粒子滤波在机动目标纯方位跟踪中的应用

文章将多模粒子滤波算法用于机动目标纯方位跟踪，通过估计模型的概率而不是寻找最优算法去进行局部线性化和表征非高斯后验密度，从而减小了近似误差。在仿真研究中，与IMM—EKF的比较验证了多模粒子滤波处理机动目标纯方位跟踪问题的优越性。     

强跟踪Unscented滤波器及其在无源跟踪中的应用

本文研究用递推算法实现只测量到达角和多普勒频移的无源双基地雷达的目标运动分析。基于Unscented卡尔曼滤波器和强跟踪滤波器,提出了一种新的强跟踪Unscented滤波器算法。新算法在无源双基地雷达目标跟踪的仿真实验中显示了高精度鲁棒滤波的性能。     

基于改进粒子滤波算法的纯方位目标跟踪

纯方位目标跟踪是一个重要的研究课题。它要解决的问题是:利用含有噪声的方位数据来估计目标的真实运动轨迹。本文提出了一种基于粒子群优化的改进粒子滤波算法。这种算法可以将最新的观测值引入观测估计,提高了预估精度,减少所需的粒子数,从而实现对目标真实运动轨迹更好的跟踪。     

用于纯方位跟踪的简化粒子滤波算法及其硬件实现

针对粒子滤波运算量大,硬件复杂性高的问题,该文提出了一种用于纯方位跟踪的简化粒子滤波算法,该算法引入了一种新的基于阈值的重采样方法,降低了硬件实现的复杂度。在算法研究的基础上,论文研究了基于FGPA的硬件电路实现方法,给出了系统的整体硬件结构及重采样/采样模块的实现方案,讨论了粒子滤波硬件实现的资源优化及时间优化问题。仿真结果表明,对于纯方位跟踪问题,该粒子滤波算法具有优于扩展Kalman滤波器(EKF)的性能;硬件电路实验表明,该滤波器可以实现对被动目标的纯方位跟踪,并具有比通用粒子滤波器较快的处理速度。     

伯努利滤波器在纯角度跟踪场景中的应用

所获得信息只包含角度信息的传感器被称为纯角度传感器，基于纯角度传感器的目标跟踪被称之为纯角度跟踪（Bearings-only Tracking，BOT）。BOT是目标跟踪领域的重要课题，在被动目标跟踪场景中能够发挥重要作用。伯努利滤波器（Bernoulli Filter，BF）是贝叶斯框架内的最优单目标滤波器，可以求得目标的存在概率和完整的后验概率密度函数，并判断目标出现和消失。作者将伯努利滤波器应用于纯角度跟踪场景下的单目标跟踪问题，提出了一种纯角度跟踪伯努利滤波器。在所提出的滤波器中，将目标相对于传感器的角度及其变化率作为状态矢量，用于估计目标是否存在；若目标存在，估计其状态信息。同时，还给出了所提出滤波器的粒子滤波（Particle Filter，PF）实现方法。仿真结果显示，与普通伯努利滤波器相比，所提出的纯角度跟踪伯努利滤波器能够更好地判断目标是否存在，同时滤波器对于目标估计的误差也更小。因此，所提出的滤波器具有更好的跟踪性能和更高的跟踪精度，能够有效应用于被动跟踪场景中。     

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。     

粒子滤波器及其在目标跟踪中的应用

为了在物理条件下对目标进行精确建模，有时需要运用非线性、非高斯系统。而常规的卡尔曼滤波算法要求系统是线性高斯型的，因而不能直接用来解决非线性、非高斯问题。为了解决这一问题，人们开发出各种非线性滤波算法。一种是扩展卡尔曼算法(EKF)，它对非线性系统进行局部线性化，从而间接利用卡尔曼算法进行滤波与估算；另一种是序列蒙特卡罗算法，亦即粒子滤波器(PF)，它是最近出现的解决非线性问题的有效算法。本文简要介绍非线性跟踪的最优与次优贝叶斯算法，重点关注粒子滤波器，通过再入大气层弹道目标的例子，说明PF在目标跟踪中的应用。     

一种水下被动目标纯方位跟踪方法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪的思路.该算法直接利用传感器获得的含有噪声的角度数据,通过改进极坐标系下的系统方程得到目标状态的后验概率分布,来估计目标的运动状态.仿真结果表明该算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法.     

将粒子残差一致性度量的滤波算法用于纯方位被动跟踪

在低信扰比条件下的纯方位被动跟踪中,针对量测似然度评估粒子权重的方式对于滤波结果的不利影响,提出了一种基于粒子残差一致性度量的粒子滤波算法.首先,利用粒子残差实现采样粒子由状态空间到量测空间的映射变换;在此基础上,通过置信度距离和置信度矩阵的构建及求解,完成对于粒子权重的合理度量.新的粒子权重评估方法实现了对于最新量测信息及粒子间蕴含冗余和互补信息的充分提取和利用,使得粒子权重度量结果更加稳定和可靠.最后,仿真实验验证了算法的有效性.     

纯方位目标跟踪极坐标模型的状态空间变换方法

在纯方位目标跟踪定位研究领域里,采用极坐标模型,可以实现可观测状态和不可观测状态的分离,但非线性的系统方程使算法的具体实现非常困难。利用状态空间的变换,可避免直接计算非线性函数雅可比矩阵的值,减小了计算量,提高了滤波稳定性。     

基于差分演化算法的自适应无迹卡尔曼滤波

该文在分析无迹变换缩放参数选择方法的基础上,通过对几种缩放参数选择方法的对比分析后,确定以缩放参数选择作为优化目标,将差分演化算法(Differential Evolution, DE)应用到无迹卡尔曼滤波(Unscented Kalman Filter, UKF)计算中,选择每时刻滤波误差最小的缩放参数。提出了基于差分演化算法的自适应无迹卡尔曼滤波算法。通过实验表明,这种自适应策略不仅能够有效提高UKF的精度,避免使用固定缩放参数时可能造成的滤波随机发散;而且不受缩放参数个数限制,可以应用到任意形式的UKF中。     

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。     

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。     

LOS/NLOS混合环境中的粒子滤波跟踪算法

扩展卡尔曼滤波算法在直达波(Line-Of-Sight,LOS)和非直达波(None-Line-Of-Sight,NLOS)混合环境中存在显著的误差。该文根据混合噪声概率密度函数的数值近似公式,提出了一种基于传播环境LOS/NLOS二元状态信息的粒子滤波算法。仿真结果表明,利用了二元环境信息和混合噪声密度的粒子滤波算法能明显改善对移动目标的跟踪估计精度。     

基于UKF算法的被动目标跟踪

对于单站的被动目标跟踪,在笛卡儿坐标系下建立跟踪模型,并用扩展的卡尔曼滤波(EKF)进行预测,得到的结果通常是不稳定且容易发散的。针对这种情况,提出了在修正的极坐标系下建立状态模型,摒弃传统的EKF算法,采用无迹卡尔曼滤波(UKF)算法,通过采样逼近非线性函数。数字仿真结果表明:在修正的极坐标中利用UKF算法得到的结果比EKF算法具有更快的收敛速度和更高的估计精度,且稳定性更好。     

UKF训练RMLP网络的快速算法

UKF训练PMLP的优点是无需计算动态偏导数,但UKF面临计算量大的问题,降低计算量是UKF的研究重点之一。本文提出反向遍历sigma点的方法,可以显著降低UKF有2N_w 1或N_w 2个sigma点两种情况下的计算量。另外,对2N_w 1个sigma点的情况,本文提出解耦合方法,能有效降低存储协方差阵所需空间。综合反向遍历方法和解耦合方法,本文给出UKF训练RMLP的快速算法。在动态系统辨识的仿真中,本文方法节省近80%的计算量和近90%的存储空间。     

基于随机摄动再采样的粒子概率假设密度滤波器

作为概率假设密度滤波的典型实现方式,粒子概率假设密度滤波器无需线性高斯等先验假设,因而在多目标跟踪中得到了广泛的应用。为解决粒子退化问题并保持粒子规模,该滤波器引入了重采样机制,然而,该重采样机制易引起粒子多样性耗尽,导致粒子贫化问题产生。为解决这一问题,该文提出一种新的基于随机摄动再采样的粒子概率假设密度滤波器。首先,全面分析了粒子概率假设密度滤波因粒子贫化问题导致目标失跟的过程。然后设计了一种随机摄动再采样算法,该算法在重采样导致粒子多样性缺失时,根据源粒子的位置与复制次数随机产生相应数目的新粒子,并对源粒子进行删减,其可在保留源粒子信息的前提下保持粒子的多样性。最后,该文将该算法纳入概率假设密度滤波框架,提出了一种新的粒子概率假设密度滤波器。仿真结果表明该滤波器在不显著增加运行时间的前提下能够克服粒子贫化问题,相比标准的粒子概率假设密度滤波器具有更好的跟踪性能。     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

基于粒子滤波和滑动平均扩展Kalman滤波的多径估计算法

多径干扰是高精度定位的主要误差源,估计多径参数对消除多径误差,提高导航系统定位精度具有重要意义。针对扩展Kalman滤波(EKF)在进行多径参数估计时,存在对初值敏感,估计结果在真值附近具有较大波动的缺点,该文提出一种基于粒子滤波(PF)和滑动平均EKF的多径估计算法。该算法首先利用PF得到多径参数的粗略估计值,并将该值作为EKF的初始估计值,以克服EKF对初值敏感的问题。接着对EKF的估计结果进行滑动平均,并将平均后的滤波结果作为多径参数的估计结果。仿真结果表明,改进后的多径估计算法可有效降低估计结果的波动幅度,同时解决了EKF对初值敏感的问题。     

一种应用粒子滤波器实现混沌通信的方法

该文研究应用粒子滤波器实现混沌通信的问题。组合信号建模技术,提出了一种基于粒子滤波器的实现方法。在发送端,采用加性混沌掩盖或乘性混沌掩盖将信息符号调制在混沌信号上;在接收端,应用粒子滤波器估计信息符号,进而实现混沌通信。仿真结果表明,当信息符号为二进制编码和M进制编码时,基于两种混沌掩盖的通信方案,粒子滤波器均能较好地从噪声混沌信号中恢复信息的编码值;与无先导卡尔曼滤波器相比,前者具有较低的误码率。此外,对比两种混沌通信方案,基于粒子滤波器的加性混沌掩盖通信系统在较高的Eb/N0下的通信性能接近BPSK,具有较低的误码率。