基于确定性重采样的粒子滤波算法

复杂背景下的运动目标跟踪往往要面对非线性非高斯问题,粒子滤波算法在非线性非高斯模型中的良好处理能力,使其得到广泛的应用.引入重采样方法(SIR)解决粒子退化问题的同时导致了样本枯竭.针对上述问题,文中提出了一种融合基本重采样方法和确定性重采样方法的新方法,能有效保持粒子的多样性.通过仿真实验表明,该方法能有效提高粒子滤波算法的准确性.     

基于遗传算法改进的粒子滤波重采样模型

提出一种基于遗传算法改进的新粒子滤波算法,该算法对于每次迭代计算出的最差粒子并未简单地进行丢弃,而是将这些最差粒子利用生物遗传中的遗传性和变异性将其进行修正。该算法利用最差粒子数据与种群中特殊数据进行交叉变异方法来增强粒子种群中的多样性,从而有利于粒子滤波对机动目标的跟踪;同时保留部分粒子在未来进行唤醒也体现了多样性。该算法更有利于实现粒子滤波在机动目标跟踪的适应性,提高其跟踪效果。     

机动目标时差无源定位自适应滤波算法研究

基于加权最小二乘估计和卡尔曼滤波理论,采用时变均值修正瑞利分布密度函数描述机动目标加速度的统计分布规律,构造机动目标加速度“当前”统计模型,建立一种新的自适应卡尔曼滤波算法,计算机仿真结果验证了该算法的有效性、可行性。     

基于Sigma点H_∞滤波的拟蒙特卡罗粒子滤波算法

在滤波算法中,用Sigma点H∞滤波来产生重要性概率密度函数,由于Sigma点H∞滤波对不确定观测噪声具有较强的鲁棒性,而且在滤波过程中考虑了最新的观测值,因此由其产生的重要性函数更逼近于真实的后验概率分布。同时在重采样阶段,利用拟蒙特卡罗重采样算法进行重采样,有效地克服了粒子退化现象并提高了状态估计精度。仿真结果表明了所提算法的可行性和有效性。     

基于EPF滤波的三维单站无源定位算法

利用方位角及其变化率信息,提出了基于EPF滤波对固定辐射源的三维单站无源定位算法。该方法通过运动几何学原理,得出目标辐射源的位置,并采用EPF滤波算法加以处理,对粗略定位结果进行修正和平滑,逐步估计出目标的位置,来实现对辐射源目标的快速高精度无源定位。EPF滤波是将EKF算法作为重要性函数的一种粒子滤波方法。仿真结果表明,基于EPF滤波的单站无源定位算法与传统的EKF滤波算法相比,收敛更快、更稳定,滤波效果更好,定位精度更高。     

粒子滤波算法在目标跟踪中的应用

粒子滤波算法通过非参数化蒙特卡罗仿真方法实现递推贝叶斯滤波,基于序贯重要性采样的粒子滤波算法无法避免粒子退化问题;通过在滤波初始化阶段对初始化粒子进行优化选择,在重采样阶段使用非排序的基于权重的重采样算法对粒子滤波算法进行了改进,从一定程度上解决了粒子退化问题;仿真验证,本算法在保持与传统粒子滤波算法运算时间的条件下,提高了粒子滤波算法的估计精度,从而提高了其在机动目标跟踪中的性能.     

一种基于重要性权值选择的粒子滤波方法

针对粒子滤波算法存在计算量大和重采样过程带来计算量的扩张随粒子数的增加而成级数增加的问题,改进了一种基于重要性权值选择的粒子滤波方法．该方法运用重要性权值选择准则去除无效粒子而保留对状态估计贡献较大的粒子,每一状态时刻都根据权值选择的结果决定所要利用的粒子及其数目．仿真结果表明,该方法不仅保持了较高的滤波性能,而且能有效减小算法的计算量,有利于工程实现．     

万有引力优化的粒子滤波算法

针对经典粒子滤波中存在的粒子易退化、易丧失多样性以及滤波精度严重依赖于粒子数量的问题,提出一种万有引力优化的粒子滤波算法．通过万有引力算法优化粒子滤波中的粒子集来提高滤波精度．首先将每个粒子看做质量大小正比于粒子权值的点,粒子间的引力吸引着粒子向高似然区域移动,从而优化粒子集．然后利用精英粒子策略加快万有引力优化算法中粒子收敛速度,并避免粒子陷入局部最优; 引入感知模型防止过度收敛导致的粒子拥挤或重叠．仿真实验表明,该算法在粒子数较少的情况下与经典粒子滤波算法和粒子群优化粒子滤波算法相比,保持了更好的粒子滤波精度和速度．     

粒子滤波算法仿真分析

针对广泛应用于定位与导航、目标跟踪和模式识别的粒子滤波算法,通过仿真实验研究了不同的估计输出、采样阈值、重采样算法以及运动模型和观测模型不准确对粒子滤波效果的影响,仿真实验结果表明,粒子滤波器鲁棒性较好。     

采用拟蒙特卡罗法的被动多传感器目标跟踪

使用拟蒙特卡罗采样方法替代传统的蒙特卡罗采样方法,改善了高斯粒子滤波器的性能,结合多传感器集中式融合策略,提出了一种基于拟蒙特卡罗-高斯粒子滤波器的被动多传感器目标跟踪算法,较好地解决了被动跟踪中的强非线性和弱可观测性问题．该算法在降低计算复杂度的同时提高了跟踪的精度和稳定性,使算法快速收敛,并且具有并行结构,有利于用超大规模集成电路来实现．     

基于改进的平方根中心差分卡尔曼滤波的单站无源定位算法

针对单站无源定位可观测性弱、收敛速度慢、定位精度差等问题,推导出了一种带次优渐消因子的平方根中心差分卡尔曼滤波算法。在正交原理的约束下,通过引入自适应次优渐消因子实时调整增益矩阵,保证不同时刻残差序列相互正交,提高了滤波器对状态变化的反应速度和对有偏估计的自适应修正能力。同时,使用误差协方差的平方根替代协方差参与滤波,保证滤波算法的数值稳定性。仿真结果表明,新算法稳定性更好、收敛速度更快、定位精度更高。     

一种改进残差重采样算法的研究

粒子滤波算法对非线性非高斯系统有很好的估计性能,但是存在较为严重的退化问题.重采样算法的提出,有效缓解了粒子滤波器的退化问题.但重采样算法本身也存在一定问题,针对残差重采样和残差系统重采样算法进行研究,并提出改进算法.该改进算法避免了残差重采样算法中的残留粒子重采样问题,减少了运算量,提高了运行效率.仿真结果表明该算法的运行效率明显高于残差重采样和残差系统重采样2种算法,并且随着粒子数目的增加,这种优势表现地更加显著.     

随机集粒子滤波的快速被动数据关联算法

针对杂波干扰环境下的被动多目标跟踪问题,将多站集中式融合方法与概率假设密度粒子滤波递归过程相结合,实现被动多目标跟踪．进一步,将概率假设密度粒子滤波递归过程并行化处理,每个目标使用单独滤波器跟踪,避免了大量粒子的聚类过程,简化算法复杂度,进而提出一种快速被动数据关联算法．实验结果表明,与传统算法相比,新算法可以在不增加额外计算负担的基础上,有效得到每个目标的航迹．特别对于目标发生交叉的情况,能很好地区分每个目标的航迹．     

一种新的进化裂变粒子滤波算法

针对经典自举粒子滤波中的重要性函数选取和重采样所导致的样本枯竭问题,提出了一种基于进化裂变的改进粒子滤波算法．该算法首先采用无迹卡尔曼滤波算法产生重要性函数,然后对重要性采样粒子进行裂变通过进化策略更新粒子集以增加粒子多样性,从而克服经典自举滤波重采样过程中的粒子退化问题．仿真实验表明,该算法能有效地提高跟踪精度, 跟踪性能优于经典粒子滤波算法．     

并行高斯粒子滤波被动多目标跟踪新算法

针对多目标跟踪的数据关联及多目标状态空间尺寸随目标数增多而增长的问题,提出了一种跟踪新算法,假定各目标的状态与过去的观测相互独立,可以多路并行处理,采用马尔可夫链蒙特卡罗(MCMC)方法计算目标与观测的关联概率,利用高斯粒子滤波(GPF)独立估计单个目标的状态,采用拟蒙特卡罗(QMC)方法近似各目标的预测及更新分布.将该算法应用于被动多传感器多目标跟踪,仿真结果表明,所提算法比联合概率数据关联滤波器(JPDAF)、马尔可夫链蒙特卡罗数据关联滤波(MCMCDAF)及蒙特卡罗联合概率数据关联滤波(MC-JPDAF)具有更好的跟踪性能.     

基于伪线性卡尔曼滤波的两站红外无源定位及跟踪技术

建立了目标的两站红外搜索与跟踪系统的伪线性观测模型，基于该模型提出了运动目标的伪线性卡尔曼滤波算法．该算法利用伪线性方程组获得滤波器的初值，从而提高了滤波器的跟踪精度和速度．分别采用伪线性卡尔曼滤波器与推广卡尔曼滤波器对目标进行定位及跟踪的仿真结果表明：在跟踪初始阶段，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波．在近距离范围，不论目标是匀速还是机动运动，两者的跟踪精度都非常高．在远距离范围，当目标机动时，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波；当目标匀速运动时，推广卡尔曼滤波的跟踪精度略优于伪线性卡尔曼滤波．从整个仿真过程可以看出，目标的运动形式对推广卡尔曼滤波性能的影响是非常明显的，而对伪线性卡尔曼滤波性能的影响则很小．     

基于迭代CDKF的单站无源定位算法

针对单站无源定位系统存在滤波稳定性差、收敛速度慢和定位精度差等问题,提出一种迭代中心差分卡尔曼滤波算法.在迭代判决准则的约束下,重复利用观测信息对状态向量和误差协方差矩阵进行迭代估计使其更趋向真实值,同时用Levenberg-Marquardt优化方法调整预测误差协方差阵,保证算法的全局收敛.仿真结果表明,在不同参数测量精度条件下,该算法稳定性、收敛速度和定位精度较好.     

一种粒子滤波自适应优化算法

通过对粒子滤波算法中建议分布与重采样2种改进技术分析,提出了一种粒子滤波自适应优化算法．首先,基于退火参数自适应优化混合建议分布,以改进建议分布的采样范围．然后,在基于有效样本大小的自适应重采样技术之上,借助另一多样性测度即种群多样性因子来自适应调整重采样阈值,而且,样本变异操作在重采样之后被引入确保样本的多样性．同时,结合部分分层重采样算法研究并进行改进,改进的部分分层重采样算法具有原算法执行快时间短的优点,同时结合权重优化的思想改进重采样的样本权重计算．通过仿真实验,粒子滤波自适应优化算法的性能和有效性均得以验证．