带一步随机延迟量测非线性序列贝叶斯估计的条件后验克拉美罗下界

为了解决带一步随机延迟量测非线性状态估计器可获得最优性能的评价问题,提出了一种适用于带一步随机延迟量测非线性系统的条件后验克拉美罗下界(Conditional posterior Cramr-Rao lower bound, CPCRLB),且现有的CPCRLB仅是所提出的CPCRLB在延迟概率为零时的一种特例. 为了递归地计算提出的CPCRLB,本文提出了一种带一步随机延迟量测的粒子滤波器(Particle filter, PF),继而推导了提出的CPCRLB 一般近似解和在高斯噪声情况下的特殊近似解. 单变量非平稳增长模型、纯方位跟踪和频率调制信号模型的数值仿真证明了本文提出方法与现有方法相比的有效性和优越性.     

高斯渐进贝叶斯滤波器

渐进贝叶斯方法将先验分布到后验分布的演化描述为一阶动态系统,通过在伪时间上连续地引入观测信息实现后验状态估计.该方法的一般形式解,即动态系统的时间导数,是难以得到的.本文提出一种高斯型渐进贝叶斯滤波器.首先在线性高斯条件下推导了时间导数的解析解;然后证明了在该条件下,由该解析解确定的一阶动态系统与常量状态估计的Kalman-Bucy滤波器是一致的,且由此导出的高斯渐进贝叶斯滤波器与卡尔曼滤波器是一致的.最后利用一阶Taylor展开推导了滤波器在非线性高斯条件下的近似解表达式,并采用Monte Carlo方法给出了具体实现方法.通过若干仿真算例表明,新滤波器具有较高的精度,且在一定精度条件下的时间复杂度低于一般粒子滤波器.     

带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器

为了解决带有色厚尾量测噪声的非线性状态估计问题,本文提出了新的鲁棒高斯近似（Gaussian approximate,GA）滤波器和平滑器.首先,基于状态扩展方法将量测差分后带一步延迟状态和白色厚尾量测噪声的非线性状态估计问题,转化成带厚尾量测噪声的标准非线性状态估计问题.其次,针对量测差分后模型中的噪声尺度矩阵和自由度（Degrees of freedom,DOF）参数未知问题,设计了新的高斯近似滤波器和平滑器,通过建立未知参数和待估计状态的共轭先验分布,并利用变分贝叶斯方法同时估计未知的状态、尺度矩阵、自由度参数.最后,利用目标跟踪仿真验证了本文提出的带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器的有效性以及与现有方法相比的优越性.     

磁偶极子跟踪的渐进贝叶斯滤波方法

提出一种新的非线性滤波器应用于磁偶极子目标跟踪问题.建立了跟踪问题的状态空间模型, 在此基础上, 从高斯矩近似误差的角度分析了现有卡尔曼滤波更新在磁偶极子跟踪中的问题.对此, 将贝叶斯更新过程等效为求解连续时间上的渐进贝叶斯问题, 在线性高斯条件下推导了其解析解, 表明渐进贝叶斯更新可等效为定常系统的Kalman-Bucy滤波器; 进一步采用一阶Taylor展开得到非线性近似解表达式, 导出一种渐进贝叶斯滤波器, 从理论上分析了与现有方法的异同.仿真与实测磁目标跟踪试验结果表明, 渐进贝叶斯滤波器具有良好的精度和收敛性, 能够有效抑制磁目标跟踪中由于大初始误差导致的性能下降和滤波发散, 且计算效率与扩展卡尔曼滤波器相当, 适于实际应用.     

有色量测噪声下的改进求容积卡尔曼滤波器

为解决标准求容积卡尔曼滤波器在有色量测噪声条件下滤波精度退化的问题,提出改进求容积卡尔曼滤波器及其平方根形式.首先利用一阶马尔科夫模型白化非线性离散随机系统中有色量测噪声,将有色量测噪声下非线性离散随机系统转化为白噪声下非线性时滞系统.然后根据所得非线性时滞系统推导其高斯域的贝叶斯滤波框架,最后基于3度Spherical-Radial规则将该滤波框架近似为改进的求容积卡尔曼滤波器和其平方根形式.机动目标跟踪仿真试验结果表明两种改进求容积卡尔曼滤波算法在标准白噪声条件下与标准求容积卡尔曼滤波算法的估计精度相同,而在有色量测噪声背景下滤波精度和鲁棒性更优.     

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.     

带有色量测噪声的非线性系统 Unscented 卡尔曼滤波器

传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)要求噪声必须为高斯白噪声, 无法解 决带有色噪声的非线性系统滤波问题. 为此, 本文提出了一种带有色量测噪声的UKF滤 波新算法. 首先,基于量测信息增广和最小方差估计, 推导出一类带有色量测噪声的非 线性离散系统状态的最优滤波框架, 接着采用Unscented变换(Unscented transformation, UT)来计算最优框架中的 非线性状态后验均值和协方差, 进而得到有色量测噪声下UKF滤波递推公式. 所设 计的UKF新方法能有效地解决传统UKF在量测噪声有色情况下非线性滤波失效的问题, 数 值仿真实例验证了其可行性和有效性.     

适用处理非高斯观测噪声的强跟踪卡尔曼滤波器

在高斯噪声条件下,卡尔曼滤波器(KF)能够获得系统状态的一致最小方差线性无偏估计.但当噪声非高斯,KF性能将严重下降.观测噪声非高斯现象在深空探测自主导航中经常遇到,然而现有模型可能存在着精度不高、稳定性不强或者计算复杂度较高的缺点.针对这种现状,本文在传统强跟踪卡尔曼滤波器(STKF)中新息正交原则的基础上,推导了适用处理非高斯观测噪声的强跟踪卡尔曼滤波器(STKFNO),并将其嵌入到无迹卡尔曼滤波(UKF)框架下形成适用处理非线性系统非高斯观测噪声的强跟踪无迹卡尔曼滤波器(STUKFNO).所提出的算法被应用到深空光学自主导航系统中,仿真结果表明所提出的算法能够较好地应对观测噪声的非高斯性.     

一种改进的高斯近似滤波方法

提出了一种改进的高斯近似(Gaussian approximate, GA)滤波方法, 推导了它的一般解和特殊解, 并证明了现有的高斯近似滤波方法是所提出的方法的一种特例.在提出的方法中, 不需要基于高斯假设重复地产生求积点, 而是直接地更新求积点.与现有的高斯近似滤波方法相比, 提出的方法利用了量测求积点修正状态求积点, 从而可以更好地捕获状态一步预测密度和状态后验密度的非高斯信息和高阶矩信息.此外, 提出的方法不仅适用于确定的系统模型而且还适用于随机的系统模型.单变量非平稳增长模型、垂直落体模型、再入飞行器目标跟踪的仿真验证了提出的高斯近似滤波方法的有效性和与现有方法相比的优越性.     

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.     

Adaptive Gaussian filters for nonlinear state estimation with one-step randomly delayed measurements

This paper proposes new algorithms of adaptive Gaussian filters for nonlinear state estimation with maximum one-step randomly delayed measurements. The unknown random delay is modeled as a Bernoulli random variable with the latency probability known a priori. However, a contingent situation has been considered in this work when the measurement noise statistics remain partially unknown. Due to unavailability of the complete knowledge of measurement noise statistics, the unknown measurement noise covariance matrix is estimated along with states following: (i) variational Bayesian approach, (ii) maximum likelihood estimation. The adaptation algorithms are mathematically derived following both of the above approaches. Subsequently, a general framework for adaptive Gaussian filter is presented with which variants of adaptive nonlinear filters can be formulated using different rules of numerical approximation for Gaussian integrals. This paper presents a few of such filters, viz., adaptive cubature Kalman filter, adaptive cubature quadrature Kalman filter with their higher degree variants, adaptive unscented Kalman filter, and adaptive Gauss–Hermite filter, and demonstrates the comparative performance analysis with the help of a nontrivial Bearing only tracking problem in simulation. Additionally, the paper carries out relative performance comparison between maximum likelihood estimation and variational Bayesian approaches for adaptation using Monte Carlo simulation. The proposed algorithms are also validated with the help of an off-line harmonics estimation problem with real data.     

Particle Smoother for Nonlinear Systems With One‐Step Randomly Delayed Measurements

In this paper, a new particle smoother based on forward filtering backward simulation is developed to solve the nonlinear and non‐Gaussian smoothing problem when measurements are randomly delayed by one sampling time. The heart of the proposed particle smoother is computation of delayed posterior filtering density based on stochastic sampling approach, whose particles and corresponding weights are updated in Bayesian estimation framework by considering the one‐step randomly delayed measurement model. The superior performance of the proposed particle smoother as compared with existing methods is illustrated in a numerical example concerning univariate non‐stationary growth model.     

带不确定量测和未知虚警概率的粒子滤波器

为了解决带不确定量测和未知虚警概率的非线性非高斯系统状态估计问题,本文提出了一种新的粒子滤波方法,利用随机不确定量测模型来更新粒子和权值,并基于极大似然准则来辨识未知的虚警概率.本文所提出的带不确定量测和已知虚警概率的粒子滤波方法与现有标准的粒子滤波方法具有几乎一致的计算复杂度,但是更适合用于处理带不确定量测的非线性非高斯系统状态估计问题.此外,在状态转移密度函数被选择为建议密度函数时,本文证明了基于所提出的虚警概率辨识方法的极大似然估计唯一,从而为精确辨识虚警概率提供了理论保证.单变量非平稳增长模型和纯方位跟踪的数值仿真验证了所提出粒子滤波方法的有效性和与现有方法相比的优越性.     

Gaussian approximate filter for stochastic dynamic systems with randomly delayed measurements and colored measurement noises带随机延迟量测和有色量测噪声随机动态系统的高斯近似滤波器

In this paper, a new Gaussian approximate (GA) filter for stochastic dynamic systems with both one-step randomly delayed measurements and colored measurement noises is presented. For linear systems, a Kalman filter can be obtained to include one-step randomly delayed measurements and colored measurement noises. On the other hand, for nonlinear stochastic dynamic systems, different GA filters can be developed which exploit numerical methods to compute Gaussian weighted integrals involved in the proposed Bayesian solution. Existing GA filter with one-step randomly delayed measurements and existing GA filter with colored measurement noises are special cases of the proposed GA filter. The efficiency and superiority of the proposed method are illustrated in a numerical example concerning a target tracking problem.     

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.     

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.      

带随机量测时滞和随机丢包的改进无迹卡尔曼滤波

经典卡尔曼滤波要求量测值可实时获取,且仅适用于线性系统.然而,在工程实际应用中,系统多为非线性系统,量测值也会发生滞后或者丢失等现象,此时经典卡尔曼滤波已不适用.因此,本文针对一类带有随机量测一步时滞和随机丢包的非线性离散系统的状态估计问题,用两个满足伯努利分布的独立随机变量来描述随机量测一步滞后和随机丢包的现象.当量测丢失时,用量测值的一步预测值来代替零输入进行补偿.在此基础上应用正交投影理论和无迹变换的方法提出了一种改进的无迹卡尔曼滤波算法.最后,通过仿真例子验证在考虑随机量测一步时滞和随机丢包的情况下,所提出的改进算法相比于经典无迹卡尔曼滤波算法具有更高的精度.     

量测随机延迟下带相关乘性噪声的非线性系统分布式估计

本文提出了乘性噪声和加性噪声相关下的量测随机延迟非线性系统分布式状态估计.在所考虑系统中,相关状态被多传感器簇构成的传感器网所观测.所得理想量测被传送到远程分布式处理网,并伴随服从一阶马尔可夫过程的随机延迟.在此基础上,本文提出了分布式高斯信息滤波(distributed Gaussian-information filter,DGIF),来实现估计精度与计算时间的折中.在单处理节点/单元中,以估计误差协方差最小化为准则,设计了相应的高斯递推滤波,并实现了延迟概率的在线递推估计.进一步地,在分布式处理网中,基于非线性量测方程的统计线性回归,结合一致性算法,给出了一种分布式信息滤波形式,有效实现了分布式融合.分别在单处理单元和分布式处理网中仿真验证了所提算法的有效性.