勃發(fā)展，人類利用空間能力的不斷增強(qiáng)，空間在國防、政治、科研等方面的戰(zhàn)略地位也日益提高。對空間的利用和控制水平已經(jīng)成為衡量一個(gè)國家綜合實(shí)力強(qiáng)弱的重要標(biāo)準(zhǔn)；(2)隨著地球周邊的太空垃圾越來越多，已經(jīng)嚴(yán)重威脅到了航天器的安全，對于空間目標(biāo)的跟蹤和監(jiān)視的需求越來越迫切；(3)隨著雷達(dá)探測威力的增加，空間目標(biāo)的跟蹤受到越來越多的關(guān)注?？臻g目標(biāo)跟蹤是國家空間戰(zhàn)略信息獲取的重要途徑。

空間目標(biāo)跟蹤問題中目標(biāo)會因?yàn)榈厍蚍乔蛐?、天體引力、氣動阻力、太陽輻射等因素而受到攝動力干擾，而攝動力的存在使得空間目標(biāo)運(yùn)動軌道方程呈現(xiàn)高度非線性且攝動力與軌道狀態(tài)高度耦合。傳統(tǒng)解決空間目標(biāo)跟蹤的方法通常是將其看作一類非線性狀態(tài)估計(jì)問題，然后由非線性濾波器(如EKF,UKF,CKF等)去近似估計(jì)空間目標(biāo)狀態(tài)，但這種估計(jì)策略需要計(jì)算復(fù)雜的雅可比矩陣或者攝動的強(qiáng)非線性積分，不僅計(jì)算復(fù)雜難以實(shí)現(xiàn)而且精度無法保證。而現(xiàn)有辨識策略則忽略了攝動強(qiáng)非線性積分的函數(shù)特性，突破了傳統(tǒng)估計(jì)策略需要計(jì)算非線性積分的局限性，將攝動力建模為一種未知干擾，通過辨識出攝動力的一階矩(即均值)特性進(jìn)而去反饋校正狀態(tài)估計(jì)，提高了空間目標(biāo)跟蹤精度。但空間目標(biāo)攝動力顯然是與軌道狀態(tài)高度耦合的，即未知干擾與狀態(tài)是相關(guān)的，此時(shí)未知干擾和狀態(tài)具有相同的演化特性，即至少具有前兩階矩，而現(xiàn)有辨識策略因?yàn)榧僭O(shè)攝動力與狀態(tài)相互獨(dú)立而忽略了攝動的協(xié)方差特性，因此估計(jì)精度提升必然有限。

注意到空間目標(biāo)跟蹤中攝動力與軌道狀態(tài)高度耦合，若將攝動力建模為與狀態(tài)相耦合的未知干擾，由多高斯分布擬合辨識攝動力的一二階矩(即均值和協(xié)方差)，然后同時(shí)利用攝動力的均值和協(xié)方差去聯(lián)合校正空間目標(biāo)軌道狀態(tài)及協(xié)方差，這樣有望能夠提高空間目標(biāo)跟蹤精度。因此本發(fā)明提出一種基于攝動多高斯擬合的空間目標(biāo)跟蹤方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于攝動多高斯擬合的空間目標(biāo)跟蹤方法，以解決現(xiàn)有技術(shù)中由于存在與狀態(tài)耦合的強(qiáng)非線性攝動力而使跟蹤精度不佳的問題。

本發(fā)明所采用的技術(shù)方案是，一種基于攝動多高斯擬合的空間目標(biāo)跟蹤方法，將空間目標(biāo)所受的攝動力建模為與目標(biāo)狀態(tài)相耦合的未知干擾；在一種雙層EM框架下實(shí)現(xiàn)由多高斯分布擬合攝動力的均值和協(xié)方差，其中第一層EM實(shí)現(xiàn)聯(lián)合狀態(tài)估計(jì)與攝動力一階矩辨識，第二層EM實(shí)現(xiàn)混合多高斯擬合辨識攝動力一二階矩；然后通過設(shè)計(jì)聯(lián)合校正濾波器實(shí)現(xiàn)了同時(shí)利用攝動力的均值和協(xié)方差聯(lián)合反饋校正空間目標(biāo)狀態(tài)估計(jì)及協(xié)方差。

進(jìn)一步的，具體按照以下步驟實(shí)施：

步驟1、構(gòu)建空間目標(biāo)跟蹤模型并將攝動力建模為與系統(tǒng)狀態(tài)耦合的未知干擾，此時(shí)攝動力顯然具有均值和協(xié)方差特性；

步驟2、在步驟1所建模的攝動力具有均值和協(xié)方差的基礎(chǔ)上，利用多高斯分布擬合攝動力的均值和協(xié)方差，其中涉及兩個(gè)EM算法，即聯(lián)合狀態(tài)估計(jì)與攝動力一階矩辨識和混合多高斯擬合辨識攝動力一二階矩；

步驟3、在多傳感器系統(tǒng)下，基于步驟2所述的兩個(gè)EM算法而設(shè)計(jì)了聯(lián)合校正濾波器，該濾波器實(shí)現(xiàn)利用攝動力的均值和協(xié)方差聯(lián)合反饋校正目標(biāo)狀態(tài)估計(jì)及協(xié)方差。

進(jìn)一步的，步驟1的具體方法為：

對于地球軌道內(nèi)的空間目標(biāo)，如果以空間目標(biāo)的軌道位置和速度為狀態(tài)量，即空間目標(biāo)狀態(tài)量x為：其中，λ,h為目標(biāo)在東北天三個(gè)方向的位置坐標(biāo)，v_λ,v_h為目標(biāo)在東北天三個(gè)方向?qū)?yīng)的速度信息，則空間目標(biāo)的運(yùn)動軌道方程可建模為：

其中，為目標(biāo)地心矢量長度，μ為地球引力常數(shù)，J₂為二階帶諧項(xiàng)系數(shù)，Re為地球平均赤道半徑，

空間目標(biāo)在東北天三個(gè)方向所受的攝動力a(x),b(x),c(x)分別是：

若將攝動力a(x),b(x),c(x)看作與狀態(tài)耦合的未知干擾θ(t)，則空間目標(biāo)連續(xù)時(shí)間動態(tài)模型為：

其中，為x(t)的一階微分，θ(t)＝[a(x) b(x) c(x)]^T，w(t)為非主要攝動因素等效的高斯白噪聲，

將連續(xù)時(shí)間動態(tài)模型，即公式(1)通過四階Runge-Kutta法離散化，則動態(tài)方程為：

其中，T為采樣周期，k為離散時(shí)間，I為單位矩陣，F(xiàn)_k表示k時(shí)刻的矩陣F，x_k表示k時(shí)刻的目標(biāo)狀態(tài)，θ_k為k時(shí)刻的攝動力，w_k為系統(tǒng)噪聲；

以雷達(dá)量測的空間目標(biāo)距離信息作為量測量y，則量測方程為：

其中，λ₀,h₀為量測裝置(即雷達(dá))所在位置坐標(biāo)，λ_k,h_k為k時(shí)刻目標(biāo)所在位置，y_k為k時(shí)刻雷達(dá)的量測，v_k為量測噪聲；

動態(tài)方程和量測方程構(gòu)成了空間目標(biāo)跟蹤系統(tǒng)離散狀態(tài)空間模型，其中攝動力等效的未知干擾θ_k與狀態(tài)x_k是相耦合的。

進(jìn)一步的，步驟2的具體方法為：

步驟2-1、基于EM的聯(lián)合狀態(tài)估計(jì)與攝動力一階矩辨識：

以雷達(dá)劃窗量測區(qū)間作為量測數(shù)據(jù)，其中l(wèi)為劃窗長度，表示k-1時(shí)刻至k時(shí)刻的量測集合，則在該層EM框架下，E-step計(jì)算完全數(shù)據(jù)的條件期望并估計(jì)目標(biāo)狀態(tài)，M-step通過最大化條件期望而辨識出攝動力，E-step和M-step依次迭代直至收斂從而通過迭代優(yōu)化策略實(shí)現(xiàn)聯(lián)合狀態(tài)估計(jì)與攝動力辨識，此處所辨識的僅為攝動力一階矩特性；

步驟2-2、基于EM的混合多高斯擬合辨識攝動力一二階矩：

混合多高斯擬合辨識算法以步驟2-1所辨識的攝動力一階矩作為量測，然后由多高斯分布近似該一階矩所服從的分布；該層EM框架下，在E-step中推導(dǎo)出完全數(shù)據(jù)的條件期望表達(dá)式，而且因假設(shè)隱變量的似然函數(shù)服從多高斯分布，在已知前一次迭代后各高斯分項(xiàng)參數(shù)值的條件下，容易計(jì)算出該似然函數(shù)；在M-step中通過最大化條件期望而辨識出各高斯分項(xiàng)的參數(shù)值，包括權(quán)值、均值及協(xié)方差；E-step和M-step依次迭代直至收斂；然后由概率分布擬合各高斯分項(xiàng)參數(shù)辨識結(jié)果便得到攝動力的一二階矩?cái)M合辨識結(jié)果。

進(jìn)一步的，步驟3的具體方法為：

在多傳感器系統(tǒng)下，基于雙層EM算法設(shè)計(jì)聯(lián)合校正濾波器，其中第一層EM算法為步驟2-1所述的聯(lián)合狀態(tài)估計(jì)與攝動力一階矩辨識，第二層EM算法是步驟2-2所述的混合多高斯擬合辨識攝動力一二階矩，兩層EM算法的順序組合構(gòu)成該雙層EM框架；

第一層EM框架中，每個(gè)傳感器并行執(zhí)行第一層EM算法并輸出攝動力一階矩辨識集合；第二層EM以第一層EM輸出的攝動力一階矩集合作為輸入，擬合辨識出攝動力的均值和協(xié)方差；然后通過一個(gè)由均值和協(xié)方差聯(lián)合校正的Kalman濾波，即可實(shí)現(xiàn)同時(shí)利用攝動力的均值和協(xié)方差聯(lián)合反饋校正目標(biāo)狀態(tài)及協(xié)方差。

本發(fā)明的有益效果是，本發(fā)明通過將攝動力建模為與狀態(tài)耦合的未知干擾，并通過多高斯分布擬合辨識出攝動力的均值和協(xié)方差，然后同時(shí)利用攝動力的均值和協(xié)方差信息去聯(lián)合反饋校正空間目標(biāo)的狀態(tài)及協(xié)方差，既突破了傳統(tǒng)估計(jì)策略需要計(jì)算復(fù)雜雅可比矩陣或攝動強(qiáng)非線性積分的局限性，又補(bǔ)償了現(xiàn)有辨識策略因假設(shè)攝動力與狀態(tài)相互獨(dú)立而忽略的攝動力協(xié)方差信息，提高了空間目標(biāo)跟蹤精度。

附圖說明

圖1是聯(lián)合狀態(tài)估計(jì)與攝動力一階矩辨識迭代框架圖；

圖2是多高斯分布擬合辨識攝動力一二階矩迭代框架圖；

圖3是基于攝動多高斯擬合的空間目標(biāo)跟蹤技術(shù)流程圖；

圖4是空間目標(biāo)運(yùn)行軌跡圖；

圖5是天向攝動力一階矩辨識結(jié)果圖；

圖6是空間目標(biāo)天向位置估計(jì)RMSE比較圖；

圖7是空間目標(biāo)天向速度估計(jì)RMSE比較圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明進(jìn)行詳細(xì)說明。

本發(fā)明一種基于攝動多高斯擬合的空間目標(biāo)跟蹤方法，將空間目標(biāo)所受的攝動力建模為與目標(biāo)狀態(tài)相耦合的未知干擾，此時(shí)該未知干擾與狀態(tài)具有相同的演化特性，即至少具有均值和協(xié)方差特性；在一種雙層EM框架下實(shí)現(xiàn)由多高斯分布擬合攝動力的均值和協(xié)方差，其中第一層EM實(shí)現(xiàn)聯(lián)合狀態(tài)估計(jì)與攝動力一階矩辨識，第二層EM實(shí)現(xiàn)混合多高斯擬合辨識攝動力一二階矩；然后通過設(shè)計(jì)聯(lián)合校正濾波器實(shí)現(xiàn)了同時(shí)利用攝動力的均值和協(xié)方差聯(lián)合反饋校正空間目標(biāo)狀態(tài)估計(jì)及協(xié)方差。

本發(fā)明一種基于攝動多高斯擬合的空間目標(biāo)跟蹤方法具體為：

步驟1、空間目標(biāo)跟蹤系統(tǒng)模型：

對于地球軌道內(nèi)的空間目標(biāo)，其主要攝動源是地球質(zhì)心引力和引力場攝動二階帶諧項(xiàng)，在僅考慮該攝動項(xiàng)而將其他攝動因素等效為高斯白噪聲的情況下，如果以空間目標(biāo)的軌道位置和速度為狀態(tài)量，即空間目標(biāo)狀態(tài)為：其中，λ,h為目標(biāo)在東北天三個(gè)方向的位置坐標(biāo)，v_λ,v_h為三個(gè)方向?qū)?yīng)的速度信息。則空間目標(biāo)的運(yùn)動軌道方程可建模為：

其中，為目標(biāo)地心矢量長度，μ為地球引力常數(shù)，J₂為二階帶諧項(xiàng)系數(shù)，Re為地球平均赤道半徑。空間目標(biāo)在東北天三個(gè)方向所受的攝動力a(x),b(x),c(x)分別是：

若將攝動力a(x),b(x),c(x)看作與狀態(tài)耦合的未知干擾θ(t)，則空間目標(biāo)連續(xù)時(shí)間動態(tài)模型為：

其中，為x(t)的一階微分，θ(t)＝[a(x) b(x) c(x)]^T，w(t)為非主要攝動因素等效的高斯白噪聲，

將連續(xù)時(shí)間動態(tài)模型(1)通過四階Runge-Kutta法離散化為：

其中，T為采樣周期，k為離散時(shí)間，I為單位矩陣，F(xiàn)_k表示k時(shí)刻的矩陣F，x_k表示k時(shí)刻的目標(biāo)狀態(tài)，θ_k為k時(shí)刻的攝動力，w_k為系統(tǒng)噪聲。

若僅使用雷達(dá)量測的空間目標(biāo)距離信息作為量測，則量測方程為：

其中，λ₀,h₀為量測裝置(即雷達(dá))所在位置坐標(biāo)，λ_k,h_k為k時(shí)刻目標(biāo)所在位置，y_k為k時(shí)刻雷達(dá)的量測，v_k為量測噪聲。

動態(tài)方程(2)和量測方程(3)構(gòu)成了空間目標(biāo)跟蹤系統(tǒng)離散狀態(tài)空間模型，其中攝動力等效的未知干擾θ_k與狀態(tài)x_k是相耦合的。

步驟2、多高斯分布擬合攝動力的均值和協(xié)方差：

步驟2-1、基于EM的聯(lián)合狀態(tài)估計(jì)與攝動力一階矩辨識：

空間目標(biāo)跟蹤中，狀態(tài)估計(jì)與攝動力辨識相互耦合，因此將兩者看作聯(lián)合優(yōu)化問題，若以狀態(tài)為隱變量則可在EM框架下通過迭代優(yōu)化策略解決該聯(lián)合優(yōu)化問題。由于攝動力與狀態(tài)相耦合，顯然其是隨機(jī)時(shí)變的，此時(shí)僅與其相鄰時(shí)刻的量測能夠準(zhǔn)確地反映攝動力的這種時(shí)變特性，因此為更多的利用有用信息而剔除無用量測在該層EM算法中本發(fā)明采用劃窗量測，即若辨識k時(shí)刻攝動力，所用量測區(qū)間為其中l(wèi)為劃窗長度，為k-l時(shí)刻至k時(shí)刻量測集合。EM框架下解決該問題的具體過程由圖1所示，即，以雷達(dá)區(qū)間量測作為量測數(shù)據(jù)，在E-step計(jì)算完全數(shù)據(jù)的條件期望并估計(jì)目標(biāo)狀態(tài)，在M-step通過最大化條件期望而辨識出攝動力，E-step和M-step依次迭代直至收斂，此時(shí)所辨識的僅為攝動力一階矩(均值)特性。

步驟2-2、基于EM的混合多高斯擬合辨識攝動力一二階矩：

攝動力與狀態(tài)相耦合，則攝動力應(yīng)該具有和狀態(tài)相同的演化特性，即至少具有前一二階矩，但是基于EM的聯(lián)合估計(jì)與辨識框架僅能辨識出攝動力的一階矩特性。混合高斯算法可通過多高斯分布擬合任意分布，在EM框架下混合多高斯擬合辨識攝動力一二階矩的具體過程如圖2所示。混合多高斯擬合辨識算法以步驟2-1所辨識的攝動力一階矩作為量測，然后由多高斯分布近似該一階矩所服從的分布。該層EM框架下，在E-step中推導(dǎo)出完全數(shù)據(jù)的條件期望表達(dá)式，而且因假設(shè)隱變量的似然函數(shù)服從多高斯分布，在已知前一次迭代后各高斯分項(xiàng)參數(shù)值的條件下，容易計(jì)算出該似然函數(shù)；在M-step中通過最大化條件期望而辨識出各高斯分項(xiàng)的參數(shù)值，包括權(quán)值、均值及協(xié)方差；E-step和M-step依次迭代直至收斂。然后由概率分布擬合各高斯分項(xiàng)參數(shù)辨識結(jié)果便得到攝動力的一二階矩?cái)M合辨識結(jié)果。

步驟3、基于雙層EM框架的聯(lián)合校正濾波器：

為解決攝動力影響下的空間目標(biāo)高精度跟蹤問題，本發(fā)明在步驟2中由多高斯擬合辨識出攝動力一二階矩的基礎(chǔ)上設(shè)計(jì)了聯(lián)合校正濾波器，實(shí)現(xiàn)了同時(shí)利用攝動力的均值和協(xié)方差特性去聯(lián)合校正目標(biāo)狀態(tài)估計(jì)及協(xié)方差。該濾波器的實(shí)現(xiàn)基于雙層EM框架，其中，第一層EM算法為步驟2-1所述的聯(lián)合狀態(tài)估計(jì)與攝動力一階矩辨識，第二層EM算法是步驟2-2所述的混合多高斯擬合辨識攝動力一二階矩。由于僅由單個(gè)攝動力一階矩?zé)o法擬合其分布，因此在第一層EM中本發(fā)明考慮一種多傳感器系統(tǒng)，在該系統(tǒng)內(nèi)，每個(gè)傳感器并行執(zhí)行第一層EM算法。第二層EM以第一層EM輸出的攝動力一階矩集合作為輸入，擬合辨識出攝動力的均值和協(xié)方差。然后通過一個(gè)由均值和協(xié)方差聯(lián)合校正的Kalman濾波即可實(shí)現(xiàn)同時(shí)利用攝動力的均值和協(xié)方差聯(lián)合反饋校正目標(biāo)狀態(tài)及協(xié)方差，該聯(lián)合校正結(jié)果提高了空間目標(biāo)跟蹤精度。以上所述過程即為本發(fā)明所述的一種基于攝動多高斯擬合的空間目標(biāo)跟蹤方法流程，該過程可由圖3直觀描述。

在圖3中，第一層EM框架內(nèi)，N個(gè)傳感器均獨(dú)立產(chǎn)生量測信息(i＝1,2,…,N)并獨(dú)立作為N個(gè)EM算法的輸入，其中表示第i個(gè)傳感器所得的量測區(qū)間第一層EM框架的輸出為兩組數(shù)據(jù)集，分別是狀態(tài)估計(jì)集合和攝動力一階矩辨識集合將攝動力一階矩辨識集合作為第二層EM框架的輸入，經(jīng)混合多高斯算法可擬合辨識出集合的均值和協(xié)方差然后經(jīng)Kalman濾波由攝動力均值和協(xié)方差聯(lián)合校正目標(biāo)狀態(tài)估計(jì)及協(xié)方差。顯然，由于辨識策略理論上無精度損失而且該估計(jì)值同時(shí)利用了攝動力的均值和協(xié)方差信息，因此直觀上本發(fā)明所述的一種基于攝動多高斯擬合的空間目標(biāo)跟蹤方法對空間目標(biāo)的跟蹤精度應(yīng)該優(yōu)于傳統(tǒng)非線性濾波算法及標(biāo)準(zhǔn)EM算法。

實(shí)施例：空間目標(biāo)跟蹤

以動態(tài)方程(2)和量測方程(3)構(gòu)成的空間目標(biāo)跟蹤系統(tǒng)模型作為本發(fā)明的仿真實(shí)例。

假設(shè)測量裝置(雷達(dá))的位置坐標(biāo)為(0,0,0)，目標(biāo)真實(shí)軌道狀態(tài)初始值為x₀＝[4.590×10⁶ 4.388×10⁶ 3.228×10⁶ -4.612×10³ 5.014×10² 5.876×10³]^T，狀態(tài)濾波初值及其協(xié)方差為P₀＝diag(400² 400² 400²0.8² 0.8² 0.8²)。

仿真參數(shù)設(shè)置如下：在第一層EM框架下多傳感器系統(tǒng)個(gè)數(shù)為10個(gè)，其中每一個(gè)EM算法所用劃窗量測的窗長為2，迭代次數(shù)為5。第二層EM中混合多高斯分項(xiàng)個(gè)數(shù)為5個(gè)，迭代次數(shù)為10。

本發(fā)明注意到攝動力非線性較強(qiáng)且與狀態(tài)高度耦合的特性，通過將攝動力建模為與狀態(tài)耦合的未知干擾從而提出一種基于攝動多高斯擬合的空間目標(biāo)跟蹤方法并應(yīng)用到空間目標(biāo)跟蹤仿真實(shí)例中，將其仿真結(jié)果與傳統(tǒng)非線性濾波算法EKF，CKF以及僅用攝動力一階矩校正狀態(tài)估計(jì)的標(biāo)準(zhǔn)EM算法作比較，其結(jié)果如下圖所示：

圖4為近地軌道空間目標(biāo)運(yùn)行軌跡，由圖可見其軌道為橢圓形，這與實(shí)際地球軌道上衛(wèi)星、航天器等的軌跡相似。圖5為第一層EM算法所辨識出的攝動力一階矩(均值)特性，由圖可見，攝動力由于與狀態(tài)相耦合因此其值是隨機(jī)時(shí)變的，但第一層EM框架中的聯(lián)合狀態(tài)估計(jì)與攝動力一階矩辨識算法能夠較精確地跟蹤這種時(shí)變，精確的攝動力一階矩辨識結(jié)果為多高斯擬合攝動力均值和協(xié)方差的實(shí)現(xiàn)提供了良好基礎(chǔ)。圖6和圖7分別比較了CKF、標(biāo)準(zhǔn)EM以及本發(fā)明所提出的雙層EM等方法對空間目標(biāo)在天向的位置和速度估計(jì)RMSE，結(jié)果表明：與傳統(tǒng)非線性濾波方法以及僅用攝動力一階矩校正狀態(tài)估計(jì)的標(biāo)準(zhǔn)EM相比，本發(fā)明所提出的基于攝動多高斯擬合的空間目標(biāo)跟蹤技術(shù)由于同時(shí)利用攝動力的均值和協(xié)方差特性去聯(lián)合校正狀態(tài)估計(jì)及其協(xié)方差，因此得到了更高的目標(biāo)跟蹤精度。

本發(fā)明通過將攝動力建模為與狀態(tài)耦合的未知干擾從而由多高斯分布擬合攝動力的均值和協(xié)方差。具體做法是組合現(xiàn)有聯(lián)合估計(jì)與辨識算法與混合多高斯算法，從而設(shè)計(jì)了基于雙層EM框架的聯(lián)合校正濾波器，該濾波器實(shí)現(xiàn)了聯(lián)合空間目標(biāo)狀態(tài)估計(jì)與攝動力一二階矩?cái)M合辨識，并同時(shí)利用攝動力的一二階矩去聯(lián)合反饋校正空間目標(biāo)狀態(tài)估計(jì)及協(xié)方差。這項(xiàng)技術(shù)既突破了傳統(tǒng)估計(jì)策略需要計(jì)算復(fù)雜雅可比矩陣或攝動強(qiáng)非線性積分的局限性，又補(bǔ)償了現(xiàn)有辨識策略因假設(shè)攝動力與狀態(tài)相互獨(dú)立而忽略的攝動力協(xié)方差信息，能夠有效提高空間目標(biāo)跟蹤精度。