共查询到19条相似文献,搜索用时 171 毫秒
1.
针对非线性非高斯的目标跟踪,传统的卡尔曼滤波和扩展卡尔曼滤波等算法将会出现滤波精度下降甚至发散的现象,提出了采用粒子滤波算法来解决非线性滤波问题;粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势,但是存在运算量大和实时性差的问题,因此提出了基于EKF的扩展粒子滤波;仿真结果表明:在强非线性非高斯环境下,PF算法的跟踪性能优于EKF算法,基于EKF的扩展粒子滤波能够取得较好的跟踪精度,并且能够有效的减少粒子滤波的运算量。 相似文献
2.
为消除导引头天线罩引入的瞄准误差对制导系统稳定性和精度造成的负面影响,提出了一种基于神经网络和无迹卡尔曼滤波融合的天线罩误差斜率估计方法。考虑先验模型知识,分别建立导引头、自动驾驶仪、弹目相对运动系统和弹体动力学系统的动态模型,选取真实视线角、视角和天线罩误差斜率作为状态变量,根据视线角观测值建立测量模型。考虑到模型的不确定性,基于神经网络技术学习非线性滤波模型中的动力学方程,结合无迹卡尔曼滤波技术,根据所学习的代理模型和带噪声的系统量测,对天线罩误差斜率等状态进行实时在线估计。与传统采用非线性滤波技术的天线罩误差斜率估计方法相比,本方法基于数据驱动思想,减少了对精确动力学模型的依赖,能有效消除模型不确定性的影响。与单纯采用离线训练构造的神经网络相比,本方法结合贝叶斯滤波理论,对实时数据具有更强的适应性。经多次仿真实验,证实该方法能够有效控制预测误差,具有较高精度。 相似文献
3.
4.
探讨了目标运动分析中基本的非线性估计问题。介绍了粒子滤波的基本思想和免重采样高斯PF(GPF)算法的基本原理.特别针对空-海单站只测方位-多普勒TMA(BDO-TMA)问题应用GPF和EKF(扩展卡尔曼滤波)进行了对照研究,建立了问题的离散非线性滤波估计模型.设计了典型的应用场景,给出了MonteCarlo仿真运行结果;表明GPF具有更高的估计精度、更好的收敛特性和滤波一致性。 相似文献
5.
6.
为解决非线性、非高斯条件下动基座传递对准中采用卡尔曼滤波误差较大且可能发散的问题,引入了混合退火粒子滤波.在滤波算法中,用状态参数分解和退火因子来产生重要性概率密度函数,进行重要性抽样,再进行重采样,得到系统状态的后验均值估计.仿真结果表明,这种混合退火粒子滤波与扩展卡尔曼滤波相比,精度提高了2倍,时间减少了10s. 相似文献
7.
8.
9.
10.
《水雷战与舰船防护》2015,(4)
针对经典粒子滤波(PF)对磁偶极子跟踪高维模型估计时存在的"维数灾"问题,提出一种基于混合卡尔曼滤波(MKF)的方法进行求解。该方法通过导出磁偶极子跟踪的条件线性高斯模型,利用混合卡尔曼滤波算法,将状态变量分离为线性部分和非线性部分;利用卡尔曼滤波和粒子滤波进行耦合处理,克服了经典粒子滤波直接用于磁偶极子跟踪出现的精度不高和滤波发散问题。通过仿真实验将该方法与基于PF的磁偶极子目标跟踪方法进行了对比,结果表明算法精度较高,且性能稳定。 相似文献
11.
12.
13.
We propose a target tracking method based on particle filtering(PF) to solve the nonlinear non-Gaussian targettracking problem in the bistatic radar systems using external radiation sources. Traditional nonlinear state estimation method is extended Kalman filtering (EKF), which is to do the first level Taylor series extension. It will cause an inaccuracy or even a scatter estimation result on condition that there is either a highly nonlinear target or a large noise square-error. Besides, Kalman filtering is the optimal resolution under a Gaussian noise assumption, and is not suitable to the nonGaussian condition. PF is a sort of statistic filtering based on Monte Carlo simulation that is using some random samples (particles) to simulate the posterior probability density of system random variables. This method can be used in any nonlinear random system. It can be concluded through simulation that PF can achieve higher accuracy than the traditional EKF. 相似文献
14.
介绍了高斯粒子滤波器(GPF)的基本思想和具体算法的实现步骤,并讨论了此算法在机动目标转弯模型跟踪中的应用,在闪烁噪声下比较了高斯粒子滤波器、粒子滤波器(PF)和扩展卡尔曼滤波器(EKF)的跟踪性能差异。仿真结果表明,GPF有效地改善了目标跟踪的效果,相比PF在精度和计算复杂度方面均有了明显改善。 相似文献
15.
基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计 总被引:1,自引:0,他引:1
为解决锂电池荷电状态(SOC)难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波(IPSO-EKF)算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明:IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。 相似文献
16.
17.
18.
针对移动台的单站跟踪问题,以"到达时间和与到达时间差(TSOA/TDOA)"新型混合定位技术作为基础,提出一种基于"到达时间和与到达时间差"混合被动单站定位模型的无迹卡尔曼滤波跟踪算法。该算法以观测到的有噪信息为基础,引入"到达时间和与到达时间差"观测模式,使用受随机加速影响的匀速运动状态作为跟踪算法的状态模型,将无迹卡尔曼滤波(UKF)算法应用在移动台的定位跟踪上,实现了对移动台的位移和速度的同步跟踪。仿真结果表明:无迹卡尔曼滤波算法应用移动台跟踪系统是有效的;与扩展卡尔曼滤波相比,其跟踪算法的滤波精度、稳定性更优。 相似文献
19.
非平稳非高斯测量噪声条件下改进差分粒子滤波算法研究 总被引:1,自引:0,他引:1
针对非平稳非高斯测量噪声(NSNGN)条件下差分粒子滤波(DDPF)算法状态估计精度低、易发散的问题,提出了一种改进DDPF(IDDPF)算法. IDDPF算法采用高斯混合密度函数近似估计测量噪声,替代传统算法中测量噪声的高斯密度函数近似估计,采用似然函数的对数最大化法求解高斯混合密度函数模型参数,并将该模型应用于粒子权值计算,避免了高斯密度函数近似估计噪声模型所易于导致的粒子退化问题;通过建立水下目标纯方位角跟踪系统模型,将IDDPF算法应用于闪烁测量噪声条件下水下目标纯方位角跟踪问题的求解。50次Monte Carlo对比仿真实验结果表明:在NSNGN条件下IDDPF算法具有跟踪响应快、估计精度高、鲁棒性较好等优点。 相似文献