改进粒子滤波算法的比较

重要性密度函数的选择对粒子滤波至关重要,围绕重要性密度函数的选择,已提出许多改进粒子滤波算法,典型的有扩展卡尔曼粒子滤波(EPF),不敏卡尔曼粒子滤波(UPF)、辅助粒子滤波(APF)及正则化粒子滤波(RPF).详细讨论了4种改进粒子滤波算法的基本思想、性能特.占及主要步骤.通过对一典型标量非线性系统的滤波实验,对4种改进算法的性能进行了仿真比较,实验结果表明,4种改进算法都从不同程度上改善了粒子滤波器的性能,其中,UPF的性能最优.最后,分析了各算法的改进原因.     

基于修正无偏量测转换的粒子滤波算法研究

如何得到重要性密度函数是粒子滤波算法的关键问题之一。首先阐述了粒子滤波的一般方法;然后在分析修正无偏量测转换统计特征的基础上,提出了一种修正无偏量测转换粒子滤波(M-UCMPF)算法,推导了该算法的重要性概率密度函数;最后通过仿真实验对比分析了M-UCMPF算法、不敏卡尔曼粒子滤波(UPF)算法、修正无偏量测转换卡尔曼滤波(M-UCMKF)算法和不敏卡尔曼滤波(UKF)算法的性能。仿真结果表明,M-UCMPF算法具有运算量相对较小而滤波精度高的特点。     

UPF算法在惯导非线性初始对准中的应用

惯性导航系统（INS）的初始对准误差模型通常为非线性的,对于估计惯导误差普遍采用的是扩展卡尔曼滤波算法（EKF）,该方法是在一阶泰勒展开的基础上近似得到的,因而误差较大。粒子滤波算法一种新颖的非线性滤波算法,它较传统的EKF算法具有稳定性好,适用范围广的优点。该文首先介绍了作为粒子滤波理论基础的递推贝叶斯估计的基本概念,说明了重要性函数对于粒子滤波器的设计是至关重要的。随后,给出了一种将不敏卡尔曼滤波（UKF）算法作为重要性函数的UPF算法,并提出将其用于静基座条件下的惯导系统非线性初始对准,通过计算机仿真对比了UPF和EKF的估计效果。仿真结果表明,UPF算法较传统的EKF算法对准时间更快,对准精度更高。     

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。     

UPF算法在状态估计中的应用

首先分析了基于贝叶斯理论的粒子滤波算法的原理：然后在分析采样-重要性-重采样算法基础上讨论了粒子滤波算法存在的主要问题,研究了一种使用UKF产生重点密度函数的粒子滤波算法（UPF）;最后通过实例将该算法与粒子滤波算法进行比较,仿真结果表明UPF算法运算时间低于粒子滤波算法.     

一种改进粒子滤波目标跟踪算法

使用粒子滤波进行目标跟踪时,是用状态转移概率作为重要性函数,由于没有利用最新的观测信息,使得滤波效果不够理想.针对粒子滤波算法的这一缺陷, 提出了一种改进粒子滤波算法,该算法利用平方根无迹变换获得重要性函数,解决了粒子滤波算法以状态转移概率作为重要性函数的不足,同时保证了滤波过程中的稳定性.理论分析与仿真实例结果均表明,该算法提高了滤波的稳定性和精确性.     

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。     

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.     

非线性系统故障诊断的粒子滤波方法

针对粒子滤波存在粒子退化问题,提出一种基于无迹卡尔曼滤波和部分重采样的改进的粒子滤波算法.通过无迹卡尔曼滤波产生重要性分布函数和使用部分重采样算法进行重采样,以丰富粒子的多样性.并针对非线性系统故障诊断中非高斯背景下,似然函数检测量难以导出的问题,提出一种基于多模型和似然函数值的诊断方法.仿真结果表明:改进的滤波算法的估计精度优于标准的粒子滤波算法及其现有的两种改进算法,提出的故障诊断方法能够做到快速检测与准确隔离.     

远距离干扰环境下目标跟踪的扩展卡尔曼粒子滤波算法

该文在扩展卡尔曼粒子滤波算法的基础上融合了"负"信息(没有接收到观测值的扫描)来实现远距离干扰环境下的目标跟踪。在整个实现过程中,由传感器模型推导出的高斯和似然函数充分考虑了正负信息,直接用于计算粒子权重更新。并且通过扩展卡尔曼滤波算法产生重要性密度函数,利用当前时刻的量测,使得粒子的分布更接近其后验概率分布,而且使用较少的粒子个数即可达到较好的跟踪效果。仿真证明,扩展卡尔曼粒子滤波算法在航迹连续性和跟踪精度方面明显优于扩展卡尔曼滤波算法,但计算复杂度较高。     

毫米波/红外多传感器融合跟踪算法研究

毫米波/红外(MMW/IR)传感器是各国发展多模复合制导技术的重点.针对平方根无迹卡尔曼滤波(SR-UKF)的估计算法存在线性化误差及粒子滤波中得到优化的重要性密度函数比较困难的问题,将平方根无迹卡尔曼滤波与粒子滤波相结合,提出一种序贯融合的平方根无迹卡尔曼粒子滤波(SRUKPF)算法.利用平方根无迹卡尔曼算法得到的状态更新矩阵和误差协方差矩阵,构造粒子滤波的重要性密度函数,这样重要性密度函数能够融入最新观测信息,进而更加符合真实状态的后验概率分布.为验证算法的有效性,以地空导弹中MMW/IR传感器复合制导为背景进行仿真研究与分析,结果表明,该算法克服了粒子滤波法难以得到优化重要性密度函数的缺陷,能有效提高多传感器系统状态估计的精度     

雷达机动目标跟踪的卡尔曼粒子滤波算法

为解决不敏粒子滤波算法对雷达机动目标跟踪实时性差和跟踪起始阶段收敛慢的问题,引入卡尔曼粒子滤波算法。通过坐标转换将实际的极坐标雷达观测数据转换为直角坐标数据,然后用线性最优的卡尔曼滤波器估计粒子状态先验概率密度,最后用非线性最优的粒子滤波器精确估计目标状态后验概率。仿真实验表明,与不敏粒子滤波相比,卡尔曼粒子滤波以牺牲较少精度(减少约6%)的代价,实现机动目标跟踪的实时性(约为前者的1/5),起始阶段收敛性更好。     

基于GAUPF-IMM算法的机动目标跟踪研究

为提高对机动目标滤波跟踪的精度,融合遗传算法与粒子滤波交互多模算法,提出了一种遗传算法优化的交互式多模不敏粒子滤波算法(GAUPF-IMM).该算法采用多模型结构,各模型匹配无迹粒子滤波(UPF),使得新算法用较少的粒子就能体现后验概率密度的特征,减少计算童的同时降低拉子退化现象.并在粒子滤波器输出数据时引入遗传算法对...     

一种基于UPF的干涉SAR相位展开方法

提出一种不敏粒子滤波的相位展开方法.该方法是不敏粒子滤波器与路径跟踪策略以及全方位的局部相位梯度估计相结合的结果,不受模型噪声统计特性和线性条件约束,同时完成噪声消除和相位展开;利用不敏卡尔曼滤波器来进行粒子更新,使重要密度函数能够融入最新观测信息和更加符合真实状态的后验概率分布,从而提高了相位展开精度与效率.仿真和实...     

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波（PF）直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波（7th-CQKF）对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波（CPF）。     

改进粒子滤波算法在目标状态估计中的应用

针对粒子滤波算法(PF)建议性函数的选择问题和粒子匮乏现象,提出了改进粒子滤波算法.该算法利用无迹卡尔曼滤波(UKF)产生建议性分布,提高估计精度;采用马尔科夫蒙特卡罗法(MCMC)保持粒子多样性,抑制粒子匮乏现象.仿真结果表明该算法的目标状态估计精度明显优于PF、UPF、PF-MCMC和PF-EKF-MCMC算法.     

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时, 使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。     

基于代价参考粒子滤波的机动目标跟踪算法

代价参考粒子滤波算法通过动态优化自定义代价函数和风险函数来衡量状态滤波估计的质量,选取最优的状态估计.与粒子滤波算法相比其优点是不需要任何先验概率知识的假定和重采样过程可实现并行处理.将代价参考粒子滤波与当前统计模型的优点相结合,提出一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.Monte Carlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于当前统计模型高斯粒子滤波算法.     

一种基于差分演化的粒子滤波算法

针对粒子滤波(Particle Filter, PF)存在的粒子退化和贫化问题,该文提出一种基于差分演化(Differential Evolution, DE)的PF算法。首先,为了充分利用最新的观测信息,采用无迹卡尔曼滤波(Unscented Kalman Filter, UKF)来产生重要性分布,对重要性分布产生的采样粒子不再做传统重采样操作,而是直接把采样粒子当作DE中的种群样本,粒子权重作为样本的适应函数,对粒子做差分变异、交叉、选择等迭代优化,最后得到最优的粒子点集。试验结果表明,该算法有效缓解了传统PF算法中的粒子退化和贫化,提高了粒子的利用率,具有较好的估计精度。     

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。