混合粒子流滤波的非线性系统参数估计算法北大核心CSCD

为了提高强环境噪声下非线性系统估计性能,基于粒子流滤波对非线性系统估计能力强的特点,文中首先利用粒子流滤波粗估计状态向量;然后,利用卡尔曼滤波平滑由强环境噪声所导致的状态向量估计误差;最后,得到混合粒子流滤波算法。对转移方程为线性而测量方程为非线性的系统估计仿真实验表明:文中算法的参数估计精度高于普通粒子流滤波算法和粒子滤波算法,计算复杂度和普通粒子流滤波算法相当且低于粒子滤波算法。     

OFDM时变信道的粒子流滤波估计算法

粒子滤波是一种基于序贯重要性采样原理的蒙特卡罗方法,其重采样步骤将导致“粒子贫化”,传统的基于粒子滤波的OFDM时变信道估计算法精度较低、计算复杂度较高。本文从消除“粒子贫化”角度出发,用粒子流的方法取代了重采样。通过建立微分方程实现贝叶斯估计,采用粒子流将粒子平滑移动到状态空间中的后验分布上,实现从先验粒子到后验粒子的更新,提出了一种基于粒子流滤波的OFDM时变信道估计算法。与基于粒子滤波的信道估计方法相比,本方法计算复杂度低,估计精度高,对环境噪声具有较好鲁棒性。      

渐进扩展卡尔曼滤波器

渐进贝叶斯方法将贝叶斯更新步骤等效为伪时间上的连续演化过程,以实现对状态的后验估计.本文基于渐进贝叶斯框架,导出一种新的高斯型非线性滤波算法.在线性高斯条件下推导了渐进贝叶斯方法的精确解;证明了对于由线性高斯解确定的动态系统,其均值和协方差矩阵满足的微分方程与常数状态估计的Kalman-Bucy滤波器是一致的.对于非线性系统,利用一阶Taylor展开推导了近似解表达式,进而导出渐进扩展卡尔曼滤波器.仿真算例表明新滤波器性能较扩展卡尔曼滤波器有大幅提高,且避免了窄形似然函数带来的滤波性能恶化问题.     

非线性高斯系统边缘分布多目标贝叶斯滤波器

为解决存在数据关联不确定、检测不确定和杂波情况下的多目标跟踪问题,提出了一种新的多目标贝叶斯滤波器.代替维持多目标状态的联合后验密度,所提出的贝叶斯滤波器联合传递各个目标状态的边缘分布和它们的存在概率.为了处理目标运动和传感器测量模型中的非线性,利用无迹变换技术提出了一种非线性高斯条件下边缘分布贝叶斯滤波器的近似实现算法.仿真实验结果表明,与PHD(Probability Hypothesis Density)滤波器相比,所提出的滤波器具有更好的多目标跟踪能力.     

高斯-厄米特粒子滤波器

针对非线性、非高斯系统状态的在线估计问题,本文提出一种新的基于序贯重要性抽样的粒子滤波算法.在滤波算法中,我们用一簇高斯-厄米特滤波器(GHF)来产生重要性概率密度函数.此概率密度在系统状态的转移概率的基础上融入最新的观测数据,因此更接近于系统状态的后验概率.理论分析与实验结果表明:在观测模型具有高精度的场合或似然函数位于系统状态转移概率的尾部时,用GHF产生重要性概率密度函数的粒子滤波即高斯-厄米特粒子滤波(GHPF)的性能要明显地优于标准的粒子滤波、扩展的卡尔曼滤波、GHF.     

自偶置换滤波器

制约置换滤波器实用的关键是其参数数量过于庞大。文中提出具有自偶特性的置换滤波器结构。该滤波器较一般置换滤波器的参数数量减半，但实验表明，它们的性能却非常接近。     

粒子流粒子滤波检测前跟踪方法

检测前跟踪通过在连续多帧观测中对目标信号进行非相参积累以检测和跟踪微弱目标。积累的关键在于对目标轨迹的准确估计和多帧迭代滤波。传统粒子滤波器过于依赖建议分布，对目标轨迹的估计不够准确。新提出的粒子流滤波器是一种很好的替代方法，但其过于依赖当前时刻的量测而弱化多帧迭代滤波。本文提出一种在粒子滤波框架下采用粒子流的检测前跟踪方法:采用粒子滤波器进行多帧迭代滤波，但在每一帧内，采用Localized Exact Daum-Huang粒子流进行滤波。为了应对目标量测的不确定性，本文改造了Localized Exact Daum-Huang滤波器，为每个粒子在其邻域内寻找最大似然量测，并利用该量测更新粒子状态。Rayleigh分布杂波下Swerling1型起伏目标的检测和跟踪实验证明了所提算法的性能。      

UPF算法在状态估计中的应用

首先分析了基于贝叶斯理论的粒子滤波算法的原理：然后在分析采样-重要性-重采样算法基础上讨论了粒子滤波算法存在的主要问题,研究了一种使用UKF产生重点密度函数的粒子滤波算法（UPF）;最后通过实例将该算法与粒子滤波算法进行比较,仿真结果表明UPF算法运算时间低于粒子滤波算法.     

基于径向基-Galerkin解的反馈粒子滤波器

反馈粒子滤波器(FPF)是一种连续时间最优贝叶斯估计器.针对FPF对系统采样率要求较高的问题,提出一种基于径向基函数-Galerkin法求解的反馈粒子滤波器.该算法推导了反馈增益势函数所满足偏微分方程的弱形式,结合径向基函数对势函数进行近似,利用Galerkin法和蒙特卡罗积分得到了反馈增益近似解,并给出了一种径向基参数选取方法,从数值上分析了径向基函数参数选取对于滤波精度的影响.仿真算例表明反馈粒子滤波器在低系统采样率下会严重发散,而本文算法能够避免这一问题,且提高了FPF在低系统采样率下的滤波精度和稳定性.     

强跟踪Unscented滤波器及其在无源跟踪中的应用

本文研究用递推算法实现只测量到达角和多普勒频移的无源双基地雷达的目标运动分析。基于Unscented卡尔曼滤波器和强跟踪滤波器,提出了一种新的强跟踪Unscented滤波器算法。新算法在无源双基地雷达目标跟踪的仿真实验中显示了高精度鲁棒滤波的性能。     

UPF算法及其在目标跟踪中的应用

分析了基于贝叶斯理论的粒子滤波算法的优缺点,研究了一种改进的粒子滤波(PF)算法UPF。将两种算法在目标跟踪中的性能进行了比较。仿真结果表明,改进算法UPF定位精度更高,抗噪声能力更强,实时性更好。     

基于观测迭代的插值粒子滤波算法

基于序贯重要性抽样(SIS)及贝叶斯理论的粒子滤波能够很好地处理非线性及非高斯问题。如何选取重要密度函数以减小粒子退化影响提高粒子滤波精度是粒子滤波的主要问题之一。传统粒子滤波器以高斯分布作为参考分布。由于没有利用新的观测,通常需要大量的粒子才能准确表达状态后验分布。本文采用基于观测迭代的插值参考分布提高重要密度函数估计精度,减少了后验概率密度估计误差,同时结合观测系统的最近一次的量测,更好的匹配后验概率密度。 仿真结果显示该滤波器要优于其他粒子滤波器。      

粒子滤波器及其在目标跟踪中的应用

为了在物理条件下对目标进行精确建模，有时需要运用非线性、非高斯系统。而常规的卡尔曼滤波算法要求系统是线性高斯型的，因而不能直接用来解决非线性、非高斯问题。为了解决这一问题，人们开发出各种非线性滤波算法。一种是扩展卡尔曼算法(EKF)，它对非线性系统进行局部线性化，从而间接利用卡尔曼算法进行滤波与估算；另一种是序列蒙特卡罗算法，亦即粒子滤波器(PF)，它是最近出现的解决非线性问题的有效算法。本文简要介绍非线性跟踪的最优与次优贝叶斯算法，重点关注粒子滤波器，通过再入大气层弹道目标的例子，说明PF在目标跟踪中的应用。     

基于最优采样函数的粒子滤波算法与贝叶斯估计

传统粒子滤波器(PF)直接根据状态演化方程产生新的粒子,由于没有考虑新近观测对状态估计的影响,这种滤波器性能较差,即便在粒子数目很大的情况也是如此。为此,本文提出一种基于序贯重要采样(SIS)的改进粒子滤波算法,该算法采用集成了新近观测量的最优采样(或重要密度)函数指导粒子的生成,使粒子权值的方差最小化,能有效减轻粒子退化问题;同时。在粒子重采样之后增加了马尔科夫链蒙特卡洛(MCMC)过程,消除了重采样引起的粒子贫化的负面影响,从而使粒子的多样性得以保持。对非线性系统的状态估计和只测角跟踪的仿真实例均表明,本文所提出的算法比传统估计算法如EKF,UKF具有更高的精度和更强的鲁棒性;与标准PF相比,其性能也有较大的提高,并可以在相同的估计精度下大大减少所需的粒子数目,是一种有效的非线性滤波算法。     

一种卡尔曼滤波与粒子滤波相结合的非线性滤波算法

提出一种基于卡尔曼滤波与粒子滤波的非线性滤波算法.这种方法对于状态变量服从线性变化而观测方程为非线性的动态系统模型具有显著的效果.首先使用粒子滤波对状态变量进行初估计,然后对估计结果进行卡尔曼滤波,另外推导出该系统模型下状态变量估计误差的克拉美劳下界.通过计算复杂度分析及仿真实验验证,表明新方法与标准粒子滤波算法复杂度相当,但参数估计精度要高于标准粒子滤波以及扩展卡尔曼滤波算法,估计误差甚至要低于系统模型的克拉美劳下界.     

基于粒子滤波理论的雷达多目标TBD检测

粒子滤波理论适用于在非线性和非高斯环境下的目标跟踪与检测。文中基于序列重要性采样定理,提出了模型环境和多雷达目标检测的递归贝叶斯TBD算法。此算法在基本粒子滤波算法SIR的基础上,采用多模型粒子滤波器实现了多雷达目标的检测。仿真结果表明,算法能够有效地进行目标跟踪与检测。     

改进粒子滤波算法在目标状态估计中的应用

针对粒子滤波算法(PF)建议性函数的选择问题和粒子匮乏现象,提出了改进粒子滤波算法.该算法利用无迹卡尔曼滤波(UKF)产生建议性分布,提高估计精度;采用马尔科夫蒙特卡罗法(MCMC)保持粒子多样性,抑制粒子匮乏现象.仿真结果表明该算法的目标状态估计精度明显优于PF、UPF、PF-MCMC和PF-EKF-MCMC算法.     

基于粒子滤波算法的DS-CDMA多用户检测

粒子滤波算法是一种基于贝叶斯估计的蒙特卡罗方法,尤其适用于处理非线性、非高斯系统的状态估计问题。该算法应用于DS-CDMA系统的多用户检测中,检测器能在检测性能和计算复杂度之间取得很好的平衡。基于粒子滤波算法的多用户检测器在性能上逼近于最优多用户检测器,而计算复杂度远低于最优多用户检测器,与次优多用户检测器相当。利用白化匹配滤波器的输出可以建立同步DS-CDMA系统的状态空间方程,使得粒子滤波算法应用于多用户检测中。仿真实例证明了基于粒子滤波算法的多用户检测器在等功率和远近效应的情况下的性能优势。     

基于权重一致性优化的实时Marginalized粒子滤波算法

针对Marginalized粒子滤波中随机量测噪声对于非线性状态估计精度的不利影响以及线性状态估计中计算量较大问题,提出了一种基于权重一致性优化的实时Marginalized粒子滤波算法.首先,结合量测系统建模中先验信息的提取和利用,通过粒子权重间一致性距离和一致性矩阵的构建,提出了量测提升策略下权重的一致性优化方法,以改善粒子滤波在非线性状态估计中的滤波精度.其次,通过对Marginalized粒子滤波实现中时间更新和量测更新环节的结构优化,给出了实时Marginalized粒子滤波,以降低蒙特卡罗仿真实现下卡尔曼滤波在状态线性估计中的计算复杂度.最后,在两者的动态结合基础上给出了新算法具体实现步骤.利用基于单站雷达目标跟踪仿真场景,分析了算法性能.理论分析和仿真实验结果验证了算法的可行性和有效性.     

基于高斯粒子滤波算法的改进及应用

针对粒子滤波存在的样本贫化现象,提出了一种优化重选样本粒子的粒子滤波算法。这种方法在引入最新量测后将状态后验概率密度逼近为一个高斯分布,在粒子贫化问题逐渐凸显后,通过该分布重新采集粒子后再进行运算,有效缓解了传统方法在粒子贫化后出现的滤波精度下降的问题。仿真结果表明,新的粒子滤波算法有更高的滤波精度和运行效率。