学生t量测分布下鲁棒粒子滤波算法的设计与实现

野值是一种异于总体数据的非高斯量测值,在实际传输中野值的加入常使信号出现厚尾特性。粒子滤波是基于贝叶斯框架的适用于非线性/非高斯系统的一种滤波方法。如果在量测噪声中存在野值会使粒子滤波的精度下降。该文利用学生t分布建模量测噪声模型,结合变分贝叶斯(VB)递推方法设计一种新颖的边缘粒子滤波(MPF-VBM),它在滤波同时可对量测噪声的包括均值在内的全部参数进行实时估计。进一步,利用该估计算法,在量测噪声时变条件下研究了噪声关联的粒子滤波算法(MPF-VBM-COR)。通过对典型单变量增长模型的仿真,验证了所提两种算法相比于已有算法在状态估计上具有更优越的鲁棒性。     

鲁棒边缘粒子滤波及在目标跟踪中应用

边缘粒子滤波是组合导航和目标跟踪中状态估计的高效方法;文章目的 是研究附加量测噪声具有时变未知方差的鲁棒边缘粒子滤波的算法并对算法仿真验证;设计方法是使用Rao-Blackwellised原则实现混合模型中状态降维,然后状态与量测方差同时分别估计;量测分布模型设置为具有鲁棒性质的学生t分布,通过这种量测似然模型得到粒子权值;变分推断方法加入混合滤波方案进行量测噪声方差参数的实时递推估计;重采样阶段粒子权值与状态及噪声参数一起进行重采样,结果是给出状态与噪声参数估计的鲁棒边缘粒子滤波;通过对常速目标运动跟踪模型量测噪声方差渐变和突变两种情况的仿真设置分析,验证了所提算法在量测方差变化情况下性能优于边缘粒子滤波算法的结论.