一种基于SVM重采样的似然粒子滤波算法

针对弱观测噪声条件下非线性、非高斯动态系统的滤波问题,提出一种基于支持向量机的似然粒子滤波算法.首先,采用似然函数作为提议分布,融入最新的观测信息,比采用先验转移密度的一般粒子滤波算法更接近状态的真实后验密度;然后,利用当前粒子及其权值,使用支持向量机估计出状态的后验概率密度模型;最后,根据此模型重采样更新粒子集,有效地克服粒子退化现象并提高状态估计精度.仿真结果表明了所提出算法的可行性和有效性.     

一种带有色量测噪声的非线性系统辨识方法

利用最大似然判据, 本文提出了一种带有色量测噪声的非线性系统辨识方法. 首先, 利用量测差分方法将有色量测噪声白色化, 获得新的量测方程, 从而将带有色量测噪声的非线性系统辨识问题转化成带白色量测噪声和一步延迟状态的非线性系统辨识问题. 其次, 利用期望最大化(Expectation maximization, EM)算法提出了一种新的基于最大似然估计的非线性系统辨识方法, 该算法由期望步骤(Expectation step, E-step)和最大化步骤(Maximization step, M-step)两部分组成. 在期望步骤中, 基于当前估计的参数并利用带有色量测噪声的高斯近似滤波器和平滑器, 近似计算完整的对数似然函数的期望. 在最大化步骤中, 近似计算的似然函数期望值被最大化, 并且通过解析更新获得噪声参数估计, 通过Newton更新方法获得模型参数的估计. 最后, 数值仿真验证了本文提出算法的有效性.     

递推更新高斯粒子滤波器

传统高斯粒子滤波算法(Gaussian particle Filter,GPF)中,粒子的重要性密度函数是由高斯滤波器结合当前最新量测来构建的.由于传统高斯滤波器在量测更新阶段直接利用量测对状态进行线性更新,在某些条件下会导致所构建的重要性密度函数并不能很好地近似状态真实分布.为了解决这一问题,结合递推更新的思想,本文推导出了递推更新高斯滤波器(recursive update Gaussian filter,RUGF)的一般结构.并在此基础上,选用RUGF来构建粒子滤波的重要性密度函数,从而提出了基于递推更新的高斯粒子滤波算法(recursive update gaussian particle filter,RUGPF).仿真表明,在非线性系统状态估计问题中,递推更新可以很好的利用量测信息,相比于传统的GPF,本文所提出的RUGPF滤波算法可以提供更高精度的估计结果.     

高速列车非线性模型的极大似然辨识

提出高速列车非线性模型的极大似然(Maximum likelihood, ML)辨识方法,适合于高速列车在非高斯噪声干扰下的非线性模型的参数估计.首先,构建了描述高速列车单质点力学行为的随机离散非线性状态空间模型,并将高速列车参数的极大似然(ML)估计问题转化为期望极大(Expectation maximization, EM)的优化问题; 然后,给出高速列车状态估计的粒子滤波器和粒子平滑器的设计方法,据此构造列车的条件数学期望,并给出最大化该数学期望的梯度搜索方法,进而得到列车参数的辨识算法,分析了算法的收敛速度; 最后,进行了高速列车阻力系数估计的数值对比实验. 结果表明, 所提出的辨识方法的有效性.     

基于高斯似然近似的自适应球面径向积分滤波算法

针对量测噪声较小的环境下传统滤波算法容易出现偏差增大的实际问题, 基于高斯近似原理, 提出一种基于高斯似然近似的球面径向积分滤波(SRGLAF) 算法. 为进一步解决量测未知环境下的状态估计问题, 充分结合CKF 等确定性采样型滤波算法和SRGLAF 的优势, 设计一种基于高斯似然近似的自适应球面径向积分滤波(ASRGLAF) 算法. 仿真结果表明: SRGLAF 能够提高量测噪声较小环境下的估计精度, 而在量测噪声未知环境中, ASRGLAF 能够有效地进行状态估计, 具有明显的滤波优势.

     

基于箱式粒子滤波的群目标跟踪算法

在现有群目标跟踪方法中,粒子滤波(Particle filter, PF)算法常被用来解决点量测的非线性滤波问题.而当量测数据受到测量偏差或未知分布边界误差的影响时,传感器获得的点量测需要转换成区间量测,此时原有PF算法不能直接适用.因此,本文提出基于广义似然(Generalized likelihood, GL)函数加权的PF算法.该算法在原有PF算法的基础上,利用广义似然函数的积分解来计算区间量测下的粒子权重.为了降低算法的运算量问题,又提出基于箱式粒子滤波(Box particle filter, Box-PF)的群跟踪算法.首先,在目标状态空间内抽样矩形区域的箱式粒子.然后采用区间分析和约束传播方法,利用区间量测压缩后的粒子与预测粒子的容积比来计算粒子权重.最后,在群目标状态估计结果和群演化网络模型的基础上估计群结构.仿真实验结果表明,与GL-PF算法相比, Box-PF算法具有更高的运算效率,并能降低估计结果中的峰值误差.     

辅助增量粒子滤波方法

提出辅助增量粒子滤波方法并给出其算法过程。该方法将增量形式融入辅助变量粒子滤波中,解决由于工程实际中量测可能存在未知系统误差导致无法精确建立量测似然函数的问题,另一方面,其又能保持辅助变量粒子滤波方法的优势,在选取重要性密度函数上有效利用最新观测的信息。该方法能减少重采样次数,较好保持粒子的多样性,使得非线性滤波的精度得以提高。仿真实验结果表明,辅助增量粒子滤波方法能有效减少非线性滤波问题的误差,相对经典滤波方法的滤波精度提高了50%。     

基于交互式多模型的不敏卡尔曼概率假设密度滤波算法

针对非线性高斯场景下目标数目未知或随时间变化的机动多目标跟踪问题, 提出一种基于交互式多模型的不敏卡尔曼概率假设密度滤波算法.首先, 在高斯混 合概率假设密度滤波框架下, 结合不敏卡尔曼滤波中状态预测和量测更新的实现机理, 构建一种不敏卡尔曼概率假设密度滤波器; 然后, 通过引入交 互式多模型方法中状态模型软判决机制, 实现对目标机动过程中运动模式不确定的处理; 最后, 通过理论分析和仿真结果验证了所提出算法的可行性和有效性.     

基于ET-PHD的自适应联合跟踪与分类算法

针对新生目标强度先验未知的扩展目标（Extended target,ET）联合跟踪与分类（Joint tracking and classification,JTC）问题,提出一种基于扩展目标概率假设密度（Extended target-probability hypothesis density,ET-PHD）滤波器的自适应联合跟踪与分类算法,并给出其高斯混合实现方法.算法利用量测信息生成新生目标强度,在滤波预测阶段对存活目标和新生目标分别按照其类别进行传播,再引入属性量测信息,用位置和属性的联合量测似然函数代替单目标位置似然函数,对预测后所有目标强度进行联合更新,之后按照类别进行高斯项的删减与合并,提取相应类别目标的状态集.仿真结果表明,提出的自适应算法改进了概率假设密度滤波器在扩展目标跟踪中的性能.     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

Particle filter with one-step randomly delayed measurements and unknown latency probability

In this paper, a new particle filter is proposed to solve the nonlinear and non-Gaussian filtering problem when measurements are randomly delayed by one sampling time and the latency probability of the delay is unknown. In the proposed method, particles and their weights are updated in Bayesian filtering framework by considering the randomly delayed measurement model, and the latency probability is identified by maximum likelihood criterion. The superior performance of the proposed particle filter as compared with existing methods and the effectiveness of the proposed identification method of latency probability are both illustrated in two numerical examples concerning univariate non-stationary growth model and bearing only tracking.     

Robust adaptive algorithm for nonlinear systems with unknown measurement noise and uncertain parameters by variational Bayesian inference

This paper studies an adaptive algorithm for the estimation problem of nonlinear systems with unknown or missing measurement noise and uncertain parameters using variational Bayesian (VB) inference. We combine VB inference with the Monte Carlo sampling technique to settle this problem. There are many cases of missing information, and because of the difficulty in obtaining the analytical results, the existing control methods for uncertain systems lack generality. We present a set of nonlinear recursive adaptive filtering algorithms that address the unknown parameters and probability density function. The proposed algorithms yield a separable variational approximation of the joint posterior distribution of noise parameters with uncertain parameters and states on each step separately. Estimation convergence and robustness against disturbances are guaranteed. A convergence result for VB inference is presented. Extensive simulation examples are provided to demonstrate the efficacy of the proposed algorithms.     

基于均差滤波与高斯和的非线性非高斯系统滤波算法

针对一类非线性非高斯系统的滤波问题,在分析均差滤波算法和高斯和滤波算法的基础上,提出一种基于均差滤波的高斯和滤波算法,适于处理非线性非高斯系统的滤波问题.对于似然密度位于条件转移概率密度拖尾处的情况,与传统的粒子滤波算法相比,所提算法能提高滤波的精度和实时性.仿真实验验证了新算法的有效性.     

模型不确定非线性Markov 跳变系统的滤波算法

针对模型不确定非线性Markov跳变系统,提出一种新的滤波算法.相比于传统交互多模型粒子滤波,该方法通过引入前一时刻的滤波误差来增强原先由于不精确模型而造成权值较小的真实粒子在滤波过程中的作用,以此来改善算法的估计性能.仿真结果表明,该方法在处理含不确定模型参数的非线性Markov跳变系统状态估计问题时具有较好的性能.     

Nonlinear Bayesian Estimation: From Kalman Filtering to a Broader Horizon

This article presents an up-to-date tutorial review of nonlinear Bayesian estimation. State estimation for nonlinear systems has been a challenge encountered in a wide range of engineering fields, attracting decades of research effort. To date, one of the most promising and popular approaches is to view and address the problem from a Bayesian probabilistic perspective, which enables estimation of the unknown state variables by tracking their probabilistic distribution or statistics (e.g., mean and covariance) conditioned on a system's measurement data. This article offers a systematic introduction to the Bayesian state estimation framework and reviews various Kalman filtering (KF) techniques, progressively from the standard KF for linear systems to extended KF, unscented KF and ensemble KF for nonlinear systems. It also overviews other prominent or emerging Bayesian estimation methods including Gaussian filtering, Gaussian-sum filtering, particle filtering and moving horizon estimation and extends the discussion of state estimation to more complicated problems such as simultaneous state and parameter/input estimation.      

一类动态系统的可靠性实时预测方法研究

研究了一类带有某种隐含的性能退化过程的动态系统的实时可靠性预测问题。在初始性能变量值不确定的情况下,首先基于粒子滤波算法和迭代极大似然估计方法,利用系统的输出信息辨识了性能退化轨道函数中的未知参数,并实时估计性能变量值。然后根据性能退化过程辨识结果实时地预测系统在未来一段时间内的可靠性指标。基于三容水箱的仿真实验结果验证了方法的有效性。     

有色噪声中信号的GLRT检测算法研究

针对在高斯广义平稳(WSS)有色噪声环境中含有未知参数信号的检测问题,对于广义似然比检验(GLRT)和匹配子空间方法,提出了一种新的检测算法.通过AR(自回归)参数模型得到含有未知参数的信号加噪声渐进概率密度函数,利用参数变换的方法把一个非线性最小二乘估计问题转化为线性求解问题,然后采用最小二乘估计方法得到参数的极大似然估计(MLE),从而建立了具有恒虚警特性的GLRT检测器.最后结合匹配子空间方法得到了检测概率和虚警概率的表达式,计算机仿真实验验证了方法的有效性.     

非线性非齐次Markov跳变系统的贝叶斯滤波

针对具有时变不确定转移概率的非线性非齐次Markov跳变系统, 提出一种贝叶斯状态估计方法.该方法首次采用带约束高斯概率密度函数来刻画转移概率的真实特性. 然后,基于参考概率空间法, 将实际的概率测度投影到理想概率空间, 得出信息变量的递归表达式. 同时, 在贝叶斯框架内给出转移概率矩阵的最大后验估计式. 进一步, 采用粒子逼近法求解转移概率矩阵的最大后验估计, 解决非线性函数的多重积分问题, 进而获取状态估计值. 最后, 通过一个仿真示例表明该方法的有效性.