基于最大相关熵准则的非高斯噪声鲁棒滤波算法源码

资 源 简 介

本项目旨在解决传统卡尔曼滤波算法在非高斯、重尾分布或含有脉冲噪声环境下性能急剧下降甚至发散的问题。在MATLAB环境中，项目构建了一套基于最大相关熵准则（Maximum Correntropy Criterion, MCC）的新型鲁棒滤波算法框架。区别于依赖最小均方误差（MMSE）准则的传统方法，本算法利用相关熵作为局部相似性度量，对误差的高阶矩进行约束，从而具备对异常值和非高斯噪声的天然抑制能力。项目详细功能包括：1. 复杂环境建模，能够模拟生成包含高斯混合模型（GMM）、学生t分布或Alpha稳定分布等多种非高斯噪声的观测数据；2. 算法核心实现，开发了自适应核宽度的最大相关熵卡尔曼滤波（MCKF）算法，利用定点迭代法数值求解最优滤波增益；3. 对比分析模块，同步运行标准卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）与本算法，通过均方根误差（RMSE）和平均绝对误差（MAE）等多维度指标评估滤波精度；4. 可视化展示，实时绘制状态跟踪轨迹、误差收敛曲线及概率密度函数对比图。该系统适用于水声信号处理、雷达目标跟踪及低成本传感器网络等易受非高斯脉冲干扰的复杂应用场景。

详 情 说 明

基于最大相关熵准则的非高斯噪声鲁棒滤波系统

项目简介

本项目实现了一套基于最大相关熵准则（Maximum Correntropy Criterion, MCC）的鲁棒滤波算法，专门用于解决在非高斯、重尾分布或含有脉冲噪声环境下，传统卡尔曼滤波性能下降的问题。项目在MATLAB环境中构建了一个包含复杂噪声建模、核心自适应滤波算法实现、标准算法对比以及多维度可视化分析的完整演示系统。

通过引入相关熵作为局部相似性度量，本系统能够有效地抑制量测数据中的异常值（Outliers），在脉冲噪声干扰严重的场景下展现出优于标准卡尔曼滤波（KF）的估计精度。

功能特性

• 复杂环境仿真建模：基于高斯混合模型（GMM）原理，模拟生成含有高强度脉冲噪声的非高斯观测数据，能够精确控制污染概率和异常值的方差放大倍数。
• 鲁棒核心算法实现：实现了基于定点迭代法（Fixed-Point Iteration）的最大相关熵卡尔曼滤波（MCKF），具备自适应调整测量噪声协方差的能力。
• 算法对比分析：同步运行标准卡尔曼滤波（KF）作为基准，通过均方根误差（RMSE）和平均绝对误差（MAE）量化对比两种算法在同一噪声序列下的性能。
• 多维可视化展示：提供二维轨迹跟踪对比、误差收敛曲线、以及基于核密度估计（KDE）的误差概率密度函数（PDF）分析图。

系统要求

• MATLAB R2016b 或更高版本
• Statistics and Machine Learning Toolbox（用于 mvnrnd 和 ksdensity 函数）

使用方法

直接运行主脚本即可启动仿真。程序将依照以下流程自动执行：

1. 初始化系统参数与随机种子。
2. 生成真实状态轨迹与对应的含噪观测数据。
3. 并行执行 KF 和 MCKF 滤波解算。
4. 在控制台输出 RMSE、MAE 及性能提升百分比报告。
5. 弹出三个图形窗口展示轨迹、误差曲线及误差分布。

详细实现逻辑与算法分析

本项目仅包含一个核心脚本，内部逻辑分为三个主要阶段：

1. 系统建模与数据生成

• 运动模型：采用二维平面上的匀速运动模型（Constant Velocity, CV），状态向量包含 $[位置x, 速度x, 位置y, 速度y]$。
• 噪声模型：观测噪声设计为高斯混合模型（GMM）以模拟非高斯环境。

* 标称噪声：绝大多数数据（如85%）服从低方差的高斯分布。 * 脉冲噪声：少量数据（如15%）服从方差放大100倍的高斯分布，模拟传感器故障或环境干扰产生的离群点。 * 程序中通过随机概率判断逐点生成噪声数据，并记录异常值位置用于后续可视化标记。

2. 滤波器实现细节

#### 标准卡尔曼滤波 (Standard KF) 作为性能基准，严格按照卡尔曼滤波的“预测-更新”标准递归方程实现。在非高斯噪声下，由于其基于最小均方误差（MMSE）准则，对大幅度的量测离群点非常敏感，容易产生估计偏差。

#### 最大相关熵卡尔曼滤波 (MCKF) 这是本项目的核心算法，利用相关熵对误差的高阶矩进行约束。

• 定点迭代机制：在每个时间步的更新阶段，算法引入了一个内部迭代循环（Fixed-Point Iteration）。
• 高斯核函数：使用高斯核计算量测残差的“相关熵”。算法先对残差进行Cholesky分解标准化，然后映射到特征空间。
• 自适应权重：根据残差的大小计算权重。残差越大（即遇到脉冲噪声），计算出的权重越小。
• 协方差重构：利用计算出的权重动态修正等效测量噪声协方差矩阵（R_effective）。当检测到异常值时，等效方差急剧增大，从而降低滤波器对该时刻观测值的信任度（增益 $K$ 减小）。
• 收敛判定：迭代过程通过检测状态估计的变化范数是否小于阈值（1e-4）来自动终止。

3. 结果评估与可视化

代码在仿真结束后进行详细的指标计算和绘图：

• 数值评估：

* 计算全时段的位置均方根误差（RMSE）和平均绝对误差（MAE）。 * 计算MCKF相对于标准KF的性能提升百分比，并格式化打印到控制台。

• 图形展示：

* 轨迹对比图：在二维平面绘制真实轨迹、含噪观测点（绿色点）、异常值（洋红色叉号）、KF估计轨迹（蓝色虚线）和MCKF估计轨迹（红色实线）。直观展示MCKF在遇到异常值时保持轨迹平滑的能力。 * 误差分析图：包含两个子图。左图展示RMSE随时间的变化，验证收敛性；右图展示X轴方向的时间序列跟踪详情，对比两种算法对突变噪声的响应。 * 误差PDF分析图：利用 ksdensity 对位置误差进行核密度估计，绘制概率密度函数曲线。结果展示MCKF的误差分布更尖锐且集中于零均值，证明其更高的估计精度。