改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波（PF）直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波（7th-CQKF）对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波（CPF）。     

改进粒子滤波算法的比较

重要性密度函数的选择对粒子滤波至关重要,围绕重要性密度函数的选择,已提出许多改进粒子滤波算法,典型的有扩展卡尔曼粒子滤波(EPF),不敏卡尔曼粒子滤波(UPF)、辅助粒子滤波(APF)及正则化粒子滤波(RPF).详细讨论了4种改进粒子滤波算法的基本思想、性能特.占及主要步骤.通过对一典型标量非线性系统的滤波实验,对4种改进算法的性能进行了仿真比较,实验结果表明,4种改进算法都从不同程度上改善了粒子滤波器的性能,其中,UPF的性能最优.最后,分析了各算法的改进原因.     

毫米波/红外多传感器融合跟踪算法研究

毫米波/红外(MMW/IR)传感器是各国发展多模复合制导技术的重点.针对平方根无迹卡尔曼滤波(SR-UKF)的估计算法存在线性化误差及粒子滤波中得到优化的重要性密度函数比较困难的问题,将平方根无迹卡尔曼滤波与粒子滤波相结合,提出一种序贯融合的平方根无迹卡尔曼粒子滤波(SRUKPF)算法.利用平方根无迹卡尔曼算法得到的状态更新矩阵和误差协方差矩阵,构造粒子滤波的重要性密度函数,这样重要性密度函数能够融入最新观测信息,进而更加符合真实状态的后验概率分布.为验证算法的有效性,以地空导弹中MMW/IR传感器复合制导为背景进行仿真研究与分析,结果表明,该算法克服了粒子滤波法难以得到优化重要性密度函数的缺陷,能有效提高多传感器系统状态估计的精度     

一种扩展H∞粒子滤波方法

重要性函数的选择是粒子滤波算法的核心,本文提出一种基于扩展H∞滤波(EHF)产生重要性函数的扩展H∞粒子滤波(EHPF)算法,由于EHF滤波算法鲁棒性强、滤波精度高,且该滤波算法考虑了最新的观测数据,因此由其产生的重要性函数更接近于系统状态的真实后验概率分布.理论分析和仿真结果表明扩展H∞粒子滤波算法的滤波性能明显优于标准粒子滤波算法,扩展卡尔曼滤波算法和扩展卡尔曼粒子滤波算法,与不敏粒子滤波算法滤波精度相当,但计算复杂度要低于不敏粒子滤波算法,是一种有效的粒子滤波算法.     

融合粒子滤波与交互多模的单站被动定位算法

融合交互式多模型和粒子滤波算法提出了一种新的单站被动定位算法.该算法采用多模型结构,各模型匹配粒子滤波算法,从而适用于非高斯系统噪声、非线性量测方程条件下,具有任意运动轨迹的目标跟踪问题.各模型粒子经过输入交互,充分体现交互式多模型优点.粒子滤波的重要密度函数采用UKF方法产生,使得较少的粒子即可更加接近系统状态的真实后验概率,从而减少了运算量.仿真结果表明:本文新算法性能明显优于标准交互式多模型算法,具有一定的工程实用价值.     

基于统计线性回归的粒子滤波方法

针对非线性、非高斯系统的状态估计问题,该文提出了一种基于统计线性回归的粒子滤波算法。在该算法中,首先对非线性函数基于统计线性回归展开,并利用高斯积分估计回归系数,依此产生重要性密度函数。该密度函数融入了最新的观测信息,扩大了与系统真实后验密度的重叠区域。理论分析和实验结果表明,该算法具有较高的估计精度,与一般的粒子滤波算法相比,有较好的稳定性和较低的计算量。     

UPF算法在状态估计中的应用

首先分析了基于贝叶斯理论的粒子滤波算法的原理：然后在分析采样-重要性-重采样算法基础上讨论了粒子滤波算法存在的主要问题,研究了一种使用UKF产生重点密度函数的粒子滤波算法（UPF）;最后通过实例将该算法与粒子滤波算法进行比较,仿真结果表明UPF算法运算时间低于粒子滤波算法.     

插值粒子滤波在静基座捷联惯导系统初始对准中的应用研究

推导了大方位失准角条件下,捷联惯导系统(SINS)静基座初始对准非线性误差模型,提出一种基于插值粒子滤波(DDPF)的 SINS 静基座初始对准方法。分析了插值非线性滤波原理,结合插值滤波和粒子滤波的特点,利用二阶插值滤波算法得到粒子滤波的重要性密度函数。 在静基座状态下分别基于 DDF 和 DDPF 滤波算法进行初始对准仿真实验。仿真结果表明,大方位失准角的情况下,DDPF 非线性滤波具有更快的收敛速度和更高的对准精度。     

基于代价参考粒子滤波的机动目标跟踪算法

代价参考粒子滤波算法通过动态优化自定义代价函数和风险函数来衡量状态滤波估计的质量,选取最优的状态估计.与粒子滤波算法相比其优点是不需要任何先验概率知识的假定和重采样过程可实现并行处理.将代价参考粒子滤波与当前统计模型的优点相结合,提出一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.Monte Carlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于当前统计模型高斯粒子滤波算法.     

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.     

基于观测迭代的插值粒子滤波算法

基于序贯重要性抽样(SIS)及贝叶斯理论的粒子滤波能够很好地处理非线性及非高斯问题。如何选取重要密度函数以减小粒子退化影响提高粒子滤波精度是粒子滤波的主要问题之一。传统粒子滤波器以高斯分布作为参考分布。由于没有利用新的观测,通常需要大量的粒子才能准确表达状态后验分布。本文采用基于观测迭代的插值参考分布提高重要密度函数估计精度,减少了后验概率密度估计误差,同时结合观测系统的最近一次的量测,更好的匹配后验概率密度。 仿真结果显示该滤波器要优于其他粒子滤波器。      

非线性系统中状态和参数联合估计的双重粒子滤波方法

该文提出了一种双重粒子滤波方法,对存在未知参数的非线性系统进行状态和参数联合估计。该方法采用基于充分统计量的粒子滤波技术,避免了重采样过程中的粒子枯竭现象;采用贝塔分布拟合系统参数的后验分布,不仅充分利用了先验信息,而且避免了对高斯分布拖尾部分的采样,提高了粒子的采样效率。仿真实验结果表明,该方法提高了非线性系统中状态和参数的估计精度,降低了滤波器对初始误差的敏感性。     

高斯-厄米特粒子滤波器

针对非线性、非高斯系统状态的在线估计问题,本文提出一种新的基于序贯重要性抽样的粒子滤波算法.在滤波算法中,我们用一簇高斯-厄米特滤波器(GHF)来产生重要性概率密度函数.此概率密度在系统状态的转移概率的基础上融入最新的观测数据,因此更接近于系统状态的后验概率.理论分析与实验结果表明:在观测模型具有高精度的场合或似然函数位于系统状态转移概率的尾部时,用GHF产生重要性概率密度函数的粒子滤波即高斯-厄米特粒子滤波(GHPF)的性能要明显地优于标准的粒子滤波、扩展的卡尔曼滤波、GHF.     

一种改进粒子滤波的双站无源定位跟踪算法

在非线性非高斯状态空间下，粒子滤波器是一种有效的非线性滤波算法，它的关键问题包括粒子权重的计算、粒子重采样和状态估计等。本文根据粒子滤波算法思想和双站无源定位跟踪的非线性，将粒子滤波算法用于双站无源定位跟踪问题，给出了一种改进的粒子滤波算法，并对其关键问题根据双站无源定位跟踪的特殊性进行了改进。利用Matlab进行了仿真实验，与最小二乘算法、扩展卡尔曼滤波算法进行了比较，结果表明所提算法定位跟踪精度优于其他方法。     

基于最优采样函数的粒子滤波算法与贝叶斯估计

传统粒子滤波器(PF)直接根据状态演化方程产生新的粒子,由于没有考虑新近观测对状态估计的影响,这种滤波器性能较差,即便在粒子数目很大的情况也是如此。为此,本文提出一种基于序贯重要采样(SIS)的改进粒子滤波算法,该算法采用集成了新近观测量的最优采样(或重要密度)函数指导粒子的生成,使粒子权值的方差最小化,能有效减轻粒子退化问题;同时。在粒子重采样之后增加了马尔科夫链蒙特卡洛(MCMC)过程,消除了重采样引起的粒子贫化的负面影响,从而使粒子的多样性得以保持。对非线性系统的状态估计和只测角跟踪的仿真实例均表明,本文所提出的算法比传统估计算法如EKF,UKF具有更高的精度和更强的鲁棒性;与标准PF相比,其性能也有较大的提高,并可以在相同的估计精度下大大减少所需的粒子数目,是一种有效的非线性滤波算法。     

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。     

基于广义UT变换的交互式多模型粒子滤波算法

 针对粒子滤波中重采样过程与优化提议分布的处理方式导致的粒子溃退和算法实时性下降问题,通过广义UT变换原理和卡尔曼滤波预测更新机制的引入,实现当前量测信息对于状态估计结果的直接优化,给出了一种基于广义UT变换的粒子滤波算法。另外,将改进后算法与交互式多模型相结合,进而提出了一种基于广义UT变换的交互式多模型粒子滤波算法．理论分析和仿真结果表明：新算法在计算复杂度方面与标准粒子滤波相近,在滤波精度方面优于标准粒子滤波及其改进算法．     

多传感器箱粒子PHD滤波多目标跟踪算法

针对目标检测概率较低导致单个传感器无法对目标进行有效检测并跟踪的问题,本文提出了多传感器箱粒子概率假设密度(multi-sensor box particle probability hypothesis density filter,MS-BOX-PHD)滤波器。MS-BOX-PHD滤波器首先将多个传感器的量测转换、融合成为一个量测集合,并利用箱粒子概率假设密度(box particle probability hypothesis density filter,BOX-PHD)滤波器对多个目标的状态进行预测和更新。数值实验表明,相较于单传感器箱粒子概率假设密度(Single-BOX-PHD)滤波器,MS-BOX-PHD滤波器在目标检测概率较低时,能够有效地对多目标的状态和数目进行估计;相较于区间量测下多传感器标准PHD粒子(multi-sensor standard probability hypothesis density particle filter with interval measurement,IM-PHD-PF)滤波器,在达到相同的跟踪性能时,计算效率提升了38.57%。     

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.