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。      

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。     

非线性贝叶斯滤波算法综述

滤波的目的是从序贯量测中在线、实时地估计和预测出动态系统的状态和误差的统计量。从递归贝叶斯估计的框架出发,对非线性滤波算法作了统一描述,并根据对后验概率密度的近似方法的不同,把非线性滤波划归为3类:基于函数近似的滤波方法、基于确定性采样的滤波方法和基于随机采样的滤波方法。对这些非线性滤波的原理、方法及特点做了分析和评述,最后介绍了非线性滤波研究的新动态,并对其发展作了展望。     

一种新的基于数值积分的粒子滤波算法

该文提出了一种新的用于非线性非高斯系统状态估计的粒子滤波算法。首先通过基于数值积分的差商滤波器产生重要密度函数,由于这些重要密度函数结合了最新的观测数据,这样采样得到的样本更接近于系统状态的真实后验概率,因此其性能优于标准的粒子滤波算法。最后给出了理论分析和仿真结果,验证了该算法的有效性。     

基于改进的PHD粒子滤波的多目标跟踪技术

有限集统计学（FISST）理论将任意时刻目标状态的集合视为多目标集值状态,而相应的传感器观测值集合被视为多目标集值观测。通过随机有限集建模并利用集合的微积分运算可推导出最优多目标贝叶斯滤波器。然而由于涉及集合微积分运算,最优多目标贝叶斯滤波器的运算量极大。概率假设密度（PHD）滤波器是最优多目标贝叶斯滤波器的一阶矩近似,可以实现在关联不确定、目标数目未知或变化情况下的多目标状态估计。相比于最优多目标跟踪技术,基于PHD滤波器的多目标跟踪技术的运算复杂度得到了有效的降低,更易于工程应用。但在密集杂波背景下PHD滤波器的粒子实现方法仍然存在运算复杂度过高的问题。本文针对密集杂波的情形,提出一种有效的杂波滤除方法,在不影响滤波性能的情况下,降低了运算复杂度,提高了滤波效率。      

基于Sage-Husa的优化粒子滤波算法

针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。     

基于粒子滤波技术的抗多径测向方法

针对空间相干信号源的测向困难问题,提出了一种基于"粒子"滤波的处理方法,从概率角度进行相干波的DOA估计,用后验权值内插法避开再采样枯竭困扰,改善了滤波性能.只需极少的几次快拍完成对瞬间相干信号的测向,仿真表明该方法是可行的.     

随机系统中粒子滤波算法

本文就随机系统中的基本粒子滤波算法进行了研究,在非线性状态下基本粒子滤波器估计输出采用了最大后验概率和后验均值两种方式均能反应滤波估计的状态能很好地跟随真实状态,但粒子退化现象较严重,因此选择合适的建议密度方法,改进粒子滤波算法,其偏差能在较短时间内达到极低水平,对真实状态的跟随性更强,适合数据量应用较少的高斯模型系统。     

粒子滤波及其改进算法的比较

针对非线性、非高斯问题,建立了动态状态空间模型,详细分析了贝叶斯滤波的原理。对于满足线性和高斯的状态空间模型,卡尔曼滤波性能是最优的。但是,真实世界的非线性、非高斯问题存在,使得人们不得不寻找一种更好的滤波方法。解决非线性滤波问题最普遍的方法就是扩展卡尔曼滤波。但扩展卡尔曼滤波只适合弱非线性系统,对于强非线性系统,容易导致滤波发散。因而介绍了适用于强非线性、无高斯约束的基于序列蒙特卡罗算法的粒子滤波波器及其改进算法规则化粒子滤波器。最后对上述几种滤波器进行了性能仿真及分析。     

平坦衰落信道下的粒子滤波算法

粒子滤波器能够处理非线性和非高斯的问题，所以引起了人们的关注。当重要函数分别选取先验重要密度函数和混合重要密度函数时，对于平坦瑞利衰落信道下粒子滤波算法，仿真试验结果表明，无论是在高斯噪声还是非高斯噪声环境中，混合重要密度函数要优于先验重要密度函数。     

裂变自举粒子滤波

自举粒子滤波(BPF:Bootstrap Particle Filtering)是一种经典而应用广泛的粒子滤波算法,但其重采样后常会引起严重的样本枯竭问题.本文提出在权值蜕化较为严重时,在原先的重采样前增加SFN预处理,即权值排序、裂变繁殖(fission)和权值归一,得到裂变BPF(FBPF)算法.针对一个典型的后验密度为双峰的强非线性滤波估计问题,通过Monte Carlo仿真表明,FBPF算法在保持与BPF算法相当的估计精度和运算时间的条件下,克服了样本枯竭问题,算法的鲁棒性更强.     

基于无味高斯粒子滤波的空-海BO—TMA的研究

介绍了粒子滤波（PF）的基本思想和免重采样无味高斯PF（UGPF）算法的基本原理，特别针对空-海单站只测方位目标运动分析TMA（BO—TMA）问题应用UGPF和EKF（扩展卡尔曼滤波）进行了对照研究，建立了问题的离散非线性滤波估计模副，设计了典型的应用场景，给出了Monte Cado仿真运行结果；表明UGPF具有更高的估计精度、更好的收敛特性和滤波一致性。     

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。     

基于辅助变量粒子滤波的空对海BO-TMA的研究

论文探讨了TMA(目标运动分析)中基本的非线性估计问题;介绍了粒子滤波(PF)的基本思想和辅助变量PF(AVPF)的基本算法,特别针对空对海单站只测方位TMA(BO-TMA)问题应用AVPF和EKF(扩展卡尔曼滤波)进行了对照研究;建立了问题的离散非线性滤波估计模型;设计了典型的应用场景;给出了Monte Carlo仿真运行结果;表明AVPF具有更高的估计精度、更好的收敛特性和滤波一致性。     

离散系统滤波非线性近似方法综述

从离散系统的最优贝叶斯估计原理出发,根据对后验密度近似计算方法不同,将近似方法分为3类:函数近似方法、采样近似法和高斯和近似法.详述了这些近似方法的原理、特点及采用这些近似方法进行状态估计的非线性滤波的特点及缺陷.最后指出了非线性滤波的发展方向.     

基于局部粒子密度的粒子滤波跟踪方法

定义了欧氏空间内的局部粒子密度的概念,针对四种不同的情况作出分析,对优选粒子的优劣作出评价并指导后续的粒子重采样和模板更新过程,并在此基础上给出了一种新的基于局部粒子密度的目标跟踪方法.比较实验显示,相对于原始粒子滤波方法和其他粒子重要性重采样方法,该方法在保证跟踪有效性的同时,提高了跟踪效率.     

粒子滤波算法研究现状与发展趋势

粒子滤波是解决非线性非高斯动态系统最优估计问题的研究热点。介绍了粒子滤波算法基本原理,分析了存在的几个关键问题和解决方法,进而总结归纳了当前15种主要改进的粒子滤波算法,同时介绍了粒子滤波目前主要应用领域,最后对粒子滤波的发展提出了展望。