基于人工免疫粒子滤波算法的MIMO-SCFDE系统信道估计方法

针对经典粒子滤波(PF)算法在MIMO-SCFDE系统时变信道估计中出现权值退化的问题,提出了基于人工免疫粒子滤波(AIPF)算法的MIMO-SCFDE系统时变信道估计方法。该方法将人工免疫的思想引入到PF算法中,有效缓解了PF算法权值退化的问题,提高了信道估计的精度。仿真结果表明,相比LS算法,Kalman滤波算法以及经典PF算法,AIPF算法在高斯分布噪声环境以及非高斯分布噪声信道环境下均可以得到较低误码率(BER)以及归一化均方误差(NMSE),而且在非高斯分布噪声环境下具有较好的顽健性,可以有效提高MIMO-SCFDE系统信道估计的性能。     

基于辅助模型的改进粒子滤波算法

针对非线性、非高斯系统的目标跟踪精度不太高这一问题,提出一种改进Sigma粒子滤波算法(MSP-PF)。该算法是由主模型产生第一个粒子,剩余的粒子则由辅助模型和平方根无迹卡尔曼滤波(SRUKF)来递归生成,辅助模型使粒子的观测信息得到充分有效地利用,解决了粒子滤波算法所面临的粒子退化和匮乏问题。仿真表明,提出的改进Sigma粒子滤波算法(MSPPF)的估计性能要明显优于粒子滤波(PF)、无迹粒子滤波(UPF)、Sigma粒子滤波算法(SPPF)。     

渐消记忆自适应滤波在传递对准中的应用

针对模型存在误差或状态突变下传递对准精度误差较大甚至发散等问题,提出了基于渐消记忆自适应卡尔曼滤波的传递对准方法,以设计的“速度+积分角速度”匹配模式为例进行仿真分析。仿真结果表明：基于渐消记忆自适应卡尔曼滤波的方法同经典卡尔曼滤波算法相比提高了传递对准的精度和收敛速度,是解决模型存在较大误差或状态突变下的传递对准问题的一种有效方法。     

时变噪声统计估计的自适应UKF目标跟踪算法

针对目标跟踪中非线性滤波精度下降甚至发散的问题,提出了一种时变噪声统计估计的自适应无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法.首先将系统模型和滤波算法修正为适于噪声非零均值时的情况,然后根据极大后验估计原理,推导出一种次优的时变噪声统计估计器,其系数通过指数加权的衰减因子计算得到,最后与传统UKF算法结合形成自适应的滤波算法.仿真结果表明,该算法保证了滤波收敛性,能够对目标进行有效跟踪,而且滤波精度显著提高.     

基于惯性/地磁的弹体组合测姿方法

针对单一传感器测姿精度有限和容错性不佳的问题,提出了基于惯性/地磁传感器的弹体姿态组合测量方法。该方法使用矢量因子联邦滤波算法对测量数据进行融合,并针对系统中存在的模型误差和噪声不严格符合高斯分布的问题,使用了改进的强跟踪无迹卡尔曼滤波算法作为联邦滤波的子滤波器。仿真结果表明,本文方法可以获得比任何单一传感器都高的估计精度,并比传统联邦滤波算法的融合精度更高。     

基于自适应滤波的惯性+多模卫星组合导航算法研究

惯性+多模卫星组合导航系统通常采用定常参数的加权最小二乘算法进行多传感器信息融合,若加权系数与实际噪声统计特性不吻合,将会对组合导航精度产生不利影响.为解决该问题,提出一种基于自适应滤波的改进信息融合算法,对惯性及卫星导航数据应用自适应Kalman滤波以估计惯性导航误差,对滤波输出进行基于加权最小二乘法的多模信息融合,并根据滤波误差方差阵的解算结果对加权系数进行实时调整以优化估计精度.仿真结果表明该算法能够在一定程度上提高组合导航系统的精度和对不同随机噪声的适应能力.     

基于重采样粒子滤波的目标跟踪算法研究

基于传统粒子滤波的机动目标跟踪方法针对非线性、非高斯系统有较好的估计性能,但是存在粒子退化现象。利用残差重采样算法,可以有效克服粒子滤波的退化问题。本文针对残差重采样算法作进一步研究,提出了一种改进的残差重采样粒子滤波算法。该方法在残差重采样基础上进行改进,可以避免残差重采样中关于残留粒子的重采样问题,在保证精度的前提下提高运行效率,减少运算复杂程度。仿真实验结果表明该算法与残差重采样粒子滤波相比提高了目标跟踪的实时性,并且随着粒子数的增加,这种优势表现得更加明显。     

基于迭代积分粒子滤波的目标跟踪算法

针对粒子滤波在非线性目标跟踪中存在粒子退化的问题,提出一种迭代积分粒子滤波的目标跟踪算法。该算法从改进重要性函数的角度入手,在积分卡尔曼滤波的基础上,通过高斯牛顿迭代的方法进行量测更新,并对粒子集合中的粒子进行迭代积分卡尔曼滤波,使得构造的重要性函数更加贴近真实后验分布。仿真结果表明,与粒子滤波算法、积分粒子滤波算法相比,该算法在有效改善非线性目标跟踪中粒子退化的同时,提高了跟踪精度。     

闪烁噪声环境下目标跟踪的UPF算法研究

介绍了一种改进的粒子滤波（PF）算法——无味粒子滤波算法（UPF）。该算法结合UKF（unscented Kalman filter）和PF算法，利用UKF对非线性系统的处理能力，用UKF得到粒子滤波的重要性采样密度函数，从而克服了PF没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足。在给出的闪烁噪声统计模型基础上．将UPF、PF算法在雷达目标跟踪中进行了比较，仿真结果表明该方法可以取得比标准的粒子滤波更快的滤波收敛性和更高的滤波精度。     

统计特性突变下的机器人同步定位与地图构建

针对未知环境中，机器人同步定位与地图构建( SLAM)时，系统的统计特性发生突变问题，提出了一种基于非线性交互式多模型(IMM)的SLAM算法。该算法的主要思想是：用多个非线性高斯模型近似非线性非高斯模型；每个模型都采用扩展卡尔曼滤波(EKF)对非线性系统线性化；在每一步采用IMM方法获得融合估计值；从而演化机器人的SLAM. Monte Carlo仿真结果表明，在过程噪声均方根误差、量测噪声均方根误差和两者噪声均方根误差都发生变化的情况下，与EKF-SLAM算法和快速SLAM算法相比，该算法具有更好的估计精度。     

尺度Unscented变换在同时定位与地图创建算法中的应用研究

同时定位与地图创建( SLAM)问题中运动及观测模型都是非线性的，当采用常用的扩展卡尔曼滤波(EKF)处理时需要通过Jacobian矩阵来线性化，由此带来的线性化误差影响了算法的一致性。本文将scaled unscented变换(scaled unscented transformation，SUT)以两种不同的方式运用到SLAM算法中，一是将整个状态方程进行SUT变换，用UKF完全代替EKF进行状态估计；二是只对状态向量中的机器人位姿进行SUT变换，地图特征昀预测及整个状态的更新还是用EKF处理，以一种混合的方式进行状态估计。最后通过大量的Monte- Carlo仿真实验表明，两种方法都能有效地降低EKF的线性化误差，且第二种方法计算效率更高。     

UKF滤波算法在弹箭落点估计中的应用

依据部分弹道的弹道轨迹测量数据,准确预报弹道落点,是弹道修正弹药智能化的关键技术.综合考虑滤波精度和算法复杂度,文中采用质点弹道模型和无迹卡尔曼滤波(unscented Kalman filter)方法,建立了弹道滤波模型和外推弹道模型.通过对雷达测量数据的处理结果表明,UKF弹道滤波模型和质点外推模型有较高的精度.     

ROS/Gazebo 在SLAM 算法评估中的应用

为解决对即时定位与地图构建(simultaneous location and mapping,SLAM)算法进行评估时难以获得精确 的机器人实际运动轨迹和环境参数的问题,使用ROS/Gazebo 仿真软件进行评估。通过ROS/Gazebo 软件建立配置有 多种传感器的机器人模型和参数已知的仿真环境,让机器人模型在仿真环境中运行并收集传感器信息以形成数据集, 使用该方法对2 种2D 激光SLAM 算法进行评估分析。结果表明,该方法可有效解决上述问题。     

基于似然分布自适应调整的SMC-PHDF算法

SMC-PHDF(Sequential Monte Carlo-Probability Hypothesis Density Filter)算法由于不受高斯和线性的限制,在目标跟踪领域有着广泛的应用;然而当系统量测噪声较大,很多样本的归一化权重很小而成为无效样本,最终导致SMC-PHDF算法滤波精度较低;针对这一问题提出似然分布自适应调整的SMC-PHDF算法,通过在更新步骤中自适应调整粒子权值,增加先验密度和似然的重叠区,从而达到提高滤波性能的目的;仿真结果表明:在系统量测噪声较大时该算法比传统SMC-PHDF算法的滤波效果有所提升.     

适于无线传感网络目标追踪的一种改进无迹粒子滤波时延差估计算法

在无线传感网络（WSN)中运用基于粒子滤波的时延差估计方法进行目标追踪,其性能的关键是设计精确的粒子滤波器建议分布。为了解决追踪过程中粒子贫化问题,提出了一种基于改进无迹粒子滤波器的时延差估计算法。利用最小二乘法估计目标初始时刻位置,在卡尔曼滤波框架下运用高斯-牛顿迭代法则融合最新观测信息,并引入尺度调节衰减因子不断修正重要性密度函数,从而使建议分布更加逼近真实。将其与时延差定位方法结合,并在WSN环境下进行仿真实验。结果显示,改进的算法在整体粒子数有限的情况下追踪精度更高,收敛性较好,尤其适合环境噪声非高斯的复杂WSN目标追踪应用。     

基于粒子滤波衰减因子抑制干扰的组合导航信息融合算法

为修正组合导航系统受到干扰的数据,使用粒子滤波算法判别数据是否符合系统误差要求;采用改进的粒子滤波算法,当组合导航系统单一通道受到干扰而发散时,通过改变受干扰通道粒子在系统中的权值来抑制干扰。仿真结果表明,改进的粒子滤波算法在组合导航系统单一通道发散的条件下能够有效地降低误差、提高精度,从而使系统仍能保持较好的工作状态。     

移动机器人SLAM 改进算法的分析与实现

为解决移动机器人扩展卡尔曼滤波(EKF-SLAM)算法计算复杂、精确度不高及易受干扰的缺点,提出一 种基于最优平滑滤波理论的改进同步定位与地图构建(simultaneous localization and mapping,SLAM)算法。详细介绍 算法的改进过程,通过Matlab 软件对其位置轨迹跟踪误差及标准差进行仿真分析,基于机器人操作系统(robot operating system,ROS)系统的实验平台,在室内走廊进行SLAM 实验以测试改进算法的效果。结果表明,改进的 SLAM 算法精度高、抗干扰能力强,能实现移动机器人的即时定位与地图构建。基于ROS 系统的软件平台能简化开 发难度,提升移动机器人的智能化。     

基于七维状态向量反向无迹卡尔曼滤波的弹道外推算法

针对弹道模型误差、参数估计误差以及外推距离过长导致定位精度低的问题,建立了基于七维状 态向量的反向无迹卡尔曼滤波外推算法。为精确建立状态模型,该算法将弹道系数作为状态参量,纳入滤波过程。采用无迹卡尔曼滤波算法,以提高非线性估计精度。此外,由于正向滤波外推距离长,模型误差积累大,该算法采用反向滤波处理,将雷达测得的首点作为滤波终点,通过4阶龙格-库塔方程外推炮位。仿真结果表明,该算法定位精度相较原算法提高约50%.