1.一种基于中间过渡状态的卡尔曼滤波算法，其特征为：假设在k‑1时刻,已经获得目标的状态估计和估计误差协方差矩阵分别为和Pk‑1|k‑1，其中 和 分别表示系统对目标在k‑1时刻沿x,y,z方向的位置估计， 和 为所对应方向的速度估计；假设在k时刻获得目标的量测向量为 其中 和 分别为距离、俯仰角、方位角和径向速度量测，量测噪声方差分别为 和 并假设方位角、俯仰角量测噪声和径向速度量测噪声相互独立，距离和径向速度量测噪声之间的相关系数为ρ，则一种基于中间过渡状态的卡尔曼滤波算法从k‑1到k时刻的一次迭代过程具体步骤如下：步骤1：时间更新：

(1)对k时刻的状态进行预测：式中，F为状态转移矩阵， 为k时刻的状态预测向量；

(2)计算预测误差协方差矩阵：T

Pk|k‑1＝FPk‑1|k‑1F+Qk‑1         (2)式中，Qk‑1为k‑1时刻的过程噪声协方差矩阵，Pk|k‑1为预测误差协方差矩阵；

步骤2：状态转换：

(1)对预测估计误差协方差矩阵进行分解：式中，Sk|k‑1为预测误差协方差矩阵的平方根，chol(·)为对矩阵进行Cholesky分解；

(2)构造等权重采样点：

式中， 为k时刻所构造的预测采样点，m为采样点数，满足m＝2n，n为状态向量的维数， [1]i为点集[1]的第i列，点集[1]为：(3)将预测采样点 表示为 其中 和为沿x,y和z方向的位置预测分量， 和 为对应方向的速度预测分量，则将其转换到量测坐标系下：

式中， 和 分别为距离、俯仰角和方位角预测分量， 和 为径向距离、俯仰角速度和方位角速度分量，将这些分量用转换后在量测坐标系下的中间过渡状态预测采样点表示(4)在量测坐标系下，计算中间过渡状态的预测值：式中， 为量测坐标系下中间过渡状态的预测值；

(5)计算量测坐标系下的预测误差协方差矩阵：式中， 为量测坐标系下的预测估计误差协方差矩阵；

步骤3：量测更新：

(1)新息协方差矩阵：

式中， 为新息协方差矩阵，HMid和Rk分别为量测矩阵和量测噪声协方差矩阵，可以表示为：(2)计算卡尔曼增益：

式中，KMid为卡尔曼增益矩阵；

(3)计算在量测坐标系下对中间过渡状态的估计向量：式中， 为k时刻的中间过渡状态估计向量；

(4)计算量测坐标系下的估计误差协方差矩阵：步骤4：状态转换：

(1)对量测坐标系下的估计误差协方差矩阵进行分解：式中， 为误差协方差矩阵的平方根；

(2)构造等权重采样点：

式中， 为k时刻所构造的估计采样点；

(3)将估计采样点 表示为 其中 和 为距离、俯仰角和方位角估计分量， 和 为径向距离、俯仰角速度和方位角速度分量，则将其转换到原笛卡尔坐标系下：式中， 和 为沿x,y和z方向的位置估计分量， 和 为对应方向的速度估计分量，将这些分量用原笛卡尔坐标系下的状态估计采样点表示(4)计算k时刻的状态估计向量：式中， 为k时刻的状态估计；

(5)计算估计误差协方差矩阵：式中，Pk|k为k时刻的估计误差协方差矩阵。