基于RTS-IEKPF算法的锂电池SOC估算

针对瞬间大电流充放电使电池非线性加剧,使用迭代扩展卡尔曼滤波算法(IEKF)估算电池荷电状态(SOC)时会有较大误差。为了减小误差,进一步提高SOC的估算精度,提出一种基于锂电池复合电化学模型的融合RTS最优平滑的迭代扩展卡尔曼粒子滤波算法(RTS-IEKPF)。该方法利用RTS(Rauch-Tung-Streibel)最优平滑算法与IEKF算法结合生成粒子滤波的建议分布,得到RTS-IEKPF,并用该方法来估算锂电池的SOC。实验结果表明,RTS-IEKPF算法SOC的估算精度优于PF,IEKF和IEKPF算法SOC的估算精度。     

多模型粒子滤波在机动目标跟踪中的应用

针对在非线性机动目标跟踪中存在的滤波器易发散,跟踪误差大等问题,在双机协同跟踪的基础上,提出了利用交互式多模型粒子滤波(IMMPF)对空中机动目标进行跟踪的算法。该算法将粒子滤波和交互多模型有效结合,基本解决了非线性机动目标跟踪中存在的问题。通过仿真表明,与扩展卡尔曼滤波(EKF)和交互式模型扩展卡尔曼滤波(IMMEKF)相比,IMMPF能够降低跟踪误差,提高收敛速度,且有很强的鲁棒性。     

基于IMMEPF的多普勒盲区目标异类多传感器联合跟踪

对于机载脉冲多普勒雷达,多普勒盲区是不可避免的。为解决多普勒盲区内机动目标跟踪问题,提出了基于扩展卡尔曼粒子滤波(IMMEPF)的雷达和ESM联合跟踪算法。该算法融合了交互式多模型(IMM)、粒子滤波(PF)和扩展卡尔曼滤波(EKF)的优势,采用多模型结构以匹配目标的运动模型。粒子滤波能处理非线性、非高斯问题,而采用EKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。仿真结果表明,给出的算法能够显著提高对落入多普勒盲区内的目标点迹的跟踪精度。     

适于无源阵列跟踪机动目标的IMM-PF算法

针对无源阵列对机动目标跟踪效果较差的问题,在融合交互式多模型和粒子滤波方法的基础上,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法.该算法采用多模型结构以跟踪目标的任意机动;各模型采用粒子滤波算法,以处理非线性、非高斯问题.各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象.与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了新算法的正确性和有效性.     

一种多速率的交互式多模型粒子滤波算法

针对融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标,各模型采用粒子滤波,以处理非线性、非高斯问题.但是粒子滤波的问题是计算量过大,特别是应用到IMM算法时,多速率方法则可以在保证算法性能的同时解决此问题.仿真结果表明,MRIMMPF算法在性能上明显优于交互多模型粒子滤波(IMMPF)算法,具有较小的计算量.     

基于交互式伯努利滤波的机动目标TBD算法

低信噪比环境下,原始数据未知门限的机动目标跟踪是一个比较棘手的问题。提出了一种交互式多模型伯努利(IMM-Bernoulli)检测前跟踪(TBD)算法,该算法结合交互式多模型算法对滤波器中每个目标状态的采样粒子进行预测,利用伯努利滤波对目标粒子进行递归,粒子更新阶段结合TBD算法进行,最终实现目标存在概率及分布密度的更新估计。算法对粒子预测时采用多个模型参与转移预测,使得预测粒子更加接近目标真实运动状态,兼备了伯努利TBD算法和交互式多模算法的特点,可用于处理低信噪比环境下机动弱目标检测跟踪问题,且对目标状态的估计更加精准。仿真实验表明,该滤波器能够实时地估计出目标位置,比传统的伯努利TBD算法具有更好的滤波性能。     

改进的交互式多模型粒子滤波跟踪算法

通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF).粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能.然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷.该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率.对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能.     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。     

基于IMM-极限迭代UFIR的机动目标跟踪算法

为提高非高斯噪声条件下机动目标跟踪的精度,提出基于交互式多模型极限迭代无偏有限脉冲响应滤波(IMM-极限迭代UFIR)算法。采用对噪声统计特性不敏感的极限迭代无偏有限脉冲响应滤波(UFIR)作为其子滤波器,对各模型进行状态估计,最后通过对各模型的输出结果综合得到机动目标状态。仿真结果表明,在噪声条件复杂的情况下,该算法比交互式多模型卡尔曼滤波(IMM-KF)具有更高的跟踪精度和稳定性,计算量小于IMM-PF,算法能较好地兼顾跟踪精度和计算量两方面性能。     

基于IEKF的目标、外辐射源联合跟踪滤波

在外辐射源雷达中,当外辐射源的位置信息未知时,无法利用外辐射源对目标跟踪定位。文中介绍了一种基于迭代扩展卡尔曼滤波(IEKF)的目标、外辐射源联合跟踪滤波算法,该算法通过对已知外辐射源和未知外辐射源的联合利用,保证了雷达系统在探测目标的同时,也可定位跟踪未知外辐射源。通过仿真数据验证,该方法对目标、外辐射源的跟踪定位有较好的滤波效果,辐射源定位收敛速度优于EKF滤波方法。     

一种基于多普勒频率变化率单站无源定位的改进跟踪滤波算法

IMM-PF算法巨大的计算量影响跟踪的实时性,IMM-UKF由于线性化误差使得精度不高.针对这些问题,本文在基于多普勒频率变化率的单站无源定位问题的基础上提出了一种改进的交互式多模型滤波算法（IMMEK-UKFPF）,利用不同的模型匹配不同类型的滤波器,充分发挥了卡尔曼滤波和无迹卡尔曼滤波以及粒子滤波各自的优点.仿真结果表明该算法减少了跟踪定位所用时间,提高了计算效率,同时具有良好的跟踪性能和较强的鲁棒性.     

Adaptive update rate for Phased Array Radar Based on IMMK-PF

Interacting Multiple Model Kalman-Particle Filter (IMMK-PF) has the advantages of particle filter and Kalman filter and good computation efficiency compared with Interacting Multiple Model Particle Filter (IMMPF). Based on IMMK-PF, an adaptive sampling target tracking algorithm for Phased Array Radar (PAR) is proposed. This algorithm first predicts Posterior Cramer-Rao Bound Matrix (PCRBM) of the target state, then updates the sample interval in accordance with change of the target dynamics by comparing the trace of the predicted PCRBM with a certain threshold. Simulation results demonstrate that this algorithm could solve the nonlinear motion and the nonlinear relationship between radar measurement and target motion state and decrease computation load.     

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。     

常用非线性滤波方法比较研究

几乎所有的现实系统都是非线性的,因而非线性估计问题显得尤为重要.通过分析3种常用的非线性滤波器:扩展卡尔曼滤波器、Unscented卡尔曼滤波器以及粒子滤波器的原理,确定其适用性.用单变量非平稳模型及再入目标跟踪模型,通过Monte-Carlo仿真计算估计的均方误差及时耗,进而对上述3种滤波器滤波精度、一致性以及运算量进行比较.     

被动传感器阵列中基于粒子滤波的目标跟踪

针对被动传感器阵列中的机动目标跟踪问题,该文提出了一种基于多模Rao-Blackwellized粒子滤波的机动目标跟踪新方法.算法首先基于Rao-Blackwellization理论将机动目标跟踪问题划分为模型选择和目标跟踪两个子问题;采用多模Rao-Blackwellized粒子滤波对目标运动模型进行选择,扩展Kalman滤波对目标进行更新,有效降低了抽样粒子状态维数,节省了计算时间;最后,建立了被动传感器阵列的非线性观测模型.实验结果表明,提出方法可以有效地对目标模型进行选择,算法的跟踪性能及稳定性要好于交互多模型(IMM)方法.     

机动再入目标的FGPF-BLUE跟踪

机动再入目标的运动具有明显的非线性,其观测又往往在传感器坐标系下进行,构成强非线性的跟踪问题.为了克服扩展卡尔曼滤波和粒子滤波在跟踪精度和实时性方面的缺点,提出了一种新型的非线性跟踪算法.新型的FCPF-BLUE滤波将快速高斯粒子滤波的预测步骤与最优线性无偏估计的更新步骤相结合,是一种半蒙特卡罗滤波方法.建立了机动再入...     

An iterative particle filter signal detector for MIMO fast fading channels

For flat fast fading Multiple-Input Multiple-Output （MIMO） channels, this paper presents a sampling based channel estimation and an iterative Particle Filter （PF） signal detection scheme. The channel estimation is comprised of two parts： the adaptive iterative update on the channel distribution mean and a regular update on the ＂adaptability＂ via pilot. In the detection procedure, the PF is employed to produce the optimal decision given the known received signal and the sequence of the channel samples, where an asymptotic optimal importance density is constructed, and in terms of the asymptotic update order, the Parallel Importance Update （PIU） and the Serial Importance Update （SIU） scheme are performed respectively. The simulation results show that for the given fading channel, if an appropriate pilot mode is selected, the proposed scheme is more robust than the conventional Kalman filter based superimposed detection scheme.     

Unscented粒子滤波器及其在纯方位跟踪中的应用

为处理纯方位跟踪(BOT)中的非线性问题,提出了一种Unscented粒子滤波(UPF)跟踪方法.在使用Unscented变换的基础上,利用UPF来加入最新的观测量并产生非线性粒子滤波(PF)的建议分布.结合纯方位跟踪模型,推导了UPF应用的具体算法步骤,使用匀速运动和机动目标两个BOT仿真实例,与其它滤波器进行了仿真对比,分析了跟踪性能和误差.仿真结果表明,对于纯方位跟踪问题,UPF不仅解决了扩展卡尔曼滤波器的线性化损失难题,而且与PF等粒子滤波器相比,具有更高的跟踪精度.