非线性滤波算法分析及其性能比较

针对目标跟踪实际应用中量测方程非线性对滤波精度和稳定性的影响,重点分析了模型线性化的滤波算法、无迹卡尔曼滤波（UKF）和粒子滤波算法（PF）的基本原理和特点以及适应的条件。仿真试验比较了扩展卡尔曼、无迹卡尔曼和粒子滤波的跟踪效果,结果表明非线性条件下粒子滤波算法优于其它两种滤波算法。     

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。     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

被动导引头辐射源跟踪新算法研究

由于被动导引头辐射源跟踪系统非线性较强,传统的跟踪滤波算法是粒子滤波（PF）、U卡尔曼滤波（UKF）。但这些算法都存在着一定的缺陷,粒子滤波算法收敛速度慢、计算量大,UKF跟踪精度低。针对上述问题,提出了一种基于PF算法的新的跟踪滤波算法PUKF。该算法采用粒子滤波和U卡尔曼滤波加权的思想对目标实现初始的捕捉,然后通过UKF算法对目标进行跟踪保持。该算法受初始状态影响小,跟踪的精度高,收敛速度快,系统性能稳定。仿真实验表明了在被动辐射源跟踪系统中该算法的可行性和有效性。     

一种卡尔曼滤波与粒子滤波相结合的非线性滤波算法

提出一种基于卡尔曼滤波与粒子滤波的非线性滤波算法.这种方法对于状态变量服从线性变化而观测方程为非线性的动态系统模型具有显著的效果.首先使用粒子滤波对状态变量进行初估计,然后对估计结果进行卡尔曼滤波,另外推导出该系统模型下状态变量估计误差的克拉美劳下界.通过计算复杂度分析及仿真实验验证,表明新方法与标准粒子滤波算法复杂度相当,但参数估计精度要高于标准粒子滤波以及扩展卡尔曼滤波算法,估计误差甚至要低于系统模型的克拉美劳下界.     

粒子滤波及其改进算法的比较

针对非线性、非高斯问题,建立了动态状态空间模型,详细分析了贝叶斯滤波的原理。对于满足线性和高斯的状态空间模型,卡尔曼滤波性能是最优的。但是,真实世界的非线性、非高斯问题存在,使得人们不得不寻找一种更好的滤波方法。解决非线性滤波问题最普遍的方法就是扩展卡尔曼滤波。但扩展卡尔曼滤波只适合弱非线性系统,对于强非线性系统,容易导致滤波发散。因而介绍了适用于强非线性、无高斯约束的基于序列蒙特卡罗算法的粒子滤波波器及其改进算法规则化粒子滤波器。最后对上述几种滤波器进行了性能仿真及分析。     

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.     

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。     

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。     

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。     

被动测距的可观测性分析和滤波方法

首先建立运动单站被动测距的数学模型,然后分析被动测距的可观测性,并针对实际应用提出了相应的滤波估计方法.可观测性问题分析了具有不同运动特征的目标在仅有方位角和俯仰角测量时能计算位置坐标的充分条件,将被动测距归结为典型的间接测量问题.由于直接测量的方位角和俯仰角与位置坐标的关系构成非线性测量方程,利用离散状态空间模型的分析方法,将被动测距描述为非线性状态估计问题.推广卡尔曼滤波、粒子滤波是求解被动测距非线性状态估计的常用方法.模拟了实际的被动测距模型,并用推广卡尔曼滤波和粒子滤波方法估计目标的位置坐标序列.模拟实验表明:这两种方法在运动单站被动测距中是有效的.     

一种稳健的混沌调频信号频率跟踪技术

频率跟踪问题是一个复杂的非线性问题,混沌调频方式的引入更加大了频率跟踪的难度,传统的频率跟踪技术扩展卡尔曼滤波(EKF)已无法跟踪如此复杂的频率变化。为此,该文首先建立了频率跟踪问题的状态空间模型,在此基础上引入了新颖的粒子滤波技术,分析了该技术的可行性,推导了混沌调频信号频率跟踪的后验克拉美-罗(PCRB)下界,实验仿真验证了该技术的优越性。     

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。     

基于扩展卡尔曼滤波模型的电动汽车锂电池SOC估算研究

针对新能源电动汽车锂电池电荷状态SOC估算问题,在锂电池二阶RC等效电路模型基础上,引入扩展卡尔曼滤波方法,利用扩展卡尔曼滤波方法处理复杂非线性系统能力,建立了扩展卡尔曼滤波锂电池SOC估算模型,并通过MATLAB/Simulink对新建模型仿真分析。仿真结果显示,建立的扩展卡尔曼滤波锂电池SOC估算模型具有较高估算精度,整体误差小于±0.05%,满足新能源电动汽车对锂电池SOC估算要求。     

大失准角下SINS的KF/EKF2混合滤波对准

针对捷联惯导系统(SINS)大失准角下滤波对准过程中非线性滤波器状态维数过大的问题,提出了一种基于模型分解的卡尔曼滤波/二阶扩展卡尔曼滤波(KF/EKF2)混合滤波方法,将基于欧拉平台误差角的非线性滤波模型分解为线性部分和非线性部分,分别采用线性KF滤波和非线性EKF2滤波处理,并且设计了混合滤波的滤波步骤。实验结果表明,KF/EKF2混合滤波算法在计算量、实时性及精度等方面优于最常用的无迹卡尔曼滤波(UKF)和EKF2滤波。     

纯方位被动目标运动分析的修正增益卡尔曼滤波算法研究

通过对滤波状态协方差估计的修改,将水下纯方位被动目标运动分析中的扩展卡尔曼滤波(EKF)算法改进为修正增益扩展卡尔曼滤波(MGEKF)算法,并指出了两者的联系与区别。对比仿真分析表明,MGEKF较之EKF滤波效果有所改善,增强了稳定性,提高了精度,为水下纯方位被动目标运动分析的实现提供新的途径。     

基于T-S模糊模型的非线性系统状态估计

现实世界中的动力系统大多是非线性的,而非线性系统的状态估计方法目前主要有扩展卡尔曼滤波,无味滤波,粒子滤波等,但它们对于非线性程度很高的系统滤波结果不是很理想。若用模糊规则模型去逼近非线性系统,基于规则理论去寻求状态的估计,则估计性能能够得到较大的改善。将模糊推理理论与Kalman滤波结合,用线性的方法逼近非线性模型,提出一种对非线性系统目标状态估计的新方法,给出了具体的处理过程,仿真实验支持理论结果