粒子滤波在目标跟踪算法中的应用研究

针对非高斯、强噪声背景下的高机动目标实施跟踪时,卡尔曼滤波、扩展卡尔曼滤波等算法将出现滤波精度下降甚至发散现象。粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势。以目标跟踪问题为背景,将粒子滤波与卡尔曼滤波算法进行了对比研究。     

基于粒子滤波的弹道目标跟踪

弹道目标再入段的运动受到空气阻力、重力等力的影响,具有明显的非线性特征.传统的卡尔曼滤波是线性、高斯问题的最优滤波器,但无法处理非线性的估计问题.扩展卡尔曼滤波利用泰勒级数展开把非线性方程线性化,是解决非线性估计问题的有效算法;而近些年来出现的粒子滤波以其解决非线性问题的卓越性能,得到了迅速发展.文章对弹道目标再入段的运动特征进行研究,建立了目标的状态空间模型,并应用扩展卡尔曼滤波和粒子滤波实现了对弹道目标的跟踪.通过比较仿真结果,证明粒子滤波比扩展卡尔曼滤波精度更高,对噪声的抑制能力更强,也更稳定.因而具有重大的研究意义.     

一种改进粒子滤波的双站无源定位跟踪算法

在非线性非高斯状态空间下，粒子滤波器是一种有效的非线性滤波算法，它的关键问题包括粒子权重的计算、粒子重采样和状态估计等。本文根据粒子滤波算法思想和双站无源定位跟踪的非线性，将粒子滤波算法用于双站无源定位跟踪问题，给出了一种改进的粒子滤波算法，并对其关键问题根据双站无源定位跟踪的特殊性进行了改进。利用Matlab进行了仿真实验，与最小二乘算法、扩展卡尔曼滤波算法进行了比较，结果表明所提算法定位跟踪精度优于其他方法。     

非线性滤波算法性能对比

随着目标运动的多样性和复杂化,雷达非线性目标跟踪算法越来越受到重视。本文对目前非线性滤波的主要算法即扩展卡尔曼滤波、不敏卡尔曼滤波、粒子滤波的滤波模型、适用条件、性能进行了分析比较,通过一个非线性非高斯模型进行了仿真,验证了这些算法的性能,仿真结果表明非线性条件下粒子滤波算法要明显优于其它两种滤波算法。     

改进的交互式多模型粒子滤波跟踪算法

通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF)。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能。然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷。该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率。对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能。     

高斯-厄米特粒子滤波器

针对非线性、非高斯系统状态的在线估计问题,本文提出一种新的基于序贯重要性抽样的粒子滤波算法.在滤波算法中,我们用一簇高斯-厄米特滤波器(GHF)来产生重要性概率密度函数.此概率密度在系统状态的转移概率的基础上融入最新的观测数据,因此更接近于系统状态的后验概率.理论分析与实验结果表明:在观测模型具有高精度的场合或似然函数位于系统状态转移概率的尾部时,用GHF产生重要性概率密度函数的粒子滤波即高斯-厄米特粒子滤波(GHPF)的性能要明显地优于标准的粒子滤波、扩展的卡尔曼滤波、GHF.     

粒子滤波和正则粒子滤波算法性能研究

主要介绍了解决系统状态估计问题的滤波算法。在提出非线性高斯系统模型的基础上着重阐述了扩展卡尔曼滤波(EKF)、粒子滤波(PF)和正则粒子滤波(RPF)算法。对这三种算法在不同的噪声条件下的估计性能进行了仿真分析。结果表明,在非线性高斯系统中,PF和RPF的估计性能远比EKF的估计性能要好,由于RPF是从离散分布中重构其近似连续分布,再从该连续分布中采样粒子,估计性能比PF要好,尤其在小噪声的环境下,估计性能更加稳定。     

一种基于高斯粒子滤波的RAIM算法研究

针对在强非线性条件下扩展卡尔曼滤波 RAIM 算法(EKF-RAIM)性能下降的问题， 本文提出了一种基于高斯粒子滤波的 RAIM 算法(GPF-RAIM)。GPF-RAIM 采用高斯粒子进行非线性状态近似估计，在递推时按高斯分布重新生成新的粒子集合，能够解决粒子的退化问题， 不需要进行重采样步骤，保持了粒子的多样性。仿真结果表明，GPF-RAIM 能够有效的检测伪距跳变，相较于 EKF-RAIM 方法，可以获得更小的状态估计误差，提高检测性能。     

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。     

非高斯噪声环境的进化粒子滤波盲检测器

对于信道模型系数未知的平坦瑞利衰落信道下非高斯噪声环境中的盲信号检测,提出了一种基于进化粒子滤波的盲检测算法。该算法能够解决一般的粒子滤波对于估计长时间不变的状态存在的样本贫化的问题和系统噪声的非高斯问题。仿真试验结果证明,在信道模型系数未知的平坦衰落信道下,非高斯的噪声环境中,该算法性能优越,接近达到已知信道模型系数情况下的混合卡尔曼滤波算法的性能。