基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性,非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性,非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.

     

多传感器分布式信息融合粒子滤波器

针对非线性非Gaussian系统的状态估计问题,提出一种基于信息融合的多传感器分布式粒子滤波算法。该算法首先利用粒子滤波方法分别计算局部传感器的状态估值,再应用分布式标量加权融合准则对状态估值进行信息融合。仿真结果表明和单传感器情形相比可提高滤波的精度。     

无线传感器网络中基于量化观测的粒子滤波状态估计

无线传感器网络环境下处理分布式状态估计问题,由于网络中的带宽限制,减少通信成本是非常重要的一个环节,需要将观测值量化后再传送.针对非线性系统的状态滤波问题,本文提出了一种基于量化观测的粒子滤波状态估计算法,并阐述了基于量化观测的状态估计过程.文中分别采用基于均匀量化(UQDPF)和非均匀量化(NUQDPF)观测的分布式粒子滤波算法进行状态估计,通过被动跟踪仿真实例,利用均方根误差(RMSE)比较了误差性能,并且比较了在不同量化级数下的非均匀量化算法的跟踪误差,仿真结果表明,基于非均匀量化观测的粒子滤波器具有更高的跟踪精度,是一种有效的非线性滤波算法.     

基于粒子滤波的分布式故障诊断

针对非线性、非高斯环境下多传感器的系统故障诊断问题,提出了一种新的基于粒子滤波的分布式故障诊断方法。通过粒子滤波得到的状态估计值的全概率分布信息可用于故障检测。首先建立系统分布式故障诊断模型,由于通信限制,假设各传感器只能向信息融合中心传输二进制数。在各观测值独立同分布的条件下,提出了分布式故障诊断算法,包括本地判决的设计和融合中心的准则设计。仿真结果表明了所提出算法的有效性和优越性。     

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.     

基于粒子滤波的工业控制网络态势感知建模

粒子滤波(Particle filtering,PF)算法能有效地对工控系统这一类非线性、非高斯噪声系统进行状态估计,但在实际采用经典粒子滤波状态估计检测攻击时,实验结果显示该方法存在很高的漏检率,无法保障系统安全.因此改进经典算法,提出了基于粒子滤波输入估计的态势理解算法.该算法在考虑系统输入与输出关系的同时,结合蒙特卡洛思想,提取工控系统态势特征,计算态势指标,最终实现态势理解.实验结果表明,该算法能有效地感知持续性攻击,并判断系统态势.     

基于高斯和近似的扩展切片高斯混合滤波器及其在多径估计中的应用

全球卫星导航系统(Global navigation satellite system, GNSS)信号的多径估计问题实际上是条件线性状态空间模型下的状态估计问题. 根据高斯和理论提出了适用于非高斯噪声环境的扩展切片高斯混合滤波(Extension of sliced Gaussian mixture filter, ESGMF)算法. 该算法将非高斯噪声的状态概率密度函数(Probability density function, PDF)表示为高斯和的形式,将ESGMF通过一组并行的切片高斯混合滤波器(Sliced Gaussian mixture filter, SGMF)来实现.同时, 在ESGMF算法中利用粒子滤波(Particle filter, PF)中重采样的思想对成指数增加的状态预测PDF的高斯混合个体进行约简, 以提高贝叶斯推理的效率.该算法可以获得非高斯噪声下状态PDF的迭代解析表达式. 最后, 将ESGMF应用于GPS多径参数估计, 仿真结果表明, ESGMF算法的估计精度优于基于PF和扩展卡尔曼滤波(Extended Kalman filter, EKF)的算法.     

改进的GMPF在动态跟踪系统中的应用

针对动态跟踪系统的非线性问题,提出一种非线性非高斯性能较优的状态估计器:考虑最新观测值的影响,使用基于平方根二阶差分(SRDD2)的高斯混合(GM)模型给出粒子滤波的建议分布.重要性采样和再采样阶段分别采用基于蒙特卡罗的重要性采样和进化的再采样方法,以减轻粒子滤波(PF)的样本退化问题,增强样本的多样性.实验结果表明,与平方根二阶差分Kalman滤波、PF、GM粒子滤波相比,该状态估计器提高了动态跟踪系统状态估计器的综合估计性能.     

一种基于SVM重采样的似然粒子滤波算法

针对弱观测噪声条件下非线性、非高斯动态系统的滤波问题,提出一种基于支持向量机的似然粒子滤波算法.首先,采用似然函数作为提议分布,融入最新的观测信息,比采用先验转移密度的一般粒子滤波算法更接近状态的真实后验密度;然后,利用当前粒子及其权值,使用支持向量机估计出状态的后验概率密度模型;最后,根据此模型重采样更新粒子集,有效地克服粒子退化现象并提高状态估计精度.仿真结果表明了所提出算法的可行性和有效性.     

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.     

基于均差滤波与高斯和的非线性非高斯系统滤波算法

针对一类非线性非高斯系统的滤波问题,在分析均差滤波算法和高斯和滤波算法的基础上,提出一种基于均差滤波的高斯和滤波算法,适于处理非线性非高斯系统的滤波问题.对于似然密度位于条件转移概率密度拖尾处的情况,与传统的粒子滤波算法相比,所提算法能提高滤波的精度和实时性.仿真实验验证了新算法的有效性.     

Algorithm of gaussian sum filter based on high-order UKF for dynamic state estimation

In this work we consider the state estimation problem in nonlinear/non-Gaussian systems. A new version of Gaussian sum estimation algorithm is developed here based on high-order unscented Kalman filter (HUKF). A sigma point selection method, high-order unscented transformation (HUT) technique is proposed for the HUKF, which can approximate the Gaussian distributions more accurately. We present the systematic formulation of Gaussian filters and develop efficient and accurate numerical integration of the optimal filter. We then go on to extend the use of the HUKF to discrete-time, nonlinear systems with additive, possibly non-Gaussian noise. The resulting filtering algorithm, called the Gaussian sum high-order unscented Kalman filter (GS-HUKF) approximates the predicted and posterior densities as a finite number of weighted sums of Gaussian densities. It is corroborated in the theoretical analysis and the simulation that the proposed Gaussian sum HUKF has integrated advantages with respect to computational accuracy and time complexity for nonlinear non-Gaussian filtering problems.     

无序量测问题研究综述

无序量测（OoSM）是多传感器融合系统亟需解决的不可回避的问题.在总结相关文献基础上,对OoSM进行了分类,从单步延时OoSM滤波、多步延时OoSM滤波、多个OoSM滤波、非线性非高斯条件OoSM粒子滤波算法、杂波/机动目标条件OoSM跟踪算法等方面,按照由简单到复杂的研究路线综述了国外开展的相关研究,并对未来研究方向进行了探讨与展望.     

一种新的非线性目标跟踪方法

在实际的目标跟踪场景中,普遍存在非高斯过程噪声和/或量测噪声,以及非高斯先验信息等情况,针对这一问题,提出一种新的解决非线性/非高斯系统滤波问题的非线性滤波算法,即高斯和求积分卡尔曼滤波（GSQKF）算法。仿真实验将新算法与标准的粒子滤波算法进行了比较,表明新算法是一种非常有效的非线性滤波算法。     

Algorithm of Gaussian Sum Filter Based on SGQF for Nonlinear Non-Gaussian Models

To improve the filtering effect of the sparse grid quadrature filter (SGQF) under non-Gaussian conditions, the Gaussian sum technique is introduced, and the Gaussian sum sparse grid quadrature filter (GSSGQF) is developed. We present a systematic formulation of the SGQF and extend it to the discrete-time nonlinear system with the non-Gaussian noise. The proposed algorithm approximates the non-Gaussian probability densities by a finite number of weighted sums of Gaussian densities, and takes the SGQF as the Gaussian sub-filter to conduct the time and measurement update for each Gaussian component. An application in the discrete-time nonlinear system with the non-Gaussian noise has been shown to demonstrate the accuracy of the GSSGQF. It outperforms the unscented Kalman filter (UKF), the cubature Kalman filter (CKF) and the SGQF. Theoretical analysis and simulation results prove that the GSSGQF provides significant performance improvement in the calculation accuracy for nonlinear non-Gaussian filtering problems.

     

MCMC粒子滤波的GPS定位数据处理算法

针对基于传统粒子滤波的GPS(Global positioning system)定位数据处理方法存在粒子退化的问题,研究了基于马尔可夫链蒙特卡罗(Markov chain Monte Carol,MCMC)粒子滤波的GPS定位数据处理算法,引入典型的MCMC方法—Metropolis Hastings(M-H)抽样算法.利用观测伪距非高斯误差分布,建立重要密度函数,将MCMC粒子滤波与建立的GPS系统非线性状态空间模型结合.实测数据实验结果表明,MCMC粒子滤波可有效抑制粒子退化,解决了GPS定位数据滤波这一非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差,与基于传统粒子滤波的GPS定位数据处理方法相比,该方法降低了定位数据经纬度和速度估计误差,获得了更高的定位精度,并能够在GPS信号质量较差情况下,对GPS定位数据有效滤波,保证载体在此期间内保持较高的位置精度.     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

A comparison of simultaneous state and parameter estimation schemes for a continuous fermentor reactor

This article proposes a maximum likelihood algorithm for simultaneous estimation of state and parameter values in nonlinear stochastic state-space models. The proposed algorithm uses a combination of expectation maximization, nonlinear filtering and smoothing algorithms. The algorithm is tested with three popular techniques for filtering namely particle filter (PF), unscented Kalman filter (UKF) and extended Kalman filter (EKF). It is shown that the proposed algorithm when used in conjunction with UKF is computationally more efficient and provides better estimates. An online recursive algorithm based on nonlinear filtering theory is also derived and is shown to perform equally well with UKF and ensemble Kalman filter (EnKF) algorithms. A continuous fermentation reactor is used to illustrate the efficacy of batch and online versions of the proposed algorithms.     

粒子滤波目标跟踪算法综述

随着人工智能科学的发展,目标跟踪成为中外学者研究的热点,近年来很多目标跟踪算法相继被提出,其中,经典的卡尔曼滤波算法常被用于目标跟踪领域。然而,在实际情况中,目标跟踪过程常涉及到非线性非高斯问题,由于粒子滤波算法在非线性非高斯系统中有较好的性能,因此将其引入目标跟踪研究领域。针对粒子滤波算法存在的跟踪精度差、实时性不高等问题,近年来国内外学者提出很多改进方法。从特征融合、算法融合和自适应粒子滤波三个方面介绍了相关改进方法的基本思想,展望了粒子滤波算法在目标跟踪领域的发展方向。