一种高斯分布的调整粒子滤波算法

粒子滤波(PF)方法与传统的非线性滤波方法如扩展卡尔曼(EKF)类方法相比,无需计算Jacobi矩阵,受初始状态影响小而稳定性强,因此粒子滤波方法研究成为非线性滤波研究的热点问题.但在可观测性较差的非线性系统滤波中常用的普通粒子滤波方法(GPF)易受退化、采样枯竭等因素影响而在可能会引起滤波误差大甚至不收敛等问题.本文提出了一种高斯分布的调整粒子滤波跟踪算法,即在粒子再采样后加上一定的高斯噪声分布调整粒子分布,以产生更接近真实状态的粒子.经过只测角定位跟踪举例仿真表明,本文方法具有较高的滤波精度.     

一种改进的粒子滤波算法

在粒子滤波中,防止粒子退化的两个关键因素是选择适当的采样建议分布和重采样算法.针对建议分布的选择条件,提出了一种改进的粒子滤波算法,该算法采用强跟踪扩展卡尔曼滤波方法构建其建议分布.强跟踪扩展卡尔曼滤波可在线调节参数,从而使得系统具有更好的自适应性和鲁棒性,对高机动目标具有更强的跟踪效果.仿真结果表明,该算法的性能优于其它几种非线性滤波算法.     

基于Sage-Husa的优化粒子滤波算法

针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。     

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.     

一种导向粒子滤波跟踪算法

粒子滤波算法在运动目标跟踪方面有着广泛的使用,粒子滤波中的重采样是解决粒子退化的一种重要方法,但是重采样会导致粒子的多样性的丧失。针对这个问题,改进粒子滤波算法,改进过程中结合了导向滤波的基本思想,因此将这种方法称为导向粒子滤波跟踪算法。导向滤波是近几年提出的一种新的滤波方式,与传统滤波相比,它在滤波的时候会引入一幅指导图像,鉴于这个思想,我们在进行粒子滤波的时候,引入一种导向粒子作为一个指导量,来保留一些目标图像上的信息。实验证明了这种算法可以更好地对目标进行定位跟踪。     

一种新的基于数值积分的粒子滤波算法

该文提出了一种新的用于非线性非高斯系统状态估计的粒子滤波算法。首先通过基于数值积分的差商滤波器产生重要密度函数,由于这些重要密度函数结合了最新的观测数据,这样采样得到的样本更接近于系统状态的真实后验概率,因此其性能优于标准的粒子滤波算法。最后给出了理论分析和仿真结果,验证了该算法的有效性。     

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.     

一种改进重采样的粒子滤波算法

粒子滤波算法中重采样是解决粒子退化的一种重要方法,但重采样会导致粒子多样性的损失。针对这一问题,对基本重采样算法进行了改进。改进算法首先按基本重采样思想找到权值大的粒子进行复制,然后借鉴遗传算法进行交叉和变异操作,其中变异由变异尺度因子和粒子集的均值来实现。利用改进重采样的粒子滤波算法对经典纯方位目标跟踪问题进行了仿真,仿真结果表明,改进算法具有更好的跟踪精度。     

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。     

一种多模型贝努利粒子滤波机动目标跟踪算法

交互式多模型贝努利粒子滤波器(Interacting Multiple Model Bernoulli Particle Filter, IMMBPF)适用于杂波环境下的机动目标跟踪。但是IMMBPF将模型信息引入粒子采样过程中会导致用于逼近当前时刻真实状态与模型的粒子数减少,而且每次递推各模型间的粒子都要进行交互,存在计算量过大的缺点。为提升IMMBPF中单个采样粒子对于真实目标状态和模型逼近的有效性,该文提出一种改进的多模型贝努利粒子滤波器(Multiple Model Bernoulli Particle Filter, MMBPF)。预先选定每一个模型的粒子数,且模型间的粒子不需要进行交互,减少了计算负荷。模型概率由模型似然函数计算得到,在不改变模型的马尔科夫性质的条件下避免了小概率模型的粒子退化现象。仿真实验结果表明,所提出的MMBPF与IMMBPF相比,用较少的粒子数就可获得更优的跟踪性能。     

稳定分布噪声下基于高斯近似粒子滤波的干扰源定位算法

民航地空通信受到无线电干扰会严重危及民航飞机的正常飞行,本文在深入研究利用接收飞机散射信号的多普勒频移信息定位地面干扰源方法的基础上,提出基于高斯近似粒子滤波（GAPF）的定位算法。本文的主要贡献可以总结为:第一,对多普勒频移与干扰源坐标之间非线性关系进行深入研究,构建状态方程及观测方程。第二,考虑更能准确描述散射信道模型的对称alpha稳定分布(SaS)噪声作为叠加的背景噪声,并提出 噪声下的高斯近似粒子滤波算法。计算机仿真实验表明,与扩展卡尔曼滤波（EKF）及无迹卡尔曼滤波（UKF）算法相比,本文算法的估计性能优势明显,并且对SaS噪声具有较强的鲁棒性。      

粒子优化组合的粒子滤波跟踪算法研究

为了改善运动目标跟踪问题中粒子滤波算法(PF)的估计精度,针对粒子滤波出现样本退化以及样本贫乏问题,提出了一种基于粒子优化组合的粒子滤波算法(POCPF)。该算法用一能使粒子朝后验概率分布值较大的区域运动的似然函数来改善粒子的位置,然后重估粒子的权值对粒子进行优化组合,满足粒子的多样性要求,从而克服了粒子的贫乏问题,在一定程度上减少系统状态为达到精确度所需的粒子数目,缩短运行时间。通过仿真实验证明了POCPF算法的有效性,当粒子数相同时,POCPF算法性能优于PF算法。     

基于DP-TBD的分布式异步粒子滤波融合算法

主要利用检测前跟踪动态规划(DP-TBD)算法解决目标跟踪问题。动态规划(DP)是一种先通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。但是该算法提供的是一种未经滤波的点迹序列。此外,基于单雷达的DP-TBD算法在信噪比(SNR)较低时跟踪效果不佳,航迹丢失情况较严重,因此利用基于DP-TBD的多雷达协同探测势在必行。然而,由于DP-TBD算法没有状态误差协方差矩阵,导致无法将不同雷达的点迹序列进行基于各种融合准则的融合。另外,由于多个雷达不同的采样周期和通信时延,导致了各个雷达的数据是异步的。为了解决以上问题,文中提出了一种基于DP-TBD的分布式异步粒子滤波融合算法(DP-PFF)。该算法分为两步,第一步提出了一种适用于DP算法的粒子滤波方法;第二步是将不同雷达获得的异步状态估计转化为同步的并进行基于DCI准则的分布式融合。仿真结果说明,和单雷达相比,该算法显著提升了目标跟踪的性能。同时,该算法也减少了航迹丢失率并且可以显著提升系统的鲁棒性。     

远距离纯方位跟踪的改进粒子滤波算法

粒子滤波是一种基于蒙特卡罗采样和递推贝叶斯估计的滤波方法,不受模型非线性和非高斯噪声的限制,因而被用于各种非线性滤波和参数估计问题。但是对于先验信息较少和信噪比较低的问题,其庞大的计算量和缓慢的速度限制了它在实时系统中的应用。这里介绍了粒子滤波基本原理,通过改进权重计算、重采样算法,使计算速度得到提高。这种改进算法用于对海洋远距离纯方位目标进行跟踪仿真,其结果表明,具有速度快,精度高的特点。     

非均匀稀疏采样环境的改进高斯粒子滤波方法

粒子滤波（PF）技术的研究一直是非线性滤波领域的热点和难点问题,针对非均匀稀疏采样环境下传感器观测的滤波估计问题,提出了一种结合目标运动特性的改进型高斯粒子滤波方法。在该方法中,首先深入分析了传统粒子滤波不能有效对非均匀稀疏采样观测数据进行有效处理的原因,通过引入目标观测、目标观测的有效时间间隔、目标速度等目标特性,综合改善高斯粒子滤波器在时间更新阶段预测粒子和预测协方差估计的准确性,从而提高观测更新阶段重要性密度函数的估计精度,实现对目标状态的精确估计。实验结果表明,对于一维非线性非高斯例子,提出方法要稍好于传统的PF、辅助粒子滤波（APF）和高斯粒子滤波（GPF）;而对于实际的非均匀稀疏采样观测样本,提出方法要远好于PF、APF和GPF,能够有效对目标进行状态估计。      

改进的分布式粒子滤波盲均衡算法

针对多节点合作接收系统中的盲均衡问题,提出了一种基于一致优化的分布式粒子滤波盲均衡改进算法。该算法采用多个接收机组成无融合中心的分布式网络,使用分布式粒子滤波合作估计共同的发送符号序列,克服了单接收节点受信道影响大、误码率高的问题。为了保证粒子滤波中每个节点产生共同的粒子集和粒子权重,采用基于交替方向乘子法的一致优化算法获得联合似然函数,并与最大一致协议相结合,从而使每个节点获得相同的最佳重要性函数和粒子权重。理论分析与仿真结果表明,该算法只需经过有限次的一致迭代就可以达到集中式合作盲均衡的性能。全分布式的多节点合作获得了空间分集增益,降低了系统误码率。      

一种粒子滤波的盲多用户检测快速算法

该文在时间观察状态空间模型基础上,针对粒子滤波计算复杂的问题,构造了一种在同步快变平衰落信道下计算复杂度低的粒子滤波的DS-CDMA盲多用户检测快速算法。该算法通过对超过门限数目的粒子分类,以不同类别粒子的概率差值作为粒子滤波所需粒子数目是否足够的判断准则,自动调节不同情况下所需的粒子数目,并对不同类别粒子概率差值下盲多用户检测性能进行分析。仿真结果表明,该文算法可以在保证盲多用户检测性能的前提下有效地降低运算复杂度,且检测性能与概率差值成正比。     

高斯和高阶无迹卡尔曼滤波算法

为了提高非线性变换的近似精度,提出了一种高阶无迹变换（High order Unscented Transform,HUT）机制,利用HUT确定采样点并进行数值积分去近似状态的后验概率密度函数,建立了高阶无迹卡尔曼滤波（High-order Unscented Kalman Filter,HUKF）算法.进一步的为了解决非线性、非高斯系统的状态估计问题,将HUKF与高斯和滤波（Gaussian Sum Filter,GSF）相结合,提出了一种高斯和高阶无迹卡尔曼滤波算法（Gaussian Sum High order Unscented Kalman filter,GS-HUKF）,该算法的核心思想是利用一组高斯分布的和去近似状态的后验概率密度,同时针对每一个高斯分布采用高阶无迹卡尔曼滤波算法进行估计.数值仿真实验结果表明,提出的HUT机制与普通的无迹变换（Unscented Transform,UT）相比,具有更高的近似精度;提出的GS-HUKF与传统的GSF以及高斯和粒子滤波器（Gaussian Sum Particle Filter,GS-PF）相比,兼容了二者的优点,即具有计算复杂度低和估计精度高的特性.     

改进的粒子滤波人体目标跟踪算法

针对现有基于粒子滤波(PF)的行人目标跟踪算法跟踪精度不高、速度慢以及遮挡鲁棒性不好的问题,提出一种结合支持向量机(SVM)检测的改进跟踪算法。在跟踪的置信度小于阈值时进行行人跟踪目标的再检测,以校正跟踪位置。对粒子群优化(PSO)算法在优化时可能陷入局部解的现状,进行混沌粒子优化(CPSO)寻优全局解。实验结果表明,提出的算法在一定的粒子数目前提下精度优于其他基于粒子滤波的行人目标跟踪算法,有效降低PF所需粒子数,算法可实时跟踪。