新型粒子滤波算法及其在纯方位目标跟踪中的应用

针对基本粒子滤波算法没有融合当前时刻观测值的缺点,提出了一种卡尔曼粒子滤波算法。该算法针对每一个粒子使用卡尔曼滤波器进行更新,在更新过程中融合最新的观测信息,提高粒子滤波器的估计精度。针对纯方位目标跟踪问题进行实验,与基本粒子滤波算法及卡尔曼滤波进行了对比。实验结果表明,卡尔曼粒子滤波算法的跟踪性能明显优于其他两种算法。     

基于混合卡尔曼粒子滤波算法的期权定价方法

针对金融领域的期权定价问题,为提高粒子滤波算法对期权价格的估计精度,提出使用混合卡尔曼粒子滤波算法(MKPF)进行期权价格预测,该算法使用Unscented 卡尔曼滤波器和扩展卡尔曼滤波器作为混合建议分布产生重要采样密度.在某一时刻,每一个粒子首先经过Unscented卡尔曼滤波器更新得到一个状态估计值,然后以该估计值作为扩展卡尔曼滤波器的先验估计再次更新粒子,得到该时刻最终的估计值.实验中针对经典的Black-Scholes期权定价公式,使用包括MKPF算法在内的4种算法对期权价格进行预测,结果表明MKPF算法预测的期权价格与真实期权价格的误差最小,证明了MKPF算法在期权定价问题中的有效性.     

基于改进扩展卡尔曼粒子滤波的目标跟踪算法*

针对扩展卡尔曼粒子滤波算法滤波精度较低和粒子退化的问题,将马尔可夫链蒙特卡罗（MCMC）方法和扩展卡尔曼粒子滤波相结合,应用于目标跟踪。该算法利用扩展卡尔曼滤波来构造粒子滤波的建议分布函数,使建议分布函数能够融入最新的观测信息,以便得到更符合真实状态的后验概率分布,同时引入MCMC方法对所选的建议分布进行优化处理,使抽样粒子更加多样性。仿真结果表明,该算法能有效地解决粒子贫化问题并提高滤波精度。     

基于扩展卡尔曼滤波器的RBF神经网络学习算法

径向基函数（RBF）神经网络可广泛应用于解决信号处理与模式识别问题,目前存在一些学习算法用来确定RBF中心节点和训练网络,对于确定RBF中心节点向量值和网络权重值可以看作同一系统问题,因此该文提出把扩展卡尔曼滤波器（EKF）用于多输入多输出的径向基函数（RBF）神经网络作为其学习算法,当确定神经网络中网络节点的个数后,EKF可以同时确定中心节点向量值和网络权重矩阵,为提高收敛速度提出带有次优渐消因子的扩展卡尔曼滤波器（SFEKF）用于RBF神经网络学习算法,仿真结果说明了在学习过程中应用EKF比常规RBF神经网络有更好的效果,学习速度比梯度下降法明显加快,减少了计算负担。     

非高斯噪声中的粒子滤波算法研究

在非线性非高斯动态系统中,粒子滤波已成为解决系统参数估计和状态滤波的主流方法。然而,粒子退化是粒子滤波中不可避免的现象,粒子重采样是解决方法之一。本文针对粒子退化现象,在扩展卡尔曼滤波器的基础上研究了一种基于支持向量机粒子滤波算法,算法实现中扩展卡尔曼粒子滤波器结合支持向量机对当前时刻的重要性采样,再对粒子样本进行重采样。该算法能有效地利用量测值的最新信息,状态估计误差较小,同时避免了粒子匮乏。理论分析和仿真结果表明,新算法在双模噪声非线性系统估计的精度优于标准粒子滤波算法与扩展卡尔曼粒子滤波算法。     

基于资源分配网络的小数据集并行集成学习方法

机器学习领域中,如何在小规模的训练数据集上获得一个具有稳定的高计算精度的算法模型,一直以来都是一个棘手而富有挑战的问题。从算法模型出发,提出了一种基于扩展卡尔曼滤波器的资源分配网络并行集成学习方法。该集成系统由多个带有扩展卡尔曼滤波器的资源分配网络（RANEKF）组成,并且每个RANEKF子网的输入由原始数据集中的输入经过随机权值的修正得到。通过和其他神经网络构成的集成学习算法的实验对比,发现提出的方法在小训练集上拥有更高的计算精度和稳定性。     

一种用于解决非线性滤波问题的新型粒子滤波算法

粒子滤波算法受到许多领域的研究人员的重视,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度.在扩展卡尔曼滤波和Unscented卡尔曼滤波算法的基础上,该文提出一种新型粒子滤波算法.首先用Unscented卡尔曼滤波器产生系统的状态估计,然后用扩展卡尔曼滤波器重复这一过程并产生系统在k时刻的最终状态估计.在实验中,针对非线性程度不同的两种系统,分别采用5种粒子滤波算法进行实验.结果证明,文中所提出的算法的各方面性能都明显优于其他4种粒子滤波算法.     

基于超宽带系统的双卡尔曼滤波定位算法

针对室内复杂通信环境中对于移动目标的循迹需求，设计了一种削弱非视距误差的双卡尔曼滤波器，将经典卡尔曼滤波器与扩展卡尔曼滤波器进行级联，并引入一种根据残差分区调整卡尔曼滤波器协方差的区分误差方式，用于自适应调整经典卡尔曼滤波器的滤波增益，从而达到平滑观测值的作用，最终在扩展卡尔曼滤波后输出待测移动目标的位置信息，实现了移动目标的实时定位。在MATLAB上对该设计思路进行了仿真，在匀速运动模型下与现有的几种算法进行了精度的比较，所提出的双卡尔曼滤波器在仿真上能达到较高的循迹精度，均方根误差在视距情况下达到3 cm以内，非视距情况下达到10 cm以内。     

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。     

神经网络辅助的GPS/INS组合导航滤波算法研究

在高空高速条件下,GPS信号失锁致使常规的卡尔曼滤波器发散,从而导致组合导航系统精度严重下降。以BP神经网络辅助技术手段对GPS/INS组合导航滤波算法实施精度补偿,即在GPS信号锁定时,对神经网络进行实时在线训练,而当在GPS信号失锁时,利用之前训练好的神经网络进行组合导航滤波,以解决精度严重下降问题。算法采用多神经网络并行结构,以减少神经网络在训练过程中的交叉耦合,提高训练速度。通过MATLAB仿真,验证了算法的可靠性与可行性,并证明其在GPS信号丢失时,精度较纯惯性导航系统有较大提高。     

基于当前统计模型的改进粒子滤波算法

基于“当前”统计模型,提出了双站无源被动跟踪的改进粒子滤波算法．该算法使用扩展卡尔曼滤波提议分布的粒子滤波,融合双站测量数据,包含了残差重抽样步骤以及马尔可夫链蒙特卡罗法等技巧．在双站测量的被动跟踪试验中,比较了各种滤波方式．仿真结果证实,该改进算法能有效跟踪高度机动的目标．     

On the choice of importance distributions for unconstrained and constrained state estimation using particle filter

Recursive state estimation of constrained nonlinear dynamical system has attracted the attention of many researchers in recent years. For nonlinear/non-Gaussian state estimation problems, particle filters have been widely used (Arulampalam et al. [1]). As pointed out by Daum [2], particle filters require a proposal distribution and the choice of proposal distribution is the key design issue. In this paper, a novel approach for generating the proposal distribution based on a constrained Extended Kalman filter (C-EKF), Constrained Unscented Kalman filter (C-UKF) and constrained Ensemble Kalman filter (C-EnkF) has been proposed. The efficacy of the proposed state estimation algorithms using a particle filter is illustrated via a successful implementation on a simulated gas-phase reactor, involving constraints on estimated state variables and another example problem, which involves constraints on the process noise (Rao et al. [10]). We also propose a state estimation scheme for estimating state variables in an autonomous hybrid system using particle filter with Unscented Kalman filter as a proposal and unconstrained Ensemble Kalman filter (EnKF) as a proposal. The efficacy of the proposed state estimation scheme for an autonomous hybrid system is demonstrated by conducting simulation studies on a three-tank hybrid system. The simulation studies underline the crucial role played by the choice of proposal distribution in formulation of particle filters.     

Tracking of multiple target types with a single neural extended Kalman filter

The neural extended Kalman filter is an adaptive state estimation routine that can be used in target‐tracking systems to aid in the tracking through maneuvers without prior knowledge of the targets' dynamics. Within the neural extended Kalman filter, a neural network is trained using a Kalman filter training paradigm that is driven by the same residual as the state estimator. The difference between the a priori model used in the prediction steps of the estimator and the actual target dynamics is approximated. An important benefit of the technique is its versatility because little if any a priori knowledge of the target dynamics is needed. This allows the technique to be used in a generic tracking system that will encounter various classes of targets. In this paper, the neural extended Kalman filter is applied simultaneously to three separate classes of targets, each with different maneuver capabilities. The results show that the approach is well suited for use within a tracking system with multiple possible or unknown target characteristics. © 2010 Wiley Periodicals, Inc.     

基于灰色预测模型和粒子滤波的视觉目标跟踪算法

结合灰色预测模型和粒子滤波,提出一种新的视觉目标跟踪算法.由于粒子滤波未考虑先验信息对建议分布产生的指导作用,不能很好地逼近后验概率分布,对此,采用历史状态估计序列作为先验信息,建立该序列的灰色预测模型来预测产生建议分布.与粒子滤波、卡尔曼粒子滤波和无迹粒子滤波进行对比实验,结果表明所提出的算法在视觉目标跟踪中具有更好的性能.     

一种新型高精度非线性滤波算法研究

针对非线性、非高斯系统状态的在线估计问题,提出了一种新的高精度粒子滤波算法。该算法通过引入积分修正因子,对积分卡尔曼滤波器的积分点进行在线修正,并采用修正后的积分卡尔曼滤波产生优选的建议分布函数,由于高精度地融入最新量测信息,一定程度上克服了权值退化问题。仿真实验表明,新算法具有较高的滤波精度,是一种有效的非线性滤波算法。     

鲁棒的机器人蒙特卡洛定位算法

提出一种基于粒子滤波器的机器人定位算法. 首先利用一并行扩展卡尔曼滤波器作为粒子预测分布, 将当前观测的部分信息融入, 以改善滤波效果, 减小所需粒子数; 然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)重采样方法, 以提高粒子的细化能力; 最后结合普通重采样方法, 提出一种改进的MCMC重采样的机器人定位算法, 减少粒子匮乏效应的同时, 提高了定位精度. 实验结果表明, 该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.     

基于修正积分卡尔曼粒子滤波的自适应目标跟踪算法

针对当前粒子滤波权值退化问题以及精度与时耗的矛盾,提出了一种新的高精度自适应粒子滤波算法。该算法综合考虑优选建议分布函数和重采样两种并行改进滤波性能的方法:首先,在积分卡尔曼滤波(QKF)的基础上引入修正因子,通过修正的积分卡尔曼滤波(PQKF)产生优选的建议分布函数,较好地克服了粒子退化现象,在提高滤波精度的同时降低了运算量;在重采样阶段,通过引入系统估计和预测提供的新息差值在线自适应调整采样粒子数,较好地保证了粒子采样的高效性和算法的实时性。实验表明,新算法具有高精度、低时耗的优点,是一种高精度自适应粒子滤波算法。     

Practical issues in state estimation using particle filters: Case studies with polymer reactors

In this paper, we compare Kalman update based filters with particle filters using simulations on polymerization processes. In particular, we compare the unscented Kalman filter (UKF) and the particle filter (PF) for the case of significant plant–model mismatch. The sequential importance resampling particle filter is shown to be less robust than the Kalman update-based filters. This issue is solved by bootstrapping the PF with the UKF, i.e., using the UKF as the proposal distribution; this retains its ability to estimate non-Gaussian distributions while providing robustness with respect to plant–model mismatch. Finally, we explore methods of obtaining a point estimate from the state distributions of the PF.     

基于迭代平方根容积粒子滤波目标跟踪算法

针对粒子滤波目标跟踪算法粒子退化及跟踪精度问题,提出了一种基于马尔可夫链-蒙特卡罗(MCMC,Markov Chain Monte Carlo)的迭代平方根容积粒子滤波(ISRCPF,iterated square root cubature Kalman particle filter)算法(ISRCPF-MCMC).在该滤波算法中,利用容积数值积分原则计算非线性随机函数的均值和方差,通过正交矩阵分解代替矩阵开方,在生成的粒子滤波建议分布中融入当前量测值,提高对系统后验概率的逼近程度.然后在此基础上融合MCMC抽样算法(MH,Metropolis Hasting)对所选建议分布进行优化,增加粒子多样性,以提高跟踪精度.仿真试验结果表明,ISRCPF-MCMC算法的估计误差与其他算法相比降低至0.403％.