MCMC粒子滤波算法研究及应用

粒子滤波算法是一种基于贝叶斯估计的蒙特卡罗方法,适用于非线性非高斯系统的分析,被广泛应用于跟踪、定位等问题的研究中。为了解决粒子滤波算法在重采样后,丧失粒子多样性的问题,本文在粒子滤波算法的重采样步骤后,加入了马尔可夫链蒙特卡罗（Markov Chain Monte Carlo,简称MCMC）移动步骤,增加粒子的多样性。利用粒子滤波算法和MCMC粒子滤波算法对目标跟踪问题进行了仿真,并且通过分析仿真实验结果,比较了两种算法的性能,结果说明加入MCMC粒子滤波算法的性能优于粒子滤波算法。     

基于阵列单通道的机动目标DOA跟踪方法

针对现有利用阵列单通道系统对机动目标跟踪精度不高,实时性差等不足,提出了一种新的基于改进粒子滤波算法的阵列单通道机动目标波达方向(direction of arrival, DOA)跟踪方法。该方法首先在利用接收机轮流采样建立数学模型的基础上,建立跟踪模型。然后,利用粒子群优化算法对马尔科夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)粒子滤波算法的重采样环节进行优化处理,给出了一种交互MCMC粒子滤波算法,该算法克服了传统粒子滤波算法粒子退化及样本贫化的固有缺陷。最后利用该算法求解跟踪方程,实现了实时DOA估计。理论分析与仿真结果表明,本文方法可实现基于阵列单通道的DOA跟踪与波束形成一体化,且能够处理相干信号,与标准粒子滤波和子空间类算法相比,收敛速度快,跟踪精度高。      

Remaining useful life prediction of lithium-ion battery using an improved UPF method based on MCMC

Lithium-ion batteries are widely used as power sources in various portable electronics, hybrid electric vehicles, aeronautic and aerospace engineering, etc. To ensure an uninterruptible power supply, the remaining useful life (RUL) prediction of lithium-ion batteries has attracted extensive attention in recent years. This paper proposed an improved unscented particle filter (IUPF) method for lithium-ion battery RUL prediction based on Markov chain Monte Carlo (MCMC). The method uses the MCMC to solve the problem of sample impoverishment in UPF algorithm. Additionally, the IUPF method is proposed on the basis of UPF, so it can also suppress the particle degradation existing in the standard PF algorithm. In this work, the IUPF method is introduced firstly. Then, the capacity data of lithium-ion batteries are collected and the empirical capacity degradation model is established. The proposed method is used to estimate the RUL of lithium-ion battery. The RUL prediction results demonstrate the effectiveness and advantage.     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。     

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。     

一种基于混合MCMC的时域波达方向估计算法

基于马尔科夫链蒙特卡洛（Markov Chain Monte Carlo,MCMC）方法的时域波达方向估计算法通过构造马尔科夫链的方式来对波达方向进行估计,但是现有的算法在马尔科夫链的收敛速度和结果上并没有表现出很好的鲁棒性。为了优化算法的性能,采用多(短)链并行的方式代替原来的长链生成方式,提高了算法收敛的稳定性;并对特定模型下的构造过程进行分析,优化了状态空间,提高了算法的搜索效率;同时结合多混合的MCMC方法,进一步提高了算法估计的精确度和收敛速度。仿真结果表明,改进后的算法对波达方向估计的准确性和实时性都有很大提升。     

一种基于模型概率单调性变化的自适应IMM-UKF改进算法

针对现有交互式多模型(IMM)算法模型间切换迟滞和转换速率慢的缺点,提出一种基于模型概率单调性变化的自适应交互式多模型无迹卡尔曼滤波改进算法(mIMM-UKF)。该算法利用后验信息模型概率的单调性,对马尔可夫转移概率矩阵及模型估计概率进行二次修正,加快了匹配模型的切换速度及转换速率。仿真结果表明,与现有算法相比,该算法通过快速切换匹配模型,有效提高了水下目标跟踪精度。     

变结构多模型临近空间高超声速飞行器跟踪算法

针对传统跟踪算法跟踪临近空间高超声速目标时计算量大、跟踪精度低的问题,提出了一种变结构多模型跟踪算法。在分析传统跟踪算法的基础上,建立了一种变转移概率、变模型数量的目标模型,通过目标运动状态辨识方法,确定目标飞行阶段,并选择相应滤波模型和模型转移概率,实现变结构多模型跟踪。Monte Carlo 仿真结果表明:新算法能够实现对临近空间高超声速飞行器的有效跟踪,跟踪性能比传统变结构多模型跟踪算法更加优越,具有一定实用性和可推广性。     

基于广义UT变换的交互式多模型粒子滤波算法

 针对粒子滤波中重采样过程与优化提议分布的处理方式导致的粒子溃退和算法实时性下降问题,通过广义UT变换原理和卡尔曼滤波预测更新机制的引入,实现当前量测信息对于状态估计结果的直接优化,给出了一种基于广义UT变换的粒子滤波算法。另外,将改进后算法与交互式多模型相结合,进而提出了一种基于广义UT变换的交互式多模型粒子滤波算法．理论分析和仿真结果表明：新算法在计算复杂度方面与标准粒子滤波相近,在滤波精度方面优于标准粒子滤波及其改进算法．     

复合K噪声下机动目标跟踪自适应UPF算法

针对复合K噪声下机动目标跟踪系统具有强非线性非高斯的特点,提出了一种自适应无迹粒子滤波(Adaptive Unscented Particle Filter,AUPF)算法.该算法建立在常加速模型及其改进滤波算法基础上,并将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)与强跟踪滤波(Strong Tracking Filter,STF)算法相结合作为提议分布,提高了系统跟踪一般机动和阶跃机动的能力.在给出复合K噪声模型的基础上,利用AUPF算法对几种典型机动目标进行了计算机仿真,并同无迹粒子滤波(Unscented Particle Filter,UPF)算法进行了比较.仿真结果表明,复合K噪声下AUPF算法能更有效地对各种机动目标进行跟踪,具有较高的跟踪精度.     

A new likelihood-based modulation classification algorithm using MCMC

In this paper, a new likelihood-based method for classifying phase-amplitude-modulated signals in Additive White Gaussian Noise (AWGN) is proposed. The method introduces a new Markov Chain Monte Carlo (MCMC) algorithm, called the Adaptive Metropolis (AM) algorithm, to directly generate the samples of the target posterior distribution and implement the multidimensional integrals of likelihood function. Modulation classification is achieved along with joint estimation of unknown parameters by running an ergodic Markov Chain. Simulation results show that the proposed method has the advantages of high accuracy and robustness to phase and frequency offset.     

基于格拉斯曼流形的状态跟踪方法研究

传统的格拉斯曼流形状态估计是将状态空间模型置于格拉斯曼流行上,在后验跟踪模型的基础上递推估计。但是,该方法将观测模型和噪声都限制在格拉斯曼流形上会产生较大误差。针对上述问题,提出一种基于格拉斯曼流形的粒子滤波算法(Grass-Mann Manifolds-Paticle Filter,GM-PF),利用粒子滤波算法估计流形上的隐马尔科夫过程。仿真实例表明,该方法显著提高了流形上的隐马尔可夫过程的估计精度,且当噪声逐渐增大时,粒子滤波算法表现出良好的抗干扰能力和跟踪性能。     

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时, 使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。     

基于粒子滤波的视频图像目标遮挡算法研究

基于粒子滤波的视频图像目标遮挡算法是当前的一个热门研究领域.在对于视频图像目标跟踪方面,综合运用了多种算法进行检测和跟踪,详细分析光流法、帧间差分法、背景差分法和视频图像目标特征的提取,并在最后对帧间差分的算法进行了改进.通过实验证明,采用基于粒子滤波的视频图像目标遮挡算法能够更加有效地解决对跟踪目标的准确判断.     

基于改进“当前”统计模型的机动目标IMM跟踪算法

交互式多模型(IMM)算法是一种有效的机动目标跟踪算法,但其性能与模型的选择、个数以及参数有关。文中提出了一种基于改进的“当前”统计模型的交互式多模型算法,改进的“当前”统计模型提高了对机动目标的跟踪能力,而常速模型对匀速目标跟踪性能良好,IMM算法通过两种模型的交互作用可以实现对目标状态的自适应估计;同时,该算法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素。最后,通过Monte Carlo仿真进一步验证了该算法的有效性。     

多子阵互耦影响下的非圆信号自校正算法

针对多子阵互耦影响下的非圆信号波达方向(Direction-Of-Arrival,DOA)估计问题,给出了一种针对最大非圆率信号的互耦自校正算法.该算法利用均匀线阵互耦矩阵的带状、对称Toeplitz性和多子阵互耦矩阵的块状对角特性,能够与传统的互耦秩减估计器一样避免多维搜索和迭代运算.并且通过结合信号的非圆特性来扩展数据模型,使得其估计精度较传统的互耦秩减估计算法有明显提升,可分辨信源数也有所增加.对该算法的理论性能进行研究,分析了其对未知参数的可辨识性必要条件,并基于最大非圆率信号模型给出了相应的克拉美罗界(Cramér-Rao Bound,CRB).仿真结果表明,该算法较传统的互耦秩减估计算法在低信噪比、小快拍数下有更强的鲁棒性.     

Extensions of the SMC-PHD filters for jump Markov systems

The probability hypothesis density (PHD) filter is a promising algorithm for multitarget tracking, which can be extended for jump Markov systems (JMS). Since the existing multiple model sequential Monte Carlo PHD (MM SMC-PHD) filter is not interacting, two extensions of the SMC-PHD filters are developed in this paper. The interacting multiple-model (IMM) SMC-PHD filter approximates the model conditional PHD of target states by particles, and performs the interaction by resampling without any a priori assumption of the noise. The IMM Rao-Blackwellized particle (RBP) PHD filter uses the idea of Rao-Blackwellized to further enhance the performance of target state estimation for JMS with mixed linear/nonlinear state space models. The simulation results show that the proposed algorithms have better performances than the existing MM SMC-PHD filter in terms of state filtering and target number estimation.     

一种无线传感器网络中目标跟踪的自适应节点调度算法

在无线传感器网络目标跟踪的过程中进行节点调度,可以综合考虑跟踪误差和能量消耗,延长传感器网络的使用寿命。为了综合考虑节点调度的短期和长远损失,该文将问题建模为部分可观测马尔科夫决策过程(POMDP)以得到更优的调度策略,并提出一种近似求解算法C-QMDP。该算法利用马尔科夫链蒙特卡洛方法(MCMC)推导连续状态空间的置信状态的转移,并计算瞬时代价。使用状态离散化方法,基于马尔科夫决策过程(MDP)值迭代求解未来代价的近似值。仿真结果表明,相比现有POMDP近似算法,该文算法既可以降低跟踪过程中的累积损失,又可以将大量运算进行离线计算,减小了在线决策时的计算量。     

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.