改进的无迹粒子滤波算法

本文提出了一种改进的无迹粒子滤波算法(IUPF).与传统的粒子滤波算法不同,IUPF中每个粒子并不代表状态序列的一个可能实现,而是代表由初始状态以及过程噪声序列所构成的扩展过程噪声序列的一个可能实现.根据状态空间方程所属的类型,IUPF可以采用不同的无迹变换方法来设计建议分布.并借鉴了基于无迹变换的辅助粒子滤波器(UTAPF)的思想来改进重采样过程.与UPF和UTAPF相比,新算法有3处改进.第一,IUPF无需假定状态转移核函数已知,因而应用范围较UPF和UTAPF广泛.第二,IUPF的计算开销较少.第三,UPF和UTAPF中每个粒子均被假设拥有一个从其父母粒子中继承下来的状态分布,然而这种假设是否合理目前尚难定论,IUPF避免了该假设.在两组仿真实验下将新算法与其它4种算法进行比较,新算法体现了较好的估计能力.并且结果显示与UPF以及UTAPF相比,IUPF所节省的计算时间与状态向量和噪声向量的维数有关.     

基于IUPF的锂离子电池剩余使用寿命预测方法

随着新能源汽车的大力发展,其动力供应装置锂电池的健康评估也逐渐被重视。研究逐渐从关注锂电池的当前剩余电量转移到其剩余使用寿命的计算上。为有效准确地估计锂离子电池剩余使用寿命,本文提出一种基于改进的无迹粒子滤波（IUPF）的锂电池剩余使用寿命预测方法,通过对依托数据统计建立的锂离子电池状态方程和观测方程中的反映电池内阻的2个参数以及反映电池性能退化速率的2个参数进行估计,得到包含有失效时间的锂电池容量公式,并通过该公式计算出锂电池剩余使用寿命。利用美国国家航空航天局(NASA)艾姆斯预测数据库提供的锂离子电池寿命数据做相关的仿真验证,利用3种评价指标对该估计结果进行了性能评价,结果表明本文方法能够实现对锂离子电池剩余使用寿命的估计,而且能够提升UPF方法进行预测时的准确度。     

改进无迹粒子滤波的电动汽车锂电池SOC估算

针对粒子滤波对电动汽车锂电池荷电状态(SOC)估算误差大的问题,在建立二阶RC等效电路模型并利用脉冲放电实现电池参数辨识的基础上,采用了改进的无迹粒子滤波(IUPF)算法.该算法利用无迹卡尔曼在粒子滤波中生成重要的概率密度函数,然后在重采样阶段通过设置粒子阈值选择最优粒子,并用正则化粒子滤波改善了粒子退化问题.分别在恒...     

一种基于改进UPF的运动声阵列交互多模型目标跟踪方法

针对运动声阵列在有色噪声环境中的非线性滤波跟踪实时性问题,提出一种基于改进粒子滤波的交互式多模型目标跟踪(IMM-IUPF)方法.该方法采用最小斜度单形无迹变换结合变尺度无迹变换的 Sigma点选取策略,对标准无迹粒子滤波(UPF)进行改进,大幅缩减UPF样本选取计算量;将改进的UPF与交互式多模型(IMM)相结合,通过定义自适应增益修正系数,弥补样本点缩减造成的精度降低问题;最终通过与传统的基于IMM的粒子滤波(IMM-PF)和基于IMM的无迹粒子滤波(IMM-UPF)进行Matlab数值仿真对比验证所提出算法的实用性.     

基于改进粒子滤波算法的医疗锂电池PHM系统设计

针对维持生命的医疗电子设备的锂离子电池维修问题,设计了一套故障预测与健康管理系统(Prognostics and Health Management-PHM),提出了PHM系统的实现框架。通过搭建一套电池控制应力水平实验平台并将故障注入锂离子电池中,来进行数据采集。建立基于阿列纽斯模型(Arrhenius Model)的医疗电子设备的锂离子电池模型,通过无迹粒子滤波(Unscented Particle Filter-UPF)算法和粒子滤波(Particle Filter-PF)算法计算出实时故障的概率并给出剩余寿命预测以及健康管理维护方法。通过Matlab对比UPF和PF的预测剩余寿命的仿真结果与实验所测数据的吻合度,选出UPF算法为最优算法并及时诊断故障,为后续维护提供建议。     

一种自适应免疫优化的无迹粒子滤波器

针对无迹粒子滤波（UPF）在较偏观测时的退化现象及重采样带来的粒子枯竭问题,提出一种自适应免疫优化的无迹粒子滤波算法（AIO-UPF）。该算法在重采样过程中,利用免疫算法在亲和度与浓度调节机制下的全局寻优能力和多样性特征,通过引入自适应阈值因子δ的Metropolis准则,使得粒子集能够有效地分布于高似然区域,提高了粒子的多样性和有效性,从而较好地抑制了在较偏观测时的粒子退化问题。仿真结果表明,AIO-UPF的性能优于传统UPF及标准粒子滤波,在状态估计精度上比传统UPF提高了27%左右。     

基于间接健康指标与回声状态网络的航空锂电池剩余使用寿命预测

航空锂电池是飞机的重要组成部分,对其进行剩余使用寿命(RUL)预测至关重要。目前,一般采用锂电池容量作为RUL指标,但在飞机实际运行中,锂电池容量难以准确测量,同时面临长期寿命预测精度的问题。因此,提出一种基于间接健康指标和回声状态网络(ESN)的锂电池RUL预测方法,基于一阶偏相关系数分析方法提取最能代表电池寿命的间接健康指标来代替容量指标,建立间接健康指标预测模型。同时基于深度学习中的ESN,结合粒子群优化算法(PSO)对网络参数进行优化,建立退化预测模型,实现锂电池RUL预测,解决长期预测精度问题。使用NASA电池数据进行实验验证说明,该方法相较于其他方法具有更高的精度、稳定性以及良好的泛化能力。     

基于SSUPF的SINS传递对准研究

动基座传递对准具有非线性非高斯的特征,运用卡尔曼滤波(EKF)这样基于局部线性化和高斯假设的滤波方法很难取得理想的滤波精度.超球面单形无迹粒子滤波(SSUPF)是一种基于SSUT变换的无迹粒子滤波,SSUT变换利用超球面分布的sigma点采样方式,减少了sigma点数量,对于高维系统,计算量大幅度减少.在滤波算法中,通过SSUKF产生重要性概率密度函数,引入了最新的观测数据,因此更接近于系统状态的后验概率.仿真结果表明:SSUPF相比EKF和UKF提高了传递对准的精度,达到与标准UPF相当的程度,并可以获得高于UPF的计算效率.     

一种新的高动态GPS载波跟踪算法

提出了基于无迹粒子滤波（UPF）算法的高动态GPS载波跟踪环路,仿真分析了该方案在高斯噪声和非高斯噪声环境下对高动态GPS信号的跟踪性能,并与分别基于扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波（PF）及扩展卡尔曼粒子滤波（EPF）这四种算法的载波跟踪环路进行了性能对比。仿真结果表明,基于UPF估计器的载波跟踪环路在高动态、弱信号以及非高斯噪声环境下具有优越的跟踪性能,既可以提高跟踪精度,又解决了非高斯噪声干扰问题。通过模拟实验验证了该方案的有效性。     

一种粒子滤波的改进算法

在强非线性、非高斯系统、高精度测量的环境下,针对粒子滤波（PF）算法的跟踪性能降低问题,提出一种PF的改进算法。由于PF算法的计算量虽然小但精度不高,而无迹粒子滤波（UPF）算法精度虽然很高但计算量过大,结合PF算法计算量小和UPF算法精度高的优势,提出一种PF改进算法。对PF、UPF和PF改进算法三种跟踪算法进行了仿真,结果表明,改进PF算法的跟踪精度和UPF的跟踪精度相当,但所需运算时间仅为UPF算法的35%左右。     

基于改进神经网络算法的医疗锂电池PHM系统设计

针对医疗电子设备锂电池不确定性发生故障耽误病人救治的问题,提出了一套医疗电子设备锂电池故障预测与健康管理系统(Prognostics and Health Management-PHM);搭建了一套医疗电子设备锂电池数据测试与退化状态模拟的实验平台;为了反映医疗电子设备锂电池健康状态,将锂电池四个健康因子作为医疗电子设备锂电池退化状态的特征进行提取,并通过非线性自回归(Nonlinear Autogressive with Exogenous Inputs-NARX)神经网络,对四个健康因子的数据进行训练,训练后用于容量估计,得出等间隔放电时间序列能够较好地表征锂电池健康状态;为了提高基本粒子滤波算法(Particle Filter-PF)的精度从而更精确地预测锂电池剩余寿命(Remaing Useful Life-RUL),通过人工免疫粒子滤波算法(Artificial Immune Particle FilterAIPF)与经验模型对锂电池进行剩余寿命预测,并将PF预测的结果与AIPF预测的结果进行对比,发现AIPF预测更加准确,说明AIPF有效抑制了PF重采样过程中粒子退化问题,验证了医疗电子设备锂电池故障预测与健康管理系统的可行性与可实施性。     

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.     

基于粒子滤波的交通仿真系统

针对现有多数交通仿真系统在交通状态估计问题精确度不高的缺陷,引入粒子滤波方法对交通状态进行预测估计,设计并实现基于粒子滤波的交通仿真系统。首先介绍系统粒子滤波的初始化、粒子状态转移过程、权值计算及归一化和重采样操作的设计,然后将实测交通数据通过粒子滤波算法引入模型以提高状态估计的能力,最后基于微观交通仿真软件MovSim实现该系统。实验表明：基于粒子滤波的交通仿真系统具有较强的预测稳定性和准确性。     

基于粒子滤波与线性自回归的故障预测算法

粒子退化是粒子滤波在故障预测应用中存在的主要问题.针对粒子滤波算法样本贫化问题,提出一种基于粒子滤波与线性自回归的故障预测算法.在算法的状态估计阶段,使用混合状态系统模型和粒子滤波算法对系统状态的概率密度函数进行估计,并实时给出故障发生概率;在算法的状态预测阶段,采用线性自回归模型对故障征兆随时间的演化情况进行估计及修正,同时给出剩余使用寿命的概率密度函数.故障预测仿真实验结果证明了算法的有效性.     

一种基于均值筛选的粒子滤波算法

针对基于均值筛选的粒子滤波算法MPF,利用无迹卡尔曼粒子滤波产生一步预测.在重采样阶段,利用对粒子按照权值大小进行排序的确定性重采样策略.为了克服样本耗尽问题,在统计所有粒子权值的均值后,对于权值小于均值的粒子进行一步权值平缓化变异.仿真实验表明MPF精确度优于其他5种流行的滤波算法.     

列车组合定位的改进UPF算法探讨

针对传统粒子滤波缺乏当前量测信息、容易出现粒子退化现象、滤波精度不高,难以应用于GNSS/INS列车组合导航的问题,提出了一种改进粒子滤波算法.通过将无迹卡尔曼滤波框架应用到标准粒子滤波中,产生粒子的重要性函数,考虑了当前量测对状态估计的影响,改善了滤波效果.在重采样环节又融入了马尔科夫链蒙特卡洛方法,增加了采样粒子的多样性,提高了滤波的精度.结合采集某列控系统的样本数据进行仿真,结果表明:改进的UPF与传统的UPF相比,滤波效果更好,定位精度更高,在GNSS/INS列车组合定位中有更好的工程使用价值.     

基于改进粒子滤波的视频目标跟踪算法比较分析研究

针对标准粒子滤波算法存在的缺陷,本文引入了两种改进的方法,引入最新的量测信息,改进粒子滤波的建议分布。EKPF通过引入扩展卡尔曼算法改进粒子分布,UPF引入无味变换改进粒子的分布,并对其进行了仿真对比分析。实验结果表明,UPF算法优于扩展卡尔曼粒子滤波算法与标准粒子滤波算法。     

基于粒子滤波算法的足底压力预测

针对人体下肢运动状态识别精度低的问题,提出了一种基于足底压力的下肢运动状态识别预测方法。以EMED足底压力平板采集的不同步速下各40组足底压力数据为试验样本,通过分析足底压力特征参数,构建步态相位,建立足底步态周期关系,以及步态位移模型。下肢运动是非线性运动,采用步态周期模型结合粒子滤波算法实现足底压力预测。先对粒子群初始化获取先验概率密度函数,对预测压力进行估计,其次对状态向量检验,使用多元线性回归推导出预测足底压力。实验结果表明,在不同步态速度下,粒子滤波算法性能好,精确度达到97%以上,从而证明了足底压力预测方法的有效性。补充不同年龄、性别、体重的实验者的足底压力数据进行分析,预测精度均在97.5%以上,验证了预测算法的稳定性和精准性。     

基于自适应渐消无迹粒子滤波的UnscentedFastSLAM算法

针对机器人导航无迹快速同步定位与地图构建（Unscented FastSLAM）算法由于重采样造成样本粒子退化,进而导致估计精度下降的问题,提出一种基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法。该算法将无迹粒子滤波与渐消滤波相融合产生自适应建议分布函数,同时将粒子根据权值进行优化组合,仅对组合后的部分不稳定的粒子进行系统重采样。通过这两方面使系统具有高度自适应性的同时保证粒子的多样性,缓解粒子的退化现象。仿真实验表明,提出算法与Unscented FastSLAM算法相比,可以用较少的粒子实现更高的SLAM的估计精度,很大程度上降低了SLAM算法的复杂度。     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.