基于Sh相关系数的非线性系统状态粒子估计算法

本文提出一种适用于非线性系统状态的粒子估计算法--基于Sh相关系数的粒子估计(PE)算法.该算法主要由预测、更新和平滑组成,利用被估计状态观测值路径和粒子观测值路径之间的Sh相关系数来修正粒子权值.仿真实验结果表明,该算法在状态估计精度上优于序列重要性重采样(SIR)算法、辅助粒子滤波(APF)算法、正则化粒子滤波(RPF)算法、高斯粒子滤波(GPF)算法和高斯混合粒子滤波(GSPF)算法.     

基于空间分布和时间序列分析的粒子滤波算法

针对粒子滤波存在的粒子贫化问题,提出了一种改进的重采样粒子滤波算法.在重采样步骤中基于采样粒子集的空间分布引入时间序列分析,选取相关度最高的粒子进行传递,避免了只关注采样粒子权值的传统重采样算法中仅复制大权值粒子而任意丢弃小权值粒子的缺陷,因此能够消弱粒子贫化现象,提高算法的估计精度.在理论上利用两样本Kolmogorov-Smirnov检验原理证明了改进算法重采样后的粒子集和采样前的粒子集来自同一总体.仿真结果表明,尤其是在初始采样粒子数目较小时,该算法在非线性系统状态估计中的精度优于传统的粒子滤波算法.     

一种新的改进辅助变量粒子滤波算法北大核心CSCD

针对辅助变量粒子滤波(AVPF)对状态估计无法获得较好的滤波精度的问题,本文提出了一种改进的辅助变量粒子滤波算法.将正则化的思想引入到辅助变量粒子滤波的重采样中,在重采样中将离散的概率分布函数近似为连续的分布函数,该方法不仅保留了AVPF在重采样之前依据似然值的大小对原粒子集中的各个权值进行修正,从经过平滑后的后验密度中重采样的特点,在重采样中引入正则化思想后还能够保持粒子的多样性,增加有效样本数目,能够有效抑制样本退化.针对一个被广泛采用的双峰,高度非线性的系统模型,在选取不同的过程噪声下,进行Monte Carlo仿真实验.仿真实验表明,改进的辅助变量粒子滤波具有更好滤波精度.     

自适应差分演化粒子滤波器

针对非线性、非高斯系统中的粒子滤波算法存在粒子权值退化和重采样后引起样本枯竭问题,提出一种自适应差分演化粒子滤波算法。用一种自适应参数控制策略对差分演化算法的参数进行控制,并以此代替粒子滤波中的重采样算法。通过对状态更新后的粒子做自适应差分变异、自适应杂交和选择等优化操作,利用权值大小选出下一时刻的粒子集合。实验表明,该算法能有效缓解粒子权值退化和样本枯竭问题,缩短算法运行时间,提高估计精度,同一般的差分演化粒子滤波算法相比,状态估计的精度更高。     

基于非线性混合效应状态空间模型的粒子滤波

粒子滤波算法是一种用于解决非线性系统问题的新型算法。通常粒子滤波利用重要性重抽样算法,选用先验分布,但是其易受外部观测值影响,从而导致权重变化较大。为此,文中引入辅助粒子滤波算法进行改进,该算法优势在于前一时刻的样本在抽取时以当前的观测数据为条件,这样得到的样本更加接近真实状态。最后,通过仿真实例,进一步分析验证了辅助粒子滤波算法比采样重要性重抽样更为有效。     

基于粒子滤波的宽带信号波达方向估计

利用粒子滤波对不同频率点处的目标阵列流形进行跟踪,实现宽带信号波达方向估计.该算法基于当前时刻的观测信息,无需估计观测协方差矩阵,使得在短数据情况下仍能够取得优良的估计性能.同时算法从一组随机的初始值出发,无需预估计波达方向,并且递推过程是基于极大似然估计的思想,具有解相关的能力.计算机仿真验证了算法在短数据、低信噪比...     

基于遗传算法和神经网络的改进粒子滤波的GPS定位数据处理算法

针对GPS接收机观测噪声分布的特点和粒子滤波存在的粒子退化问题,提出基于遗传算法和神经网络的重要性权值调整粒子滤波算法。将遗传算法全局寻优的收敛性与BP神经网络局部寻优的快速性结合,改善粒子的分布。将改进粒子滤波应用于GPS定位精度改善,与神经网络辅助的粒子滤波进行比较,对比两者的有效粒子数目和训练误差。实测GPS数据处理验证表明,该算法增加了有效粒子数目,有效抑制了粒子退化,在改善GPS定位精度上取得了良好的效果。     

非线性系统故障诊断的粒子滤波方法

针对粒子滤波存在粒子退化问题,提出一种基于无迹卡尔曼滤波和部分重采样的改进的粒子滤波算法.通过无迹卡尔曼滤波产生重要性分布函数和使用部分重采样算法进行重采样,以丰富粒子的多样性.并针对非线性系统故障诊断中非高斯背景下,似然函数检测量难以导出的问题,提出一种基于多模型和似然函数值的诊断方法.仿真结果表明:改进的滤波算法的估计精度优于标准的粒子滤波算法及其现有的两种改进算法,提出的故障诊断方法能够做到快速检测与准确隔离.     

非线性非高斯模型的改进粒子滤波算法

针对被动定位跟踪系统非线性强、传统跟踪滤波方法收敛速度慢且容易发散的问题,给出了一种用于纯方位目标跟踪的改进粒子滤波算法。该算法首先用有限的高斯混合模型来近似后验状态密度;其次针对随机噪声对粒子权值准确性的影响,给出了改进的变权平均似然函数。根据χ2检验,对每个粒子权值的更新,采取由多次观测值计算粒子似然函数并对其求变权平均和单一观测值求似然函数相结合的方式进行,既减小随机观测噪声对权值的影响也提高了算法实时性;最后利用基于退火机制的Aitken加速EM算法（A-DAEM）取代传统粒子滤波的再采样过程,克服了EM算法容易陷入局部最值的缺点,改善了粒子枯竭的问题。仿真实验结果表明该算法与变权平均似然函数粒子滤波（PF-ALDP）和基于EM的高斯混合粒子滤波(EM-GMPF)相比,具有高精度估计能力和较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。      

基于扩展贝叶斯滤波的鲁棒波束成形

为提高信号源波达方向存在估计误差或不稳定时的波束成形器性能,提出了基于扩展贝叶斯滤波的鲁棒波束成形算法.将期望信号波达方向看成一组由若干离散样点组成的随机变量,对这些样点的后验概率进行估计并对后验概率低于门限值的样点进行重采样,在样点数有限的情况下获取期望信号附近样点的优化分布.通过对各样点最小方差无畸变响应(MVDR)权值的加权处理得到了优化的波束成形器权值.仿真结果表明,与典型的基于贝叶斯估计的鲁棒波束成形算法相比,文中算法能进一步提高波束成形器的鲁棒性.     

一种基于QMC-APF的检测前跟踪算法

针对粒子滤波检测前跟踪算法中存在的粒子数目大,导致计算量和存储量大的问题,提出了一种基于拟蒙特卡罗的辅助粒子滤波检测前跟踪算法。该算法通过引入拟蒙特卡罗思想,产生低差异序列代替原来算法中的伪随机序列,使得粒子分布更加均匀,可以有效降低粒子数;采用辅助粒子滤波算法,对粒子进行两次加权操作。实验仿真表明,在对雷达弱目标进行检测与跟踪的过程中,该算法能够在保证算法性能的同时减少算法中的粒子数目,有效降低计算量和存储量。     

空间域容量控制多分辨粒子滤波算法

 针对多分辨分析方法用于降低粒子滤波样本集容量时,因多次迭代引起的样本数急剧下降而导致滤波性能不稳定的问题,提出一种通过监测拟测量误差相关统计量来预警可能出现的误差扩大,当系统处于性能临界区时,在原样本空间上进行准蒙特卡罗增量采样或复制原样本集来控制样本集容量,规避滤波发散的风险.仿真实验表明该算法保持了粒子滤波算法的估计性能,同时有效降低了粒子滤波样本数目,提高了计算效率.     

一种目标特性辅助的积分粒子滤波新方法

针对非均匀稀疏采样环境下目标跟踪中的非线性滤波问题,提出了一种基于Gauss-Hermite积分和目标特性辅助的积分粒子滤波新方法(AQPF).在该方法中,构建了基于Gauss-Hermite积分的积分点概率密度函数作为重要性密度函数,同时,在时间更新阶段引入目标观测、目标观测的有效时间间隔、目标速度等目标特性,综合改善滤波器中预测粒子和预测协方差估计的准确性和粒子的多样性,有效提高目标状态的估计性能.实验结果表明,提出方法的估计性能要明显好于无迹kalman滤波(UKF)、积分kalman滤波(QKF)、粒子滤波(PF)、辅助粒子滤波(APF)和高斯粒子滤波(GPF),能够有效对目标状态进行估计.     

基于RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。     

基于QMCPF-IMM的强机动目标跟踪算法研究

为了提高雷达对机动目标的跟踪精度,通过融合拟蒙特卡罗思想,提出了一种适用于非线性非高斯系统的拟蒙特卡罗粒子滤波交互式多模型算法。该算法利用拟蒙特卡罗采样,克服传统算法采样粒子间隙过大、粒子层叠问题,增加交互式多模型对机动目标跟踪时的有效粒子数;通过区间估计理论,解决拟蒙特卡罗支撑区间难以计算问题,并结合核密度估计重采样,保证采样粒子的低等差异性。仿真结果表明：与交互式多模粒子滤波算法相比,改进算法可在保证滤波实时性的同时,提高跟踪精度。     

结合匈牙利指派和改进粒子滤波的多目标跟踪算法

使用汽车雷达进行多目标跟踪时,为了提高航迹关联效率并改善非线性场景跟踪效果,提出了结合匈牙利指派和卡尔曼重要性采样的粒子滤波(Particle Filter with Kalman Importance Sampling,PF-KIS)算法。首先,将航迹关联分解为聚类和指派,通过密度聚类筛选并整合有效目标,经过匈牙利指派得到目标和航迹的最佳匹配关系,避免产生多余联合事件,提高关联效率;其次,以卡尔曼滤波的结果作为粒子滤波的先验,使采样粒子分布更合理,提高估计精度,进而改善非线性跟踪能力。实验表明,算法平均航迹关联正确率约为95%;非线性场景误差约为卡尔曼滤波的1/2,有效地改善了非线性场景跟踪能力。     

基于UT的混合粒子滤波单站无源定位算法

为利用无源固定单站对运动辐射源快速定位,将粒子滤波和UT(unscented transformation)应用于单站无源定位,给出了一种基于UT的角度约束采样混合粒子滤波无源定位算法,该算法从UKF滤波得到建议分布,从该建议分布采样时引入角度测量对状态变量的约束,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能.与EKF、UKF(unscented kalman filter)以及基于EKF的混合粒子滤波算法的仿真比较表明,本文算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差可以接近Cramer-Rao下界.     

基于集群智能粒子滤波的弹道导弹跟踪

针对弹道跟踪问题,提出人工鱼群算法优化粒子滤波的方法.将集群智能思想引进粒子滤波,解决其粒子权值退化及粒子需求量大的缺点.首先,阐述了粒子滤波原理及其存在的一些问题.然后将人工鱼群算法融合进粒子滤波,使粒子群体向高似然方向移动,从而克服粒子权值退化问题.仿真结果说明该算法中的滤波算法的有效性.