一种改进的快速粒子滤波方法

现行的粒子滤波基本算法存在采样过程的计算复杂度高的问题,而且为避免样本枯竭而采用重采样的改进算法也增大了计算量,本文提出了替代重采样的快速粒子滤波方法,通过建立适合的充分统计量函数逼近后验概率密度,进行迭代更新的方法避免了重采样过程,有效地减小了计算量,有利于算法的快速实现。通过对非线性系统中状态和参数的联合估计问题的仿真,结果验证了本文方法的有效性。     

基于空间分布和时间序列分析的粒子滤波算法

针对粒子滤波存在的粒子贫化问题,提出了一种改进的重采样粒子滤波算法.在重采样步骤中基于采样粒子集的空间分布引入时间序列分析,选取相关度最高的粒子进行传递,避免了只关注采样粒子权值的传统重采样算法中仅复制大权值粒子而任意丢弃小权值粒子的缺陷,因此能够消弱粒子贫化现象,提高算法的估计精度.在理论上利用两样本Kolmogorov-Smirnov检验原理证明了改进算法重采样后的粒子集和采样前的粒子集来自同一总体.仿真结果表明,尤其是在初始采样粒子数目较小时,该算法在非线性系统状态估计中的精度优于传统的粒子滤波算法.     

自适应差分演化粒子滤波器

针对非线性、非高斯系统中的粒子滤波算法存在粒子权值退化和重采样后引起样本枯竭问题,提出一种自适应差分演化粒子滤波算法。用一种自适应参数控制策略对差分演化算法的参数进行控制,并以此代替粒子滤波中的重采样算法。通过对状态更新后的粒子做自适应差分变异、自适应杂交和选择等优化操作,利用权值大小选出下一时刻的粒子集合。实验表明,该算法能有效缓解粒子权值退化和样本枯竭问题,缩短算法运行时间,提高估计精度,同一般的差分演化粒子滤波算法相比,状态估计的精度更高。     

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。     

相似采样粒子滤波在混合系统估计中的应用

结合粒子滤波和Kalman滤波的边缘粒子滤波(MPF)是一种新的混合线性/非线性系统的状态估计方法,但是粒子滤波在计算上的复杂使得MPF难以兼顾系统实时性和精度的要求.针对此问题,提出一种基于相似采样粒子滤波算法的MPF滤波框架.算法从系统观测值中采样粒子,并通过一个计算相邻时刻粒子转移概率的步骤,提高了粒子使用率,使得算法能以少量粒子实现对非线性状态量的估计,进而提高Kalman滤波的精度和实时性.给出了算法原理分析和实现流程.以混合坐标系下的目标跟踪为对象,利用蒙特卡罗仿真研究了ILLH_MPF算法的应用,并与常规MPF方法进行了对比.     

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。      

保持粒子多样性的非退化粒子滤波方法研究

针对现有粒子滤波算法中的粒子退化问题以及重采样所引起的粒子多样性减弱问题,将自适应遗传算法与粒子滤波结合设计一种新的非退化粒子滤波算法。该算法通过对粒子使用遗传算子操作以保证粒子的多样性和有效性,根据粒子在前一时刻计算出来的先验信息自适应地实时调节当前时刻的遗传操作概率,有效增加了粒子对系统状态变化的适应性。实验结果表明,该算法可有效提高非线性系统状态的估计精度,尤其在系统状态发生突变的时候,可以得到较好的估计精度。     

基于信赖域的序贯拟蒙特卡洛滤波算法

针对系统状态估计、目标跟踪等是包含多源不确定性信息的非线性非高斯随机过程,提出了一种基于信赖域的序贯拟蒙特卡洛(Sequential Quasi-Monte Carlo,SQMC)滤波算法.该算法利用拟蒙特卡洛积分技术优化采样粒子在状态空间的分布特性,降低了滤波过程中的积分误差,提高了状态估计精度;同时,利用信赖域(T...     

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.     

一种粒子概率假设密度滤波新生粒子采样新方法

提出一种粒子概率假设密度(Probability Hypothesis Density,PHD)新生粒子采样新方法.以混合高斯分布和均匀分布分别对新生粒子位置和速度分量进行采样,将采样过程置于滤波更新之后,通过最大似然检验多目标状态估计技术提取源于已知目标的量测,避免对这些量测进行新生粒子采样,有效降低粒子数和滤波计算量.结果表明:基于新生粒子采样新机制的粒子PHD滤波,相比于标准方法,在降低计算量的同时提高了多目标状态估计精度.     

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.     

基于DSP的改进粒子滤波算法硬件实现

粒子滤波算法在处理非线性、非高斯系统方面有明显的优势,但较大的运算量限制了其实时性的应用。针对这一问题,文中研究利用DSP处理器高速运算的特点实现粒子滤波算法。文中针对粒子滤波的粒子退化问题给出重采样方法,详细给出了DSP实现粒子滤波算法的流程,对DSP的存储资源进行了优化设计。利用典型模型进行算法实现验证,结果表明：采用DSP实现的粒子滤波算法可对状态参量进行精确处理,验证了DSP用于非线性、非高斯系统的粒子滤波算法实现的有效性。     

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RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。     

粒子滤波的机载激光通信自适应参数辨识跟踪方法

机载空间激光通信是实现未来超大容量空间通信的主要途径,机载空间激光通信终端的高精度实时动态跟踪一直是其研究的难点问题。为了解决机载空间激光通信终端的机动形式多样性的问题,提出了自适应参数辨识粒子滤波方法。在连续的时间域中,基于三阶线性微分方程的参数辨识模型描述机载空间激光通信终端运动,该模型能适应机载激光通信终端的多种运动模式,粒子滤波能处理非线性/线性高斯问题,因此可以引入到参数辨识模型中。实验结果表明:该算法能改善收敛精度,对工程应用也有重要意义。     

Improved particle filter based on fine resampling algorithm

In order to solve particle degeneracy phenomenon and simultaneously avoid sample impoverishment,this paper proposed an improved particle filter based on fine resampling algorithm for general case,calle...     

Marginalized particle filters for mixed linear/nonlinear state-space models

The particle filter offers a general numerical tool to approximate the posterior density function for the state in nonlinear and non-Gaussian filtering problems. While the particle filter is fairly easy to implement and tune, its main drawback is that it is quite computer intensive, with the computational complexity increasing quickly with the state dimension. One remedy to this problem is to marginalize out the states appearing linearly in the dynamics. The result is that one Kalman filter is associated with each particle. The main contribution in this paper is the derivation of the details for the marginalized particle filter for a general nonlinear state-space model. Several important special cases occurring in typical signal processing applications will also be discussed. The marginalized particle filter is applied to an integrated navigation system for aircraft. It is demonstrated that the complete high-dimensional system can be based on a particle filter using marginalization for all but three states. Excellent performance on real flight data is reported.     

应用粒子群优化的非线性系统辨识

提出了一种应用粒子群优化的非线性系统辨识方法。首先将非线性系统的辨识问题转化为参数空间上的优化问题,然后利用粒子群优化算法对整个参数空间进行高效并行搜索以获得系统参数的最优估计。以Hammerstein模型的辨识为例说明了本方法的可行性。     

EM框架下实现被动测距的状态估计和参数学习

在红外成像跟踪系统中,通常仅能测量目标的角度信息,不能直接测量目标与观测站间的距离。研究了基于红外成像系统的被动测距技术,首先利用状态空间模型的分析方法建立被动测距的状态估计和参数学习的混合估计模型,然后介绍EM的基本原理和参数的最大似然估计。EM算法的E步利用粒子滤波和粒子平滑器来完成,实现被动测距的状态估计;M步利用梯度搜索的方法来求解参数。被动测距是一个带有未知参数的非线性系统的状态估计,文中利用状态估计与参数学习的状态空间模型来描述,并利用EM法来求解,为被动测距的求解提供了一条新的途径。模拟实验表明,基于粒子滤波和梯度搜索的EM方法能同时完成被动测距的状态估计和参数学习。     

改进高斯混合粒子滤波被动目标跟踪算法

针对被动传感器跟踪系统非线性较强问题,提出了一种基于改进高斯混合粒子滤波的被动传感器目标跟踪算法。该算法基于Sigma点卡曼滤波和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。然后结合遗传算法和EM算法来实现模型的降阶,克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在被动传感器跟踪领域,与传统粒子滤波、基于EM的高斯混合粒子滤波和基于贪心EM的高斯混合粒子滤波相比,该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。