马尔可夫链蒙特卡罗容积粒子滤波器

针对非线性、非高斯系统状态估计问题,提出了一种基于重要密度函数的改进粒子滤波器-马尔可夫链蒙特卡罗容积粒子滤波器。在状态转移概率的基础之上综合考虑了当前的量测信息,利用容积卡尔曼滤波对每个采样粒子进行估计,使得重要密度函数更加贴近于真实后验;同时为避免粒子贫乏,在重采样后加入马尔可夫链蒙特卡罗步骤。理论分析和实验仿真表明:马尔可夫链蒙特卡罗容积粒子滤波器的性能要优于容积粒子滤波器以及其他参照滤波器。     

量测随机延迟下带非高斯噪声的目标跟踪算法

为解决量测一步随机延迟及非高斯噪声条件下战斗机蛇形机动模式转弯角速度辨识问题,更好地实现蛇形机动的稳定跟踪,考虑到目标状态与转弯角速度之间相互耦合的特性,基于联合估计与辨识的思想,依据极大似然准则,提出了一种基于期望最大化的目标状态估计与转弯角速度辨识联合优化算法.该算法主体包含两个部分:E-step和M-step.在E-step,首先,通过充分考虑量测一步随机延迟特性及非高斯量测噪声,重新构造了粒子滤波器的似然函数,进而改进了粒子权重的更新公式,同时,为避免粒子贫乏现象的发生,将粒子群优化算法引入到重构的粒子滤波器当中进一步改进粒子采样过程;其次,将拒绝采样思想引入到后向模拟粒子平滑器当中,并相应地设置拒绝采样终止条件,优化后向模拟粒子平滑器,进一步提高平滑算法的执行效率;最后采用改进的粒子滤波器与后向模拟粒子平滑器进一步获取目标状态的平滑量;在M-step,通过采用牛顿迭代法极大化条件似然函数,从而获得转弯角速度的估计量,用于下一次算法迭代.通过E-step和M-step的不断迭代,进而获得转弯角速度的闭环形式的优化解.仿真实验结果表明,所提算法的目标状态估计与角速度辨识的精度均优越于传统的扩维法.     

基于Sage-Husa的线性自适应平方根卡尔曼滤波算法

针对标准卡尔曼滤波和扩展卡尔曼滤波存在的局限性,结合平方根滤波的思想,对传统Sage-Husa估计器进行改进,提出了一种新的线性自适应平方根卡尔曼滤波(Linear Adaptive Square-RootKalman Filtering,LASRKF)算法。该算法直接对系统状态方差阵和噪声方差阵的平方根进行递推与估算,确保了状态和噪声方差阵的对称性和非负定性;算法还增添了对系统噪声统计特性估计的计算,强化了滤波器的稳定性和自适应能力;与传统Sage-Husa自适应滤波算法相比LASRKF可提高滤波器抗发散的能力。仿真实验表明,LASRKF可有效提高滤波器的精确性、稳定性和自适应能力。     

基于半定松弛优化估计的无线传感网络定位

针对复杂环境下的无线传感节点位置定位精度的问题,提出一种基于无迹卡尔曼滤波的半定松弛优化估计（SC-SDP）算法,以实现无线传感器网络中节点位置的准确估计。文章基于半定松弛优化估计定位技术,建立系统模型并将其作为一个优化问题,通过寻找初始非凸目标函数的更低下界来重新阐述优化问题,将非线性和非凸问题分别松弛优化,得到次优化解;采用无迹卡尔曼算法过滤其噪声,获得一个可更准确地捕捉真实均值和协方差的滤波器,并且利用无轨迹转换使高斯输入信号精确到三阶,非高斯输入信号精确到二阶。大量的实验结果分析表明:SC-SDP算法在无线传感器网络的定位误差（RMSE）要优于GM-SDP算法、WLS算法以及CRLB算法的定位误差,提高了无线传感器网络的定位精度;半定松弛化算法的抗干扰性得到改善。     

自适应平方根Unscented粒子滤波算法研究

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题,在吸收平方根滤波、自适应滤波和粒子滤波优点的基础上,提出了一种新的UPF算法。该算法由UKF算法得到重要性密度函数,通过自适应因子实时控制动力学模型误差,采用平方根分解法抑制系统状态协方差矩阵的负定性。仿真结果证明,文中所提出的自适应平方根UPF算法,不但适用于非线性、非高斯动态系统的滤波计算,而且能有效地改善滤波性能,提高SINS/SAR组合导航系统的定位精度。     

改进的GM-CBMeMBer机载多普勒雷达多目标跟踪算法

为了有效抑制剩余杂波、提高多目标跟踪(MTT)能力,在高斯混合势平衡多目标多伯努利(GM-CBMeMBer)滤波器的基础上引入多普勒信息,提出了一种适用于机载多普勒雷达的MTT算法(GM-CBMeMBerwD).该算法改进了GM-CBMeMBer滤波器的更新步骤:首先利用位置量测更新目标状态,然后利用多普勒量测对其进一步更新,从而更准确地求得目标似然函数和状态估计.仿真结果表明,与GM-CBMeMBer相比,GM-CBMeMBerwD能更准确且更稳定地估计目标数量;与其他3种跟踪算法相比,GM-CBMeMBerwD能以较低的计算复杂度获得较优的跟踪性能.     

无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法.在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪.算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计...     

基于粒子预测的非线性状态目标跟踪算法

对目标状态进行可靠的估计,可以在相对较小搜索区域内完成对模板的搜索,提高跟踪的实时性.卡尔曼(Kalman)预测对线性高斯问题能够提供最优估计,而对目标模型、观测方程等要求的非线性、非高斯问题不再适用,针对此问题,提出利用基于蒙特卡罗(Monte Carlo)模拟方法和贝叶斯估计的粒子滤波(Particle Filter)对非线性、非高斯问题进行位置预测.详细描述了基于粒子预测的目标跟踪算法,并给出实验仿真结果.     

BF粒子滤波算法在快速目标跟踪中应用的研究

为了对快速目标进行跟踪,在高斯加性白噪声的条件下(AGWN),文章把BF粒子滤波算法和迭代的Kalman滤波器方法结合起来对快速目标状态进行处理,状态估计用BF粒子滤波算法,能减小方差和运算量,同时用Kalman滤波器能提高跟踪精度和对目标状态的估计。仿真结果表明,文中所设计的快速和精确的BF算法能真正地解决快速目标跟踪问题。     

平方根滤波及其在目标跟踪方面的应用

在主流非线性滤波算法中,诸如扩展卡尔曼滤波和Unscented卡尔曼滤波都包含状态协方差矩阵的传递,这在滤波器更新步骤经常引起协方差矩阵失去正定,从而引发滤波器失效.平方根滤波可以降低这种数值误差的影响.基于协方差更新的Joseph形式,给出一种更简洁的平方根扩展卡尔曼滤波算法.同时将此滤波器和平方根Unscented卡尔曼滤波器应用于再进入飞行器的目标跟踪问题,仿真结果表明这种应用是有效的.     

An evolutionary particle filter based EM algorithm and its application

In this paper, an evolutionary recursive Bayesian estimation algorithm is presented, which incorporates the latest observation with a new proposal distribution, and the posterior state density is represented by a Gaussian mixture model that is recovered from the weighted particle set of the measurement update step by means of a weighted expectation-maximization algorithm. This step replaces the resampling stage needed by most particle filters and relieves the effect caused by sample impoverishment. A nonlinear tracking problem shows that this new approach outperforms other related particle filters.     

Novel algorithm for geomagnetic navigation

To solve the highly nonlinear and non-Gaussian recursive state estimation problem in geomagnetic navigation,the unscented particle filter (UPF) was introduced to navigation system.The simulation indicates that geomagnetic navigation using UPF could complete the position estimation with large initial horizontal position errors.However,this navigation system could only provide the position information.To provide all the kinematics states estimation of aircraft,a novel autonomous navigation algorithm,named uns...     

一种分块差分滤波器及其在仅有角度跟踪中的应用

为解决仅有角度跟踪时,目标估计受限于较大的初始估计误差和噪声统计特性未知的问题,提出了一种带有噪声智能统计功能的改进型分块差分滤波器.通过统计线性化方法得到了一种S-H智能噪声统计估值器,并用其优化传统分块噪声滤波器的测量更新步骤,实现了对未知过程和测量噪声的智能统计处理,通过迭代更新进一步提高了滤波器对于复杂非线性函数的适应能力.与目前几类主流的自适应滤波器性能相比,结果表明:对于具有线性系统模型和非线性测量模型的典型被动跟踪估计问题,针对较大的初始状态估计误差,所给出的滤波器能更好地完成系统噪声和测量噪声部分参数统计特性未知情况下的非线性估计任务,在保证计算量适中的同时有效地提高跟踪制导精度.     

一种新的非线性非高斯信号分离方法

提出一种基于粒子滤波的非线性非高斯信号分离方法.该方法依据状态空间模型把信号分离问题转化为信号的状态和参数的联合估计问题,利用粒子滤波方法,结合核平滑收缩技术拟合系统未知参数后验分布,以实现非线性系统中多路信号的分离.仿真结果表明,与现有分离算法相比,该方法能有效解决非线性非高斯系统中多路信号的分离问题,并提高未知参数的估计精度.     

一种基于双重改进粒子滤波器的故障隔离方法

为了解决在基于解析冗余关系的故障诊断应用中难以实现故障隔离的问题,提出了一种基于双重改进粒子滤波器的故障隔离方法。该方法利用状态和参数估计粒子滤波器组成的联合估计模型,对系统状态和潜在故障参数值进行联合估计,通过对比潜在故障参数估计值与其标称值实现故障隔离。在联合估计模型中,一方面,在传统的随机扰动法的基础上,利用最大似然估计法获得参数时间更新梯度,使用一种改进随机扰动法实现参数时间更新;另一方面,在采样过程中考虑当前量测值,并引入粒子群和模拟退火优化思想,使用一种采样粒子质量改进方法实现粒子采样,以提升其估计性能。仿真结果表明：在假设的两类参数型故障下,基于双重粒子滤波器的联合估计模型在鲁棒性、计算速度和估计精度上均优于基于扩展状态空间的粒子滤波器联合估计模型,在基于双重粒子滤波器的联合估计模型上,使用所提出的改进方法能显著提升其估计性能。所提出的方法基本满足参数型故障隔离对计算效率和估计精度的要求,可作为基于解析冗余关系故障诊断中的故障隔离方法。     

等式状态约束下的粒子滤波算法

针对具有等式状态约束的非线性高斯系统滤波问题,在粒子滤波过程中,通过投影方法将状态向量投影到状态约束子空间,利用拉格朗日乘子法求解修正后的状态向量.由于在粒子滤波算法中可以针对状态估计或者粒子集修正,因此,对应了两种能够处理等式状态约束的粒子滤波方法.新方法与常规粒子滤波算法相比滤波误差明显降低.仿真结果验证了新方法的...     

基于确定性重采样的粒子滤波算法

复杂背景下的运动目标跟踪往往要面对非线性非高斯问题,粒子滤波算法在非线性非高斯模型中的良好处理能力,使其得到广泛的应用.引入重采样方法(SIR)解决粒子退化问题的同时导致了样本枯竭.针对上述问题,文中提出了一种融合基本重采样方法和确定性重采样方法的新方法,能有效保持粒子的多样性.通过仿真实验表明,该方法能有效提高粒子滤波算法的准确性.     

基于支持向量机粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在的粒子退化问题,提出了一种新的基于支持向量机的粒子滤波目标跟踪算法。该算法利用滤波过程中的预测粒子集及其权值,使用支持向量机估计出系统状态的后验概率密度,再根据该概率密度重采样更新粒子集,以提高粒子的多样性,从而克服粒子的退化现象。仿真结果表明,该算法能显著增加有效粒子的数量,其目标跟踪精度优于马尔可夫链蒙特卡罗移动方法以及正则粒子滤波算法。     

混有高斯和脉冲噪声图像的一种新滤波方法

针对数字图像中的高斯噪声和脉冲噪声,提出了采用递推最小最大值法与中值滤波相结合的滤波方法。对数字图像首先采用递推最小最大值方法来除去脉冲噪声,然后采用中值滤波方法,并选择合适的窗口尺寸,可得到质量很好的图像。实验结果表明,递推最小最大值方法在抑制脉冲噪声的同时,还能保留良好的图像细节,特别是在多种脉冲噪声存在的条件下,效果更加明显,而中值滤波可以有效地除去剩余噪声,最终得到满意结果。     

粒子群优化人工免疫粒子滤波器

为解决粒子滤波算法中存在的粒子退化和样本枯竭问题,提出一种新的粒子滤波算法.利用粒子群优化思想促使采样粒子向高似然区域移动,减缓粒子权值的退化;再通过人工免疫算法中的变异操作扩大算法寻找最优值的范围并增加粒子的多样性,避免算法陷入局部最优,增强算法的全局搜索能力,进而缓解样本枯竭.实验表明,该算法比标准粒子滤波的状态估计精度提高近40倍,比扩展卡尔曼粒子滤波提高近28倍,比无迹卡尔曼粒子滤波提高近6倍,滤波效率为37.523％,是标准粒子滤波的37倍,该算法具有更好的实时性和更高的状态估计精度,能有效缓解粒子的退化和样本的枯竭.