基于改进粒子滤波的无人机编队协同导航

针对主从式无人机编队协同导航问题,建立主从无人机编队的运动模型,并将闪烁噪声加入到观测模型 中,使用粒子滤波算法进行仿真实验,使实验结果更具现实性。针对粒子滤波在重采样过程中出现的粒子贫化现象, 在粒子权重归一化过程中引入权重影响因子,给出理论证明,并与标准粒子滤波算法进行对比。仿真结果表明：在 闪烁噪声下,改进后的粒子滤波使主从式无人机编队导航精度明显提高,具有一定的实用价值。     

角闪烁背景下基于改进EKPF算法的目标跟踪

标准粒子滤波(PF)的重要性函数的选取方法会导致状态估计过于依赖模型,且在重采样过程中可能会发生粒子贫化现象,针对PF在角闪烁背景下的目标跟踪过程中精度不足的问题,提出了一种改进的扩展卡尔曼粒子滤波(EKPF)算法,并将其应用在角闪烁噪声背景下的目标跟踪问题中,仿真结果表明该算法的可行性和优越性。     

基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法

针对传统粒子滤波面临的重要密度函数的选取和粒子多样性丧失引起的样本贫化问题,提出基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法。与传统的粒子滤波算法相比,有两点改进:首先该算法采取无迹卡尔曼滤波产生建议分布函数;其次,在重采样过程,提出基于权值优化的改进重采样算法来增加粒子的多样性。仿真结果表明,改进算法降低了粒子滤波算法的粒子退化程度并避免样本贫化现象的出现,更加接近真实值,提高了跟踪精度。     

三种非线性滤波在再入弹道估计中的分析研究

首先在雷达直角坐标系下建立了再入目标的动力学模型,针对其运动的非线性,采用了三种经典的非线性滤波,即扩展卡尔曼滤波,不敏卡尔曼滤波以及粒子滤波进行弹道参数估计,给出了估计性能(误差均值和标准偏差),并与理论后验Cramer-Rao下限进行了对比。计算结果表明,在弹道参数采取指数建模的情况下,三种滤波的性能大致相同,从计算量、滤波性能和滤波的稳健性上综合考虑,不敏卡尔曼滤波更胜一筹。     

基于重采样粒子滤波的目标跟踪算法研究

基于传统粒子滤波的机动目标跟踪方法针对非线性、非高斯系统有较好的估计性能,但是存在粒子退化现象。利用残差重采样算法,可以有效克服粒子滤波的退化问题。本文针对残差重采样算法作进一步研究,提出了一种改进的残差重采样粒子滤波算法。该方法在残差重采样基础上进行改进,可以避免残差重采样中关于残留粒子的重采样问题,在保证精度的前提下提高运行效率,减少运算复杂程度。仿真实验结果表明该算法与残差重采样粒子滤波相比提高了目标跟踪的实时性,并且随着粒子数的增加,这种优势表现得更加明显。     

改进的交互式多模型粒子滤波目标跟踪算法

针对现有的交互式多模型粒子滤波算法存在粒子退化现象,跟踪性能不高,计算量大影响跟踪的实时性等问题,采用改进的残差重抽样算法,并在滤波前后,对各模型粒子进行输入输出交互运算,得出一种改进的交互式多模型粒子滤波目标跟踪算法。该算法在解决了粒子退化现象的同时,避免了残留粒子重采样问题,在一定程度上降低了计算量,减小了系统估计误差,提高了跟踪性能。通过仿真,验证了该算法的良好性能。     

闪烁噪声环境下目标跟踪的UPF算法研究

介绍了一种改进的粒子滤波（PF）算法——无味粒子滤波算法（UPF）。该算法结合UKF（unscented Kalman filter）和PF算法，利用UKF对非线性系统的处理能力，用UKF得到粒子滤波的重要性采样密度函数，从而克服了PF没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足。在给出的闪烁噪声统计模型基础上．将UPF、PF算法在雷达目标跟踪中进行了比较，仿真结果表明该方法可以取得比标准的粒子滤波更快的滤波收敛性和更高的滤波精度。     

基于迭代积分粒子滤波的目标跟踪算法

针对粒子滤波在非线性目标跟踪中存在粒子退化的问题,提出一种迭代积分粒子滤波的目标跟踪算法。该算法从改进重要性函数的角度入手,在积分卡尔曼滤波的基础上,通过高斯牛顿迭代的方法进行量测更新,并对粒子集合中的粒子进行迭代积分卡尔曼滤波,使得构造的重要性函数更加贴近真实后验分布。仿真结果表明,与粒子滤波算法、积分粒子滤波算法相比,该算法在有效改善非线性目标跟踪中粒子退化的同时,提高了跟踪精度。     

改进粒子滤波算法研究

重采样思想能解决粒子滤波中的粒子退化问题，但却导致粒子多样性丧失的现象，使描述状态后验概率密度的粒子不够充分。围绕如何增加粒子的多样性，已提出的改进算法包括MCMC移动步骤及正则化粒子滤波（RPF）算法。讨论2种改进算法的基本思想及步骤，通过对一典型标量非线性系统的仿真实验，分析改进算法的性能特点。实验结果表明，2种改进算法都有效增加了粒子的多样性，缓解了粒子匮乏问题。     

基于改进自适应滤波算法的在线标定技术研究

考虑到火箭炮工作环境复杂多变,弹载捷联惯导系统的状态噪声及量测噪声难以精确预知,若标定过程中采用标准卡尔曼滤波肯定会影响标定的效果。针对这一问题,在Salychev O自适应滤波算法的基础上提出了一种改进自适应滤波算法。该算法可实时估计和修正系统状态噪声及量测噪声协方差阵,并通过在量测噪声协方差阵估计过程中加入阈值因子,可有效抑制较大量测误差对滤波的影响。通过建立在线标定误差模型、滤波模型及补偿模型,采用改进自适应滤波算法对弹载捷联惯导系统进行在线标定,仿真结果表明,相较于标准卡尔曼滤波及Salychev O自适应滤波算法,采用该算法对惯性器件误差参数的标定效果更好。     

基于人工免疫粒子滤波算法的MIMO-SCFDE系统信道估计方法

针对经典粒子滤波(PF)算法在MIMO-SCFDE系统时变信道估计中出现权值退化的问题,提出了基于人工免疫粒子滤波(AIPF)算法的MIMO-SCFDE系统时变信道估计方法。该方法将人工免疫的思想引入到PF算法中,有效缓解了PF算法权值退化的问题,提高了信道估计的精度。仿真结果表明,相比LS算法,Kalman滤波算法以及经典PF算法,AIPF算法在高斯分布噪声环境以及非高斯分布噪声信道环境下均可以得到较低误码率(BER)以及归一化均方误差(NMSE),而且在非高斯分布噪声环境下具有较好的顽健性,可以有效提高MIMO-SCFDE系统信道估计的性能。     

基于Kalman预测重要性建议分布的粒子滤波视觉跟踪算法

标准粒子滤波虽然能够实现简单场景下的目标跟踪,但在复杂场景下其性能较差,粒子权值退化是影响视觉跟踪的一个重要方面,为解决这一问题,从选择准确重要性建议分布函数入手,给出了基于EKF和UKF预测采样的粒子滤波视觉跟踪算法EKF-PF（EKF enhanced particle filtering）和UKF-PF（UKF enhanced particle filtering）,并进行了一定改进,通过仿真实验表明：给出的跟踪算法能够很好地跟踪室内运动目标,并对光照变化,目标姿态变化具有良好的鲁棒性.     

基于在线修正弹道模板的主动段弹道跟踪方法

为了提高在线跟踪主动段弹道导弹的精度,提出了基于在线修正的弹道模板方法,详细构建了空气动力、推力、重力、科氏力、牵连惯性力等的动力学模型,结合不敏卡尔曼滤波和粒子滤波算法,对弹道模板参数进行在线校正及对导弹目标进行实时跟踪。在仿真过程中,基于加加速度模型和当前统计模型构建了交互多模型算法,并将该算法结合不敏卡尔曼滤波和粒子滤波算法与在线修正的弹道模板方法进行比较分析。仿真结果表明,该方法能够对弹道模板参数进行准确估计并能获得比交互多模型算法更高的跟踪精度。     

基于粒子滤波的红外/毫米波复合制导目标跟踪方法

介绍了在红外/毫米波复合制导中观测方程的非线性而产生的跟踪问题,将粒子滤波应用于这一工程领域,并针对其易发生粒子退化现象这一缺点进行了改进,获得了很好的效果,仿真结果证明,粒子滤波较扩展卡尔曼滤波具有更好的跟踪效果,并且由于其并行处理的特性,在工程上有较高的应用价值。     

基于粒子滤波的非线性目标跟踪算法研究

针对非线性非高斯的目标跟踪,传统的卡尔曼滤波和扩展卡尔曼滤波等算法将会出现滤波精度下降甚至发散的现象,提出了采用粒子滤波算法来解决非线性滤波问题;粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,但是存在运算量大和实时性差的问题,因此提出了基于EKF的扩展粒子滤波;仿真结果表明：在强非线性非高斯环境下,PF算法的跟踪性能优于EKF算法,基于EKF的扩展粒子滤波能够取得较好的跟踪精度,并且能够有效的减少粒子滤波的运算量。     

基于辅助模型的改进粒子滤波算法

针对非线性、非高斯系统的目标跟踪精度不太高这一问题,提出一种改进Sigma粒子滤波算法(MSP-PF)。该算法是由主模型产生第一个粒子,剩余的粒子则由辅助模型和平方根无迹卡尔曼滤波(SRUKF)来递归生成,辅助模型使粒子的观测信息得到充分有效地利用,解决了粒子滤波算法所面临的粒子退化和匮乏问题。仿真表明,提出的改进Sigma粒子滤波算法(MSPPF)的估计性能要明显优于粒子滤波(PF)、无迹粒子滤波(UPF)、Sigma粒子滤波算法(SPPF)。     

一种新的混合智能粒子滤波算法在雷达机动目标跟踪中的应用

标准粒子滤波算法的精度不高,鲁棒性差标准粒子滤波算法的精度不高,鲁棒性差难以满足雷达目标跟踪的要求。本文提出了一种新的适用于雷达目标跟踪的智能粒子滤波算法,在粒子滤波中先利用人工鱼群的全局收敛性找到满意的解域,再利用粒子群算法引导粒子向高斯然区域移动,提高滤波精度。仿真表明该算法可以在强闪烁噪声下有效地跳出局部最优,搜索到理想的粒子最优值,提高雷达机动目标跟踪的精度。     

一种改进的容积信息粒子滤波多目标跟踪算法

为了解决传统的自举式粒子滤波采用状态转移密度作为重要性采样函数呈现粒子退化、跟踪精度差等问题,文中采用后验概率作为重要性采样函数并提出其估计方法.通过容积信息滤波和Gating技术,估计重要性采样函数对应的均值和方差,完成重要性采样函数设计.使用改进后的粒子滤波方法,在非线性场景下对多个目标的状态和目标数目进行了估计.仿真结果表明,本算法在非线性多目标跟踪场景下具有估计精度高、稳定性好的优点.     

融合渐消无迹粒子滤波与高斯重采样的FastSLAM 算法

摘要：为解决快速同步定位与地图构建算法因粒子退化导致SLAM(simultaneous location and mapping)估计精度 不佳的问题,提出一种融合渐消自适应无迹粒子滤波与高斯分布重采样的FastSLAM 算法。通过融合渐消滤波和无 迹粒子滤波,产生一种自适应提议分布,利用高斯分布对高权重粒子进行分散得到新粒子。建立机器人运动模型和 观测模型,并在仿真环境中进行性能验证。仿真结果表明：该算法能有效地缓解粒子退化,增加系统稳定性,提高 SLAM 估计精度。     

改进的卡尔曼滤波与均值漂移目标跟踪算法

为了实现更加理想的运动目标跟踪,提出了改进的卡尔曼滤波与均值漂移目标跟踪算法。该算法采用粒子滤波与Kalman滤波相结合实现非线性滤波,首先利用粒子滤波对运动目标的状态变量进行估计,然后对目标估计状态进行卡尔曼滤波,解决观测方程为非线性的问题。最后利用Mean-shift算法进一步聚类粒子,使抽样的粒子集更符合实际的目标概率模型,从而增加有效粒子数目,减少粒子退化。经过预测迭代,从而达到对运动目标运行轨迹的修正,并采用仿真实验进行算法性能测试。结果表明,相对于其他算法或者是传统算法,在相同的条件下该算法不仅提高了目标跟踪的精度,并且降低了计算复杂度,实时性较好。