船舶运动姿态预报是船舶研究领域的重要分支。如果能够提前几秒预报出船舶运动的横摇角度,这将会对之后设计减摇器、提高减摇效果等具有重要意义。基于时间序列的船舶运动预报既不需要知道海浪的先验信息也不需要建立船舶具体的运动学方程,只需要利用船舶在海浪中航行时运动姿态的历史数据寻找规律进行建模预报。Kalman滤波算法由于具有递推关系、收敛速度快等优点,被运用于船舶运动AR预报模型参数估计,但当系统具有不确定性时,采用基于经典Kalman滤波的AR建模预报,其性能可能恶化甚至导致发散。这就引出了鲁棒融合Kalman滤波的AR建模预报问题。相对于经典Kalman滤波有两个显著优势:1)增强了系统对不确定性的鲁棒性2)相对均方误差更小,预报精度更高。论文针对具有各种不确定性离散系统的鲁棒融合Kalman滤波开展了深入研究,并将其应用于船舶运动AR建模预报。首先,分别对具有不确定噪声方差且白噪声线性相关的线性离散多传感器系统(系统1)及具有状态相依乘性噪声、不确定噪声方差的线性离散多传感器系统(系统2),采用虚拟噪声法进行模型转换,然后基于极大极小鲁棒估值原理、按矩阵加权准则推导得到鲁棒状态融合Kalman滤波器。将其应用于AR模型参数递推估计,建立了船舶运动预报模型,并进行了仿真分析。其次,对具有相同状态相依乘性噪声和不确定噪声方差且白噪声线性相关的线性离散多传感器系统(系统3),采用虚拟噪声法进行模型转换,然后基于极大极小鲁棒估值原理、按矩阵加权准则推导得到鲁棒状态融合Kalman滤波器,并证明了实际状态融合Kalman滤波器是鲁棒的。将其应用于AR模型参数递推估计,建立了船舶运动预报模型,并进行了仿真分析。并对比了基于系统3与系统1、系统2鲁棒状态融合Kalman滤波方法建立AR预报模型的预报效果。最后,分别对具有丢失观测和不确定噪声方差的线性离散多传感器系统(系统4)及具有丢失观测、乘性噪声和不确定噪声方差的线性离散多传感器系统(系统5),采用虚拟噪声法进行模型转换,然后基于极大极小鲁棒估值原理、按矩阵加权准则推导得到鲁棒状态融合Kalman滤波器,并证明了实际状态融合Kalman滤波器是鲁棒的。将其应用于AR模型参数递推估计,建立了船舶运动预报模型,并进行了仿真分析。并对比了基于系统5与系统4鲁棒状态融合Kalman滤波方法建立AR预报模型的预报效果。