几种滤波器跟踪性能的比较

现阶段,卡尔曼滤波是信息融合领域中广泛使用的融合算法,它在线性高斯模型下能得到最优估计,但在非线性非高斯的模型下不能达到理想的效果.在这种情况下,非线性目标跟踪已被人们广泛重视.扩展卡尔曼滤波器(EKF)是将卡尔曼滤波器(KF)进行Taylor展开,算法简单,计算快捷,适用于非线性程度不强,高斯的环境下.不敏卡尔曼滤波(UKF)是先对状态向量的后验概率密度函数(PDF)进行近似化然后再在标准卡尔曼滤波框架下进行递推滤波.粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法.这种滤波的方法和其他滤波的方法一样,都是可以通过系统的模型方程从测量空间一步步递推得到其相应的状态空间.它可以处理模型方程为非线性、噪声分布为非高斯分布的问题,在许多领域得到了成功的应用.论文中通过仿真试验,进行跟踪性能的比较,结果证明在复杂的非高斯非线性环境中,粒子滤波器的性能要明显优于扩展卡尔曼滤波器.     

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法：融合了交互式多模型（IMM）、粒子滤波（PF）和无迹卡尔曼滤波（UKF）的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF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。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。     

基于粒子滤波的检测前跟踪改进算法

针对低信噪比环境下微弱目标的实时检测与跟踪,提出一种基于粒子滤波的检测前跟踪改进算法.该算法在粒子滤波的基础上融合不敏卡尔曼滤波(uKF1)算法,融合后的新算法在利用重要性密度函数产生粒子时充分考虑当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子的分布更接近状态的后验概率分布.仿真实验表明,改进算法的检测与跟踪性能优于标准的粒子滤波算法.     

区间量测下基于无迹变换的伯努利粒子滤波算法

针对区间量测下目标的实时检测与跟踪问题,提出基于无迹变换的伯努利粒子滤波算法(Bernoulli- Upf).该算法在伯努利粒子滤波算法(Bernoulli-pf)的基础上融合无迹卡尔曼滤波(UKF),融合后的算法在预测步骤产生持续存活粒子时,充分考虑到当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子分布更加接近真实状态的后验分布.仿真实验表明,Bernoulli-Upf算法的估计精度优于Bernoulli-pf算法.     

一种改进的粒子滤波算法及其在GPS/DR组合定位中的应用

针对粒子滤波的重要性密度函数选择问题,提出一种基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的改进粒子滤波算法。该方法利用集合卡尔曼滤波产生粒子滤波在每一时刻各粒子的重要性密度函数,在融合最新观测信息的同时,使重要性密度函数更加符合状态的真实后验概率分布。为消除样本枯竭现象,对重采样后的粒子进行马尔科夫链蒙特卡洛处理。在仿真实验中,将新算法用于GPS/DR组合定位系统,与粒子滤波、扩展卡尔曼粒子滤波以及无迹粒子滤波进行比较。仿真结果表明,该算法的估计精度高于传统粒子滤波算法,同时其能够有效控制计算量,并且在粒子数目较少时仍能保证较好的估计性能。     

改进的交互式多模型跟踪算法

针对传统交互式多模型算法实行正则滤波的单一化缺点,提出一种改进的跟踪算法。利用卡尔曼滤波匹配系统线性部分,粒子滤波匹配非线性部分,根据匹配深度判断目标遮挡程度,当目标被严重遮挡时,采用迭代的多级粒子滤波方法进行重采样,并结合卡尔曼滤波更新模型概率。实验结果表明,该算法实时性强,能提高模型滤波速度和目标状态的估计精度,缩短计算时间,解决跟踪过程中的遮挡问题。     

基于改进粒子滤波的机动目标自适应跟踪算法

在粒子滤波的基础上融合扩展卡尔曼滤波算法,融合后的算法在计算提议概率密度分布时,充分考虑当前时刻的量测,使粒子的分布更加接近状态的后验概率分布.将此改进粒子滤波算法在"当前"统计模型框架下进行机动目标自适应跟踪.仿真实验验证了该种方法对机动目标的良好自适应跟踪性能.     

基于高斯粒子滤波法的CIR利率期限结构估计

为了提高CIR利率期限结构模型中的状态估计精度,建立了该问题的离散非线性滤波模型,采用高斯粒子滤波法进行状态近似最优估计.相对于文献中普遍采用的扩展卡尔曼滤波方法,高斯粒子滤波法避免了线性近似带来的误差,利用基于重要性采样得到的高斯分布来近似状态变量的后验分布,具有更强的状态估计能力.仿真实验比较了高斯粒子滤波和扩展卡...     

基于改进扩展卡尔曼粒子滤波的目标跟踪算法*

针对扩展卡尔曼粒子滤波算法滤波精度较低和粒子退化的问题,将马尔可夫链蒙特卡罗（MCMC）方法和扩展卡尔曼粒子滤波相结合,应用于目标跟踪。该算法利用扩展卡尔曼滤波来构造粒子滤波的建议分布函数,使建议分布函数能够融入最新的观测信息,以便得到更符合真实状态的后验概率分布,同时引入MCMC方法对所选的建议分布进行优化处理,使抽样粒子更加多样性。仿真结果表明,该算法能有效地解决粒子贫化问题并提高滤波精度。     

一种用于目标跟踪的改进粒子滤波算法

为解决目标跟踪中粒子滤波算法的估计精度、粒子退化问题,提出一种改进的粒子滤波算法。在粒子滤波的基础上,利用UKF生成粒子滤波的建议分布,以改善滤波效果,在无味粒子滤波的基础上,融合典型的MCMC抽样算法,减少传统算法未考虑当前量测对状态的估计作用所带来的影响,增加采样粒子多样化。将该算法应用于具有非线性、非高斯特点的目标跟踪问题中,仿真结果表明,与普通的粒子滤波算法相比,其跟踪精度和滤波效果有较大提高。     

一种新型高精度非线性滤波算法研究

针对非线性、非高斯系统状态的在线估计问题,提出了一种新的高精度粒子滤波算法。该算法通过引入积分修正因子,对积分卡尔曼滤波器的积分点进行在线修正,并采用修正后的积分卡尔曼滤波产生优选的建议分布函数,由于高精度地融入最新量测信息,一定程度上克服了权值退化问题。仿真实验表明,新算法具有较高的滤波精度,是一种有效的非线性滤波算法。     

一种新型非线性滤波的多特征融合跟踪算法

为有效解决非线性系统的状态估计问题,提出一种新型非线性滤波算法。该算法通过在积分卡尔曼滤波中引入修正因子,对积分点进行优化重组,并采用修正后的积分卡尔曼滤波产生优选建议分布函数,较好地克服了粒子退化现象。在新算法的框架内,利用颜色和运动边缘特征作为观测模型进行视频目标跟踪,并通过D-S证据理论的方法进行权值融合,较好地克服了单一颜色特征在姿态改变、相似背景遮挡等情况下跟踪稳定性较差的问题。实验表明本方法对复杂条件下的目标跟踪问题在保持较强鲁棒性的同时,跟踪精度提升了近32%。     

含有多普勒频率的无迹卡尔曼滤波

针对扩展卡尔曼滤波不含多普勒频率和非线性的缺陷,提出一种新的含有多普勒频率的无迹卡尔曼滤波算法。新算法通过推导观测向量和状态向量之间的函数关系,结合无迹卡尔曼滤波思想,使滤波结果较扩展卡尔曼滤波算法具有更高的精度。最后对新老算法进行了仿真对比分析,结果表明了新算法的有效性和合理性。     

一种用于解决非线性滤波问题的新型粒子滤波算法

粒子滤波算法受到许多领域的研究人员的重视,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度.在扩展卡尔曼滤波和Unscented卡尔曼滤波算法的基础上,该文提出一种新型粒子滤波算法.首先用Unscented卡尔曼滤波器产生系统的状态估计,然后用扩展卡尔曼滤波器重复这一过程并产生系统在k时刻的最终状态估计.在实验中,针对非线性程度不同的两种系统,分别采用5种粒子滤波算法进行实验.结果证明,文中所提出的算法的各方面性能都明显优于其他4种粒子滤波算法.     

非线性动态滤波的迭代算法

阐述了标称状态的线性化方法和扩展的卡尔曼滤波公式及迭代卡尔曼滤波，探讨了非线性动态滤波的近似处理方法，围绕标称状态将非线性模型进行线性化，将标准的卡尔曼滤波扩展到非线性模型，得到扩展的卡尔曼滤波公式，研究了迭代滤波计算方法。扩展的卡尔曼滤波方法已经有效地用于非线性模型。     

Cubature卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出cubature卡尔曼滤波-卡尔曼滤波算法(CKF-KF),分别应用CKF和KF估计模型中的非线性和线性状态.该算法对非线性与线性状态均进行cubature采样,并将两种样本通过线性方程和量测方程进行传播,以获得非线性状态估计.机动目标跟踪仿真结果表明,CKF-KF的估计精度比Rao-Blackwellized粒子滤波器(RBPF)略低,但算法运行时间不到其1％;与无迹卡尔曼滤波器(UKF-KF)相比,估计精度相当,但算法运行时间降低了22％,有效地提高了实时性.     

基于结构分解的GPS/INS组合导航粒子滤波技术

针对粒子滤波应用于GPS/INS组合导航系统时难以保证滤波实时性的问题,提出一种基于线性/非线性结构分解的改进粒子滤波算法.改进算法对状态方程进行线性/非线性结构分解,分别采用重点采样和线性卡尔曼方式进行一步预测递推,充分发挥粒子滤波和卡尔曼滤波的特点,有效降低了粒子滤波的计算量,在保证GPS/INS组合导航系统滤波精度的条件下提高了组合滤波的实时性.     

非高斯噪声中的粒子滤波算法研究

在非线性非高斯动态系统中,粒子滤波已成为解决系统参数估计和状态滤波的主流方法。然而,粒子退化是粒子滤波中不可避免的现象,粒子重采样是解决方法之一。本文针对粒子退化现象,在扩展卡尔曼滤波器的基础上研究了一种基于支持向量机粒子滤波算法,算法实现中扩展卡尔曼粒子滤波器结合支持向量机对当前时刻的重要性采样,再对粒子样本进行重采样。该算法能有效地利用量测值的最新信息,状态估计误差较小,同时避免了粒子匮乏。理论分析和仿真结果表明,新算法在双模噪声非线性系统估计的精度优于标准粒子滤波算法与扩展卡尔曼粒子滤波算法。     

一种新的非线性目标跟踪方法

在实际的目标跟踪场景中,普遍存在非高斯过程噪声和/或量测噪声,以及非高斯先验信息等情况,针对这一问题,提出一种新的解决非线性/非高斯系统滤波问题的非线性滤波算法,即高斯和求积分卡尔曼滤波（GSQKF）算法。仿真实验将新算法与标准的粒子滤波算法进行了比较,表明新算法是一种非常有效的非线性滤波算法。     

增强粒子滤波船舶组合导航算法

针对粒子滤波作为非线性/非高斯估计方法存在的粒子退化和贫化的问题,提出了一种基于集合卡尔曼滤波(Ensemble Kalman filter,EnKF)和马尔可夫蒙特卡罗(Markov Chain Monte Carlo,MCMC)的增强粒子滤波算法。首先,使用EnKF分析代替先验密度对PF的建议密度进行定义,从而降低粒子退化的风险;其次,当发生粒子退化时,通过MCMC方法进行重采样,以增加粒子的多样性,从而降低了粒子贫化的可能性,提高滤波器的精度;最后,将提出的方法应用到GPS PPP/INS组合导航系统中,实验结果均表明,增强粒子滤波算法能提高估计精度,其性能优于标准粒子滤波。