本文研究了一类具有测量噪声相关性 Bearings-only 跟踪网络系统的非线性数据融合问题，并提出了一种使用 Cubature Kalman Filter (CKF) 的信息滤波形式（CIF）和噪声去相关方法的分布式 Cubature Kalman 融合算法。文章首先基于 CIF 和扩展测量建立了一个集中式 Cubature Kalman 融合算法，并指出了计算性能上的问题。为了解决集中式融合方法计算性能问题，应用噪声去相关技术获得一个功能等效的 Bearings-only 跟踪融合系统，即扩展测量噪声的协方差被对角化。因此，基于 CIF 的分布式融合方法可以用来实现更有效的跟踪融合估计。本文关键词包括：仅用方位跟踪、噪声相关性、非线性数据融合、Cubature Kalman Filter、信息滤波、噪声去相关、分布式融合。
1. 引言部分表明，移动目标跟踪是许多研究领域中的一个经典问题，包括信号处理、过滤和数据融合。它仍然是当前热门的研究方向之一。移动目标跟踪问题可分为两大类型：主动跟踪方法和被动跟踪方法。在许多实际应用中，由于被动跟踪的感知系统相比主动跟踪有更好的安全性，被动跟踪更为流行。因此，开发高性能的被动目标跟踪算法是非常重要且具有挑战性的。Cubature Kalman 融合用于 Bearings-only 跟踪网络系统是本文研究的重点。
在介绍背景知识之后，文章指出了移动目标跟踪中的 Bearings-only 跟踪问题，即在只有角度信息的情况下进行目标跟踪。这种情况下的非线性数据融合问题尤为复杂，因为缺乏直接的距离或速度信息，使得计算目标状态的估计变得困难。在 Bearings-only 跟踪中，传统的卡尔曼滤波器可能无法直接应用，因为其依赖于线性或线性化近似模型的假设。然而，CKF 是一种较新的滤波技术，它可以在非线性系统中提供一种近似于最优的卡尔曼滤波性能。
CKF 的核心思想是通过一组确定性的采样点（也称为 cubature 点）来近似系统非线性的分布。与传统的扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）相比，CKF 能够更准确地逼近非线性函数的概率分布，尤其是在高维状态空间的应用中。在数据融合领域，当有多个传感器或分布式系统提供测量数据时，融合这些数据以得到更准确的状态估计是至关重要的。CKF 可以在这个过程中发挥关键作用，特别是在考虑到不同测量之间的噪声相关性时。
噪声相关性是信号处理和数据融合中需要考虑的一个重要因素。当多个传感器同时工作时，它们的测量可能会相互影响，导致测量噪声不再是独立的，这会显著影响数据融合算法的性能。去相关技术就是为了解决这个问题而产生的，它可以减少或消除测量之间的噪声相关性，从而改善数据融合的准确性。
本文提出的基于 CIF 的分布式 Cubature Kalman 融合算法，首先建立了一个集中式融合算法，并且发现其计算性能存在局限。通过应用噪声去相关技术，算法被改进，使得扩展测量噪声的协方差对角化，从而得到了一个功能等效的 Bearings-only 跟踪融合系统。这使得基于 CIF 的分布式融合方法能够在计算性能上得到提升，并且实现更加有效的跟踪融合估计。
总体而言，本文的主要贡献包括提出了一种新的 Bearings-only 跟踪融合算法，并通过理论分析和实验验证了其有效性。研究结果表明，在包含噪声相关性的 Bearings-only 跟踪网络系统中，所提出的算法能够有效地解决非线性数据融合问题，并提高了跟踪估计的精确度。这对于移动目标跟踪、监视和其他相关的实际应用场景具有重要的实际意义。
