36 2016，52（16） Computer Engineering and Applications 计算机工程与应用

非线性自适应平方根无迹卡尔曼滤波方法研究
张玉峰 1，周奇勋 1，周 勇 2，张举中 3
ZHANG Yufeng1, ZHOU Qixun1, ZHOU Yong2, ZHANG Juzhong3

1.西安科技大学 电控学院，西安 710054

2.西北工业大学 航空学院，西安 710072
3.中船重工 第 713 研究所，郑州 450015
1.School of Electrical and Control Engineering, Xi’an University of Science & Technology, Xi’an 710054, China
2.College of Aeronautics, Northwestern Polytechnical University, Xi’an 710072, China
3.Institute 713, China Shipbuilding Industry Corporation, Zhengzhou 450015, China

ZHANG Yufeng, ZHOU Qixun, ZHOU Yong, et al. Research on adaptive square-root unsented Kalman filter for
nonlinear system. Computer Engineering and Applications, 2016, 52（16）：36-40.

Abstract：In this paper, a Nonlinear Adaptive Square-Root Unsented Kalman Filtering（NASRUKF）approach is described
for nonlinear systems with additive noise which have unknown statistical characteristics. Based on the square-root algo-
rithm, the traditional Sage-Husa adaptive filter’s estimator is modified and combinated with the Square Root Unscented
Kalman Filtering（SRUKF）for nonlinear filtering. The process noise covariance matrix Q or the measurement noise cova-
riance matrix R is estimated straightforwardly in proposed NASRUKF. Thus, the positive semidefiniteness and symmetri-
cal properties of the filter are improved. Simulation results show that NASRUKF performs better than SRUKF in the
aspects of the accuracy, stability and self-adaptability.
Key words：Nonlinear Adaptive Square-Root Unsented Kalman Filtering（NASRUKF）; Kalman filtering; Square Root
Unscented Kalman Filtering（SRUKF）; Sage-Husa filtering; nonlinear filtering; estimating

摘 要：针对带有附加噪声且噪声特性未知的系统，提出了一种非线性卡尔曼滤波方法——自适应平方根无迹卡尔
曼滤波（NASRUKF）方法，该方法基于平方根滤波的思想，对传统的 Sage-Husa 自适应滤波算法进行了改进，并与平
方根无迹卡尔曼滤波（SRUKF）算法相结合用来进行非线性滤波。该算法能直接对非线性系统的状态方差阵和噪声
方差阵的平方根进行递推与估算，确保状态和噪声方差阵的对称性和非负定性。将所提方法通过计算机仿真技术
与 SRUKF 算法进行对比，结果表明 NASRUKF 方法在滤波精度、稳定性和自适应能力方面均优于 SRUKF 方法。
关键词：非线性自适应平方根无迹卡尔曼滤波方法（NASRUKF）；卡尔曼滤波；平方根无迹卡尔曼滤波（SRUKF）；
Sage-Husa 滤波；非线性滤波；预估
文献标志码：A 中图分类号：TP274 doi：10.3778/j.issn.1002-8331.1603-0144

1 引言 略去二阶以上高阶项来得到非线性系统的线性化模型，
目前在伺服系统控制、飞行器定姿等领域应用广泛 它是一种次优滤波，并且只能在滤波误差及一步预测误
的非线性滤波方法有扩展卡尔曼滤波（Expended Kalman 差较小时才能适用 [1-3]。UKF 与 DKF 同属于 Sigma 类滤
Filter，EKF）、无迹卡尔曼滤波（Unscented Kalman Filter， 波器，是构造一组可调权重的采样点，并通过非线性函
UKF）、
差分卡尔曼滤波（Difference Kalman Filter，
DKF） 数传播来估计系统状态的均值和协方差。UKF、DKF 滤
等。其中 EKF 滤波是将非线性函数用泰勒级数展开，并 波在实际应用时需要精心调节自由参数才能获得较好

基金项目：国家自然科学基金（No.51307137）；西安科技大学培育基金项目（No.201317）。
作者简介：张玉峰（1977—），男，博士，讲师，研究领域为伺服控制技术，E-mail：xkdzhangyufeng@xust.edu.cn；周奇勋（1979—），
男，博士，副教授，研究领域为永磁电机及其控制技术；周勇（1978—），男，博士，副教授，研究领域为故障诊断、容错技术；
张举中（1978—），男，博士，高级工程师，研究领域为伺服控制技术。
收稿日期：2016-03-09 修回日期：2016-04-25 文章编号：1002-8331（2016）16-0036-05
张玉峰，周奇勋，周 勇，等：非线性自适应平方根无迹卡尔曼滤波方法研究 2016，52（16） 37

效果，过程较为繁琐 [4-8]。 自立等人在此基础上引入了遗忘因子 [11]，使该算法具有

EKF、UKF 和 DKF 及 相 关 改 进 算 法 大 都 假 定 系 统 了实时估测未知时变噪声的能力，具体计算流程如下：
的噪声统计特性是已知的，而这往往与实际不符，很多 （1）初始化 (k = 0) ：
系统的过程噪声方差矩阵或观测噪声方差矩阵事先是 ì x̂ (0) = E[x(0)]
ï T
不知道的，有时这些参数甚至是时变的，具有很强的不 ïP(0) = E[(x(0) - x̂ (0))(x(0) - x̂ (0)) ]
í ̂ （4）
确定性，通常只能通过经验进行估计，但错误的参数估 ïQ(0) = Q_0
计又常常会导致滤波的发散。此外，上述滤波计算中的 ï ̂
îR(0) = R_0
舍入误差积累会使系统状态方差阵逐渐失去非负定性， （2）对于 k = 1 2  进行迭代：
从而导致滤波增益计算失真，造成滤波发散。 ①时间更新
文献[9]针对上述算法的局限性，结合平方根滤波 ìï x̂ - (k) = Φ k k - 1 x̂ (k - 1) + B k k - 1u(k - 1)
的思想，对传统 Sage-Husa 估计器进行改进，提出了一 íï - （5）
T ̂
种新的线性自适应平方根卡尔曼滤波（Linear Adaptive îP (k) = Φ k k - 1 P(k - 1)Φ k k - 1 + Q(k - 1)
Square-Root Kalman Filtering，LASRKF）算 法 ，并 通 过 ②测量更新
估计测量噪声统计特性：
仿 真 实 验 证 明 了 LASRKF 可 有 效 提 高 滤 波 器 的 精 确
性、稳定性和自适应能力。文献[10]将 LASRKF 算法应 ìz͂ = z(k) - H (k)x̂ - (k)
ïï
íR̂ (k) = (1 - d(k))R̂ (k - 1) + d(k)(z͂ (k)z͂ (k) -
T
用 于 EMA（Electro-Mechanical Actuato）的 故 障 自 修 复 （6）
ïï - T
控制策略，通过工程实践进一步验证了算法的有效性。 î H (k)P (k)H (k) )
本文基于 LASRKF 算法的推演过程，将 Sage-Husa 估算校正后的状态值并求解后验状态方差：
自适应滤波算法进行改进，将其推广到非线性系统，分 ìK (k) = P - (k)H (k)T (H (k)P - (k)H (k)T + R̂ (k))-1
ïï
-
别在非线性状态方程和测量方程进行时间更新和测量 í x̂ (k) = x̂ (k) + K (k)z͂ （7）
ïï
更新时，引入 sigma 点集，并进行非线性变换，直接对非 îP(k) = (I - K (k)H (k))P (k)
-

线性系统的状态方差阵、过程噪声方差阵和测量噪声方 估测过程噪声统计特性：
差阵的平方根进行推算，确保非负性和对称性，提高非 Q̂ (k) = (1 - d(k))Q̂ (k - 1) + d(k)(K (k)z͂ (k)z͂ (k)T K (k)T +
线性系统滤波的精确性、稳定性、实时性和自适应性。
P(k) - Φ k k - 1 P(k - 1)Φ Tk k - 1) （8）
k+1
其中 d(k) = (1 - b)/(1 - b 通常 0 < b < 1 。
) ，b 为遗忘因子，
2 算法原理
由式（4）可知，Sage-Husa 自适应算法在利用测量数据进
假定随机线性离散系统的状态方程和测量方程分
行递推滤波的同时，实时估计和修正系统过程噪声和测
别为：
量噪声的统计特性，从而达到自适应滤波的目的。该方
x(k) = Φ k k - 1 x(k - 1) + B k k - 1u(k - 1) + w(k - 1) （1）
法原理简单，实时性好，因此在许多领域得到推广应用。
z(k) = H (k)x(k) + v(k) （2） 然而，Sage-Husa 自适应滤波器也存在一些缺陷，主
其中 x 是系统的 L 维状态向量，Φ k k - 1 是系统的 L ´ L 要表现为以下两点：
阶状态转移矩阵，u 是系统的 r 维控制输入向量，B k k - 1 （1）对系统不能完全保证收敛和稳定，有可能随着
是 L ´ r 阶控制增益矩阵，w 是 L 维系统过程噪声序列， 噪声方差阵 Q 和 R 失去半正定性和正定性而出现滤波
z 是系统的 m 维观测向量，H (k) 是 m ´ L 阶观测矩阵，v 发散现象；
是 m 维观测噪声序列。此外，w 和 v 满足均值为零、相 （2）不能同时估计出真实的系统过程噪声方差阵和
互独立和服从高斯分布的统计特性，即 测量噪声方差阵，只能在 Q（或 R ）已知的条件下，估计
T
E[w(k)] = 0 E[w(k)w( j) ] = Q(k)δ kj 出 R（或 Q ）。
2.2 NASRUKF 算法
E[v(k)] = 0 E[v(k)v( j)T] = R(k)δ kj
传统的 Sage-Husa 自适应滤波算法是针对线性离散
E[w(k)v( j)T] = 0 （3）
系统而设计的，目前关于其在非线性系统滤波中的应用
式中 Q 是系统过程噪声 w 的 L ´ L 阶对称非负定方差
研究还相对较少。结合平方根无迹卡尔曼滤波（SRUKF）
矩阵，R 是观测噪声 v 的 m ´ m 阶对称正定方差矩阵， 算 法 [12] ，本 文 对 Sage-Husa 自 适 应 滤 波 算 法 进 行 了 改
δ kj 是 Kronecker- δ 函数。 进 ，将 其 推 广 到 非 线 性 系 统 ，提 出 了 一 种 新 型 的 非 线
2.1 Sage-Husa 自适应滤波算法 性 自 适 应 平 方 根 无 迹 卡 尔 曼 滤 波（Nonlinear Adaptive
对 于 式（1）和（2）所 描 述 的 线 性 离 散 系 统 ，Sage 和 Square-Root Unscented Kalman Filtering，NASRUKF）
Husa 提出了基于极大后验估计的自适应滤波算法，邓 算法。
38 2016，52（16） Computer Engineering and Applications 计算机工程与应用

针对式（1）和（2）描述的非线性离散系统，NASRUKF ìU = K (k)S z (k)

í -
（19）
的具体算法步骤如下： îS(k) = cholupdate{S (k) U -1}
（1）初始化 (k = 0) ： 更新估测过程噪声统计特性：
ì x̂ (0) = E[x(0)]
ïï T
ïïS(0) = chol{E[(x(0) - x̂ (0))(x(0) - x̂ (0)) ]}
ïï {
ì Q** = cholupdate Q̂ (k - 1) x̂ (k) - x̂ - (k)  d(k)
| | }
ïï
í ̂
ïï Q(0) = S(0)
（9） * **
{
í Q = cholupdate Q  U -d(k) } （20）
ïï
ïï
̂ T
î R(0) = chol{E[(z(0) - ẑ (0))(z(0) - ẑ (0)) ]}
ïï ̂
î
{ T
Q(k) = diag diag( Q* Q* ) }
（2）对于 k = 1 2  ，进行迭代：
式中 γ = L + λ 。
①时间更新
在应用 NASRUKF 算法时，
除了需要考虑以下几点：
计算 sigma 点，构造矩阵：
（1）自适应算法不能同时估计出真实的系统过程噪
χ(k - 1) =
声方差阵和测量噪声方差阵，而在实际系统的过程噪声
[x̂ (k - 1) x̂ (k - 1) + γS(k - 1) x̂ (k - 1) - γS(k - 1)] （10）
或测量噪声的统计特性往往是可以通过经验或试验获
由状态方程对 sigma 点集进行非线性变换并对状态
取的，即二者是可以知其一的。若已知 Q ，则用其代
与方差的平方根进行一步预测。
替 Q̂ ，并使用测量噪声估计公式（14）来计算 R̂ ，省
ì χ̂ * (k) = f ( χ(k - 1) u(k - 1))
ïï 2L
ïï x̂ - (k) = W (m) χ̂ * (k) 略公式（20）；若已知 R ，则用其代替 R̂ ，并使用过程
ïï å i i
i=0
（11） 噪声估计公式（20）来计算 Q̂ ，省略公式（14）。
í
ïï
{
ïïS - (k) = qr é W (c) ( χ̂ * (k) - x̂ - (k)) Q̂ (k - 1)ù
ë 1 1:2L û } （2）对于状态方程为线性，测量方程为非线性的非
ïï -
î {[
S (k) = cholupdate S - (k) χ̂ 0* (k) - x̂ - (k) W 0(c) ]} 线性离散系统，即
ì x(k) = Φ k k - 1 x(k - 1) + B k k - 1u(k - 1) + w(k - 1)
②测量更新 í （21）
îz(k) = h(x(k)) + v(k)
再次计算 sigma 点，构造矩阵：
则将公式（10）和（11）用公式（22）替代即可。
χ̂ - (k) = [x̂ - (k) x̂ - (k) + γS - (k) x̂ - (k) - γS - (k)] （12）
ì x̂ - (k) = Φ k k - 1 x̂ (k - 1) + B k k - 1u(k - 1)
ï
由测量方程对 sigma 点集进行非线性变换并计算测 í - （22）
ï -
量残差： îS (k) = qr{Φ k k - 1 S(k - 1) Q (k - 1)}
ìẐ - (k) = h( χ̂ - (k)) （3）对于状态方程为非线性，测量方程为线性的非
ï
ï - 2L 线性离散系统，即
íẑ (k) = åW i Ẑ i (k)
(m) -
（13）
ï i=0 ì x(k) = f (x(k - 1) u(k - 1)) + w(k - 1)
í （23）
ï îz(k) = H (k)x(k) + v(k)
îz͂ (k) = z(k) - ẑ - (k)
估计测量噪声统计特性： 则做以下改动：

ïï {
ì R** = cholupdate 1 - d(k) R̂ (k - 1) z͂ (k)  d(k)
| | } ①将公式（12）和（13）用公式（24）代替；
z͂ (k) = z(k) - H (k)x̂ - (k) （24）
ïï * **
{
í R = cholupdate R  Ẑ 0:2L (k) - ẑ (k) -d(k)W i
- - (c)
（14） } ②将公式（14）用公式（25）代替；
ïï
ïï ̂
{ *
î R(k) = diag diag( R R )
*
T
} ï {
ì R** = cholupdate 1 - d(k) R̂ (k - 1) z͂ (k)  d(k)
| | }
计算滤波增益：
ï * **
{ -
í R = cholupdate R  H (k)S (k) -d(k) } （25）

{ }
2L
ï T
P xz (k) = åW i ( χ̂ i- (k) - x̂ - (k))(Ẑ i- (k) - ẑ - (k))T
(c)
（15） ï R̂ (k) = diag diag( R* R* )
î
i=0

{ }
③将公式（15）用公式（26）代替；
ìS (k) = qr é (c) ̂ - - ̂ ù
ïï z ë W1 (Z1:2L (k) - ẑ (k)) R(k)û P xz (k) = S - (k)S - (k)T H (k)T （26）
í （16）
î z z {[
ïïS (k) = cholupdate S (k) Ẑ - (k) - ẑ - (k) W (c)
0 0 ]} ④将公式（16）用公式（27）代替。

K (k) = (P xz (k)/S z (k)T )/S z (k) （17） {[

S z (k) = qr H (k)S - (k) R̂ (k) ]} （27）

估算校正后的状态值： （4）NASRUKF 的推导和应用是基于系统模型准确

-
x̂ (k) = x̂ (k) + K (k)z͂ (k) （18） 而噪声统计特性未知条件前提进行的。若系统模型不
求解后验状态方差的平方根： 准确，则对应的算法还有待进一步研究。
张玉峰，周奇勋，周 勇，等：非线性自适应平方根无迹卡尔曼滤波方法研究 2016，52（16） 39

3 算法验证 计误差有时几乎达到 10。

为了验证本章所提出的新型自适应平方根滤波算 这主要是因为 NASRUKF 比 SRUKF 更具有自适应
法的有效性，以一个典型的高度非线性模型——单变量 能力。从图 2 可以看出，当仿真进行到第 15 步时，NAS-
不稳定增长模型（Univariate Nonstationary Growth Model， RUKF 已可以辨识出接近真值的过程噪声标准差 σ w ，
UNGM）为例，在 Matlab 中进行仿真验证。 当仿真进行到第 30 步后，基于 NASRUKF 的 σ w 估计值
UNGM 的动态状态空间模型可表示为： 已与理论真值相差无几，而 SRUKF 却没有估计未知噪
ì x(k - 1) 声统计特性的功能，一直利用 σ w 的初始假定值递推估
x(k) = αx(k - 1) + β +
ïï 1 + x 2 (k - 1)
ïï 计状态。因此，与 SRUKF 相比，NASRUKF 能获得更好
í γ cos(1.2(k - 1)) + w u (k) （28）
的滤波效果。
ïï 2
ïïz(k) = x (k) + v (k) （2）假定已知 σ w = 0.3 ，σ v 未知。取初始值 σ̂ v (0) = 0.1 ，
î 20 u
利 用 SRUKF 和 NASRUKF 算 法 分 别 对 状 态 x 进 行 估
其 中 w u (k)~N (0 σ w2 ) ，v u (k)~N (0 σ v2) 。 在 本 例 中 ，如 下
迭代运行 100 次，
计， 仿真用时分别为 0.012 6 s 和 0.128 s，
选 取 各 参 数 的 值：σ w = 0.3 ，σ v = 1 ，x(0) = 0.1 ，α = 0.5 ，
仿真结果如图 3 和图 4 所示。
β = 5 ，γ = 8 。
15
（1）假定已知 σ v = 1 ，σ w 未知。取初始值 σ̂ w (0) = 3 ， 10
real SRUKF NASRUKF

利 用 SRUKF 和 NASRUKF 算 法 分 别 对 状 态 x 进 行 估 5
0
迭代运行 100 次，
仿真用时分别为 0.013 6 s 和 0.142 s，
x
计，
－5
仿真结果如图 1 和图 2 所示。
－10
15 －15
real SRUKF NASRUKF 0 10 20 30 40 50 60 70 80 90 100
10 k
5 5.0
2.5 SRUKF NASRUKF
0
x

error

－5 0
－10 －2.5
－15 －5.0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
k k
10 图3 状态跟踪波形图（ σ w 已知，σ v 未知）
5
error

0 1.4
estimate
－5 1.2 real
standard deviation of

SRUKF NASRUKF
measurement noise

－10 1.0
0 10 20 30 40 50 60 70 80 90 100
k 0.8
图1 状态跟踪波形图（ σ w 未知，σ v 已知） 0.6

4 0.4
estimate 0.2
standard deviation of

real
3 0
process noise

10 20 30 40 50 60 70 80 90 100
k
2
图4 σ w 估计曲线图（ σ w 已知，σ v 未知）

1 从图 3 可以看出，对于高度非线性的 UNGM 模型，

NASRUKF 的整体滤波性能优于 SRUKF。当仿真进行
0
10 20 30 40 50 60 70 80 90 100 到第 10 步后，基于 NASRUKF 的状态估计误差维持在 1
k
以内，而基于 SRUKF 的状态估计误差数次超过了 2.5。
图2 σ w 估计曲线图（ σ w 未知，σ v 已知）
图 4 给出了产生上述结果的主要原因，当系统测量
从图 1 中可以看出，SRUKF 和 NASRUKF 的初始阶 噪声的统计特性未知时，SRUKF 在整个过程中始终使
段 估 计 误 差 基 本 相 同 ，当 仿 真 进 行 到 第 15 步 后 ，基 于 用测量噪声标准差的初始假定值（理论真值的 1/10）递
NASRUKF 的状态估计值可以很好地跟随状态真值，估 推估算系统状态 ，而 NASRUKF 在第 15 步左右便可辨
计误差基本维持在 1 以内，而基于 SRUKF 的状态估计 识出接近理论真值的测量噪声标准差，从而有效地提高
在第 15 步到第 25 步，第 36 步到第 48 步和第 85 步到第 了滤波的精度。
100 步这三个阶段基本上已失去了状态跟踪的能力，估 由算法过程及仿真过程可以看出，由于 NASRUKF
40 2016，52（16） Computer Engineering and Applications 计算机工程与应用

在进行递推滤波时，实时估计和修正系统过程噪声和测 [4] de Marina H G，Pereda F J，Giron-Sierra J M，et al.

量噪声的统计特性，使得计算过程比 SRUKF 稍复杂些。 UAV attitude estimation using unscented Kalman filter

由 仿 真 过 程 占 用 时 间 可 以 看 出 ，NASRUKF 与 SRUKF and TRIAD[J].IEEE Transactions on Industrial Electron-

ics，2012，59（11）：4465-4474.
仿真时间接近而略长，说明算法复杂性导致的时间影响
[5] Chang Lubin，Hu Baiqing，Li An，et al.Strapdown iner-
在一定程度上可以忽略。
tial navigation system alignment based on marginalised
unscented kalman filter[J].Science，Measurement & Tech-
4 结束语 nology，2013，7（2）：128-138.
本文针对非线性系统，通过将 SRUKF 算法和改进 [6] Karlgaard C D，Schaub H.Comment on ‘Huber-based
的 Sage-Husa 自适应滤波算法相结合，提出了一种非线 unscented filtering and its application to vision-based
性自适应平方根无迹卡尔曼滤波算法。 relative navigation’[J].Radar，Sonar & Navigation，2010，4
该算法直接对系统状态方差阵和噪声方差阵的平 （5）：744-745.
方根进行递推与估算，确保了系统状态和噪声方差阵的 [7] Das M，Dey A，Sadhu S，et al.Adaptive central differ-

对称性和非负定性，有效地克服了标准 KF、EKF、UKF ence filter for non-linear state estimation[J].Science，Mea-

和传统 Sage-Husa 自适应滤波算法存在的一些缺点，大
大提高了滤波器的精确性、稳定性和自适应能力。
参考文献：
[1] Sarkka S，Viikari V V，Huusko M，et al.Phase-based UHF
RFID tracking with nonlinear kalman filtering and
smoothing[J].Sensors Journal，2012，12（5）：904-910.
[2] Paz Lina M，Tardos J D，Neira J.Divide and conquer：
EKF SLAM in O(n) [J].IEEE Transactions on Robotics，
2008，24（5）：1107-1120.
[3] Yin Zhonggang，Zhao Chang，Liu Jing，et al.Research on
anti-error performance of speed and flux estimator for
induction motor using robust reduced-order EKF[J].
IEEE Transactions on Industrial Informatics，2013，9（2）：
1037-1046.
surement & Technology，2015，9（6）：728-733.
[8] Han Ping，Weilin S，Shi Qingyan.Novel nonlinear Kal-
man filtering method[J].Chinese Journal of Scientific Instru-
ment，2015，36（3）：632-638.
[9] 周勇，张玉峰，张超，等.基于 Sage-Husa 的线性自适应平方
根 卡 尔 曼 滤 波 算 法 [J].西 北 工 业 大 学 学 报 ，2013，31（1）：
89-93.
[10] 周勇，王鳗，刘奇，等.基于数据融合滤波算法的 EMA 故
2015，
障自修复策略[J].西北工业大学学报， 33（2）：
204-208.
[11] Deng Zili，Guo Yixin.Dynamic prediction of the oil and
water output in oil field[J].Acta Automatica Sinica，
1983，33（2）：204-208.
[12] van der Merwe R，Wan E A.Efficient derivative-free
Kalman filters for online learning[C]//Proceedings of
European Symposium on Artificial Neural Networks
（ESANN’01），Bruges，Belgium，2001.

（上接 11 页） [9] 刘林，邓平，范平志.基于 Chan 氏算法和 Taylor 级数展开法

的协同定位方法[J].电子信息学报，2004，26（1）：41-46.
[3] Chronis T G，Anagnostou E N.Evaluation of a long-range
[10] 杨惠珍，赵文光，张萍，等.云闪空间定位的三维网格搜索
lightning detection network with receivers in Europe and
算 法 研 究 [J].武 汉 大 学 学 报 ：信 息 科 学 版 ，2013，38（3）：
Africa[J].IEEE Transactions on Geoscience and Remote
370-373.
Sensing，2006，44（4）：1504-1510.
[11] 胡志祥，赵文光，文银平，等.雷电定位计算的粒子群优化
[4] 王宇，
郄秀书，
王东方，
等.北京闪电综合探测网（BLNET）：
网
方 法 [J].华 中 科 技 大 学 学 报 ：自 然 科 学 版 ，2011，39（4）：
2015，39（3）：
络构成与初步定位结果[J].大气科学， 571-582.
129-132.
[5] 张文娟，吕伟涛，张义军，等.闪电定位综合算法研究[C]//
[12] 纪兵，边少锋.大地主题问题的非迭代新解[J].测绘学报，
第六届中国国际防雷论坛论文摘编，2007.
2007，36（3）：269-273.
[6] Torrieri D J.Statistical theory of passive location systems[J]. [13] 文银平，胡志祥，赵文光，等.利用网格搜索进行地球椭球
IEEE Transactions on Aerospace & Electronic Systems， 面闪电定位[J].武汉大学学报：信息科学版，2010，35（9）：
1984，20（2）：183-198. 1057-1060.
[7] Koshak W J，Solakiewicz R J.TOA lightning location [14] 刘伟，谢兴生，肖超峰.一种基于支持向量机阀值控制的
retrieval on spherical and oblate spheroidal earth geomet- 优化增量 SVM 算法[J].计算机工程与应用，2015，51（3）：
rics[J].Journal of Atmospheric & Oceanic Technology， 124-128.
2001，18（2）：187-199. [15] 何婧，吴跃，杨帆，等.基于 KD 树和 R 树的多维云数据索
[8] Chan Y T，Ho K C.Simple and efficient estimator for 引[J].计算机应用，2015，34（11）：3218-3221.
hyperbolic location[J].IEEE Transactions on Signal Pro- [16] 邱永红，曾永年，邹滨.KDT 树一种多维空间数据索引结
cessing，1994，42（8）：1905-1915. 构[J].计算机工程与应用，2009，45（8）：29-32.