应用于光电目标跟踪的变窗宽核粒子滤波

核函数粒子滤波(KPF)是小噪声动态系统目标跟踪的一种有效方法,核窗宽选择是该方法中核密度估计的核心问题。本文提出了一种基于协方差的变窗宽核粒子滤波算法。该方法首先通过粒子集的协方差矩阵估计粒子的粗略核窗宽和其粗略的后验概率密度,然后调节全局核窗宽获得适用于每一个粒子的精确核窗宽,提高核密度的估计精度;然后,通过迭代寻找后验概率模型,使得粒子集能够在核密度估计后向后验概率密度的真实分布移动,从而提高跟踪精度。通过这种方法生成的新粒子是对后验概率密度的一个更加近似的表达。实验结果表明,在小噪声动态系统中,本文提出的变窗宽核函数粒子滤波在光电目标跟踪的性能和效率(PF的20%粒子数目)上都优于传统的粒子滤波(PF)、UPF(Unscented Particle Filter)以及KPF方法。     

径向基粒子滤波状态跟踪测量算法

状态跟踪测量的过程噪声降低了目标信噪比,增加了自适应滤波跟踪的难度。当误差较大时,基本粒子滤波算法的预测累积误差效应将导致系统发散。无迹粒子滤波算法利用无迹卡尔曼滤波提高重要性函数估计精度,减少后验概率密度分布误差,但同时也将大幅增加运算时间。提出一种基于径向基函数网络(RBFN)的改进型粒子滤波算法PF-RBF,利用RBFN通过目标状态观测值和全局预测值拟合状态变化趋势,更新各粒子状态,提高先验概率密度分布估计精度,消除过程噪声引起的估计误差。与无迹粒子滤波(UPF)算法相比,该算法无需构造无迹卡尔曼滤波(UKF)重要性函数,提高了运算速度。机动目标跟踪试验表明,径向基粒子滤波算法在线性和非线性观测方程下的状态跟踪测量精度和算法稳定性均优于UKF、PF和UPF算法,可有效实现对状态变化的实时鲁棒跟踪。当参与运算的粒子数增加时,PF-RBF算法执行时间的增长速率较UPF算法更低,可满足高精度状态跟踪应用。     

基于估计点的双窗宽核密度估计算法

针对核密度估计中窗宽确定困难的问题,提出了基于估计点的滑动双窗宽核密度估计算法.通过采用固定窗宽的密度估计函数代替假设的正态分布密度函数以及增加求解二次导数的窗宽的方法,对估计域中的每一估计点求取其最优窗宽值,实现了窗宽根据样本的分布情况,在不同的估计点自动调整窗宽的取值.文中给出了算法的具体推导以及实现步骤,给出了多...     

分层近似粒子滤波及其在陀螺寻北中的应用

针对粒子滤波的粒子退化和匮乏等问题,在粒子滤波和网格近似的基础上,提出了一种采用分层近似策略的粒子滤波改进算法.改进算法利用高斯分布对后验概率密度进行近似,并在连续分布的后验概率密度上进行分层近似,从而获得更具效率的粒子,提高了粒子滤波的精度.光纤陀螺的寻北精度主要取决于光纤陀螺自身的性能以及所采用的寻北方案,将采用分层近似策略的改进粒子滤波算法应用于光纤陀螺的寻北方案中,能够有效地解决光纤陀螺寻北中的非线性状态估计问题,提高光纤陀螺的寻北精度.     

基于FCM聚类的粒子滤波多目标跟踪算法

针对多目标跟踪中相似目标的发散问题和跟踪核函数窗宽固定的缺陷,提出一种基于FCM(fuzzy C-means)聚类的粒子滤波算法.该算法结合经典粒子滤波理论,使用可变椭圆作为粒子区域,在粒子滤波的重要性重采样后,通过Mean-Shift算法获得每个目标的聚类中心,使用FCM聚类算法完成粒子聚类,获得相应目标的粒子子群,最后通过粒子子群估计各目标的最终状态并修正核窗口宽度.实验表明,与传统粒子滤波算法相比,该算法解决了传统粒子滤波的发散问题,减少了粒子数量,能够准确地对多目标进行跟踪,具有很好的鲁棒性和实时性.     

无线传感器网络的分布式目标跟踪研究

针对无线传感器网络节点计算能力和能量受限问题,提出一种分布式并行扩展卡尔曼粒子滤波算法.在网络动态分簇模型上,簇头将粒子集划分为多个子集,并分配到簇内各个传感器节点中并行运行,最后在簇头进行信息融合,得到目标状态估计.算法提高了粒子滤波效率,避免单个节点能量过度消耗,均衡了网络能耗.同时,算法利用扩展卡尔曼滤波器来产生粒子滤波的重要性密度函数,使得重要性密度函数抽样样本更加接近后验概率密度产生的样本.仿真结果表明,算法对运动目标能实现较好的预测和跟踪,跟踪精度高,并能有效平衡网络能耗.实验结果说明了提出算法的有效性和可行性.     

基于高斯和与SCKF的非线性非高斯滤波算法

针对均方根容积卡尔曼滤波(SCKF)对非高斯情况滤波效果差的问题,在分析SCKF和高斯和滤波基础上,提出一种高斯和均方根容积卡尔曼滤波新算法。算法采用高斯和形式来逼近非高斯后验概率密度,将SCKF作为子滤波器,对每个高斯分量进行时间和量测更新,使其有效解决非线性非高斯滤波问题。仿真结果表明,高斯和均方根容积卡尔曼滤波估计精度高于粒子滤波和高斯和扩展卡尔曼滤波算法,与容积粒子滤波精度相当,但耗时约为容积粒子滤波的15%,是一种较好平衡跟踪精度和实时性的非线性非高斯滤波算法。     

基于粒子滤波处理GPS定位信息的研究

为提高GPS接收机的定位性能,首先对采样粒子数目进行研究,发现并不是采样粒子数目越多粒子滤波(Particle Filter,PF)的滤波效果就越好。然后针对PF算法中存在的粒子退化现象,研究PF算法与扩展卡尔曼滤波算法(the Extended Kalman Filter,EKF)处理加入了高斯噪声干扰的非线性模型,仿真并分析得到,PF在处理高斯非线性模型的时候滤波效果要优于EKF算法,试验中发现PF算法在粒子数目较大的时候滤波效果远远偏离真实值,试想通过EKF算法计算取得的均值和方差来引导PF算法进行下一步采样,以此建立较好的重要性密度函数。试验表明经过扩展卡尔曼滤波改进的粒子滤波算法相比PF算法更加精确,平缓性更好。     

基于平方根容积机器人蒙特卡罗定位算法研究

针对移动机器人Monte Carlo定位中粒子滤d波存在的粒子退化和粒子多样性匮乏问题,提出基于平方根容积粒子滤波的移动机器人Monte Carlo定位算法。新算法采用平方根容积卡尔曼滤波精确设计粒子的重要性函数,将当前观测信息融入重要性采样过程,提高对真实状态后验概率的逼近程度;新算法在Monte Carlo定位中直接传播及更新协方差阵的平方根因子,避免协方差阵分解与重构过程,保证协方差阵的对称性及正定性;基于排序的自适应局部重采样仅对部分粒子进行重采样,降低计算代价,增加粒子多样性;进而提高算法估计精度和一致性。实验结果表明:相同粒子条件下,新算法的计算代价比容积Monte Carlo定位算法约减少8%,不同粒子数目约多40%;新算法(10个粒子)的估计精度高于Monte Carlo定位算法(100个粒子),高于容积Monte Carlo定位算法(30个粒子)。     

目标跟踪中非线性滤波算法的研究

介绍了3种非线性估计方法.在处理目标跟踪等动态系统实时估计问题中,EKF将系统进行线性化近似时存在估计误差,从而影响目标跟踪的精度;PF对系统噪声和量测噪声的概率分布没有要求;RPF是改进的粒子滤波算法.分析了EKF、PF和RPF算法的原理,比较了3种算法的性能差异.仿真结果表明,PF滤波精度优于EKF,而RPF在精度和计算复杂度等方面均优于PF,且随着粒子数目的增加,PF和RPF的精度也不断提升.     

分布式Unscented粒子滤波跟踪

提出了一种新的分布式粒子跟踪算法,该算法主要考虑传感网络能量受限、通信受限等特性,改善了通常的分布式粒子滤波粒子数目大、节点间信息交换多的弊端,能够用较少的节点计算得到对机动目标更好的跟踪结果,实现了改进的分布式粒子滤波(DUPF).DUPF算法的主要思想是利用Unscented Kalman滤波改进分布式粒子滤波算法形成一个建议分布,用来生成粒子分布,在这个基础上,通过分布式粒子滤波实现目标的在线跟踪.仿真实验表明,和分布式粒子滤波相比,DUPF只需要其25%的粒子数目就能达到同样的跟踪精度,即可用较少的节点和通信消耗,实现高精度的目标跟踪.     

Distributed observers for pose estimation in the presence of inertial sensory soft faults

Distributed Particle-Kalman Filter based observers are designed in this paper for inertial sensors (gyroscope and accelerometer) soft faults (biases and drifts) and rigid body pose estimation. The observers fuse inertial sensors with Photogrammetric camera. Linear and angular accelerations as unknown inputs of velocity and attitude rate dynamics, respectively, along with sensory biases and drifts are modeled and augmented to the moving body state parameters. To reduce the complexity of the high dimensional and nonlinear model, the graph theoretic tearing technique (structural decomposition) is employed to decompose the system to smaller observable subsystems. Separate interacting observers are designed for the subsystems which are interacted through well-defined interfaces. Kalman Filters are employed for linear ones and a Modified Particle Filter for a nonlinear non-Gaussian subsystem which includes imperfect attitude rate dynamics is proposed. The main idea behind the proposed Modified Particle Filtering approach is to engage both system and measurement models in the particle generation process. Experimental results based on data from a 3D MEMS IMU and a 3D camera system are used to demonstrate the efficiency of the method.     

Rao-Blackwellized粒子滤波的红外多个弱目标检测前跟踪

针对红外图像低信噪比下数目可变的多个弱目标的检测与跟踪问题,提出了基于Rao-Blackwellized粒子滤波器(RBPF)的多目标检测前跟踪算法.对每个目标利用RBPF把状态变量分解为线性变量与非线性变量,分别进行Kalman滤波与基本粒子滤波.将已出现目标的状态构成新目标的约束初始化函数,多个滤波器并行跟踪多个弱目标.对红外图像弱目标的仿真实验表明,约束初始化可以避免已有目标的干扰,RBPF可以减小状态变量的的估计误差, RBPF的检测性能优于10倍粒子数PF的性能,对单目标进行检测前跟踪平均每帧耗时为0.3287秒,可以满足实时处理的要求。新方法在不同空间位置的实验对比中,出现延迟,消失延迟和均方根误差等参数对比也验证了算法的有效性.     

基于电子稳像跟踪技术的运动滤波算法

为了在摄像机平台不稳的情况下获取稳定的图像序列,实现基于电子稳像的目标跟踪,对摄像机主动扫描运动与随机抖动分离方法进行了研究,提出了用均值偏移和粒子滤波结合的运动滤波算法(MSPF)来实现运动分离.算法通过粒子滤波预测粒子,然后利用单次均值偏移迭代移动粒子,使粒子更接近于目标真实位置区域,削弱了计算结果精度对粒子数的依赖.对于现实中的复杂背景,利用MSPF算法分离摄像机的主动扫描运动和随机抖动,采用运动补偿图像差分法检测出运动目标,从而实现图像的稳定跟踪.实验结果表明,MSPF算法使用50%的粒子就能起到传统粒子滤波算法同样的效果,缩短了计算时间,有利于实现实时稳像跟踪,适用于车载、船载、机载等稳定跟踪系统中.     

A system to estimate coarse particle velocities at the pipe wall in settling slurry flow

Understanding and modelling of coarse particle (settling) slurries in laminar flow in pipes is still not complete. Better analytical procedures will enable more efficient pipeline operation which could result in significant power savings in the transport of coarse materials. The depth and velocity of the settled bed significantly affect the pressure gradients required to pump these slurries and knowledge of these parameters is of importance. Existing measurement techniques that can be used for monitoring of these complex fluid systems are either very expensive, not easy to implement or mostly used under controlled laboratory conditions. A new measurement system was developed that is capable of detecting the deposition of solids, the depth of a settled bed and the velocity of coarse particles at the pipe wall, around the pipe circumference. Particle velocities were determined by cross-correlating modulated signals from pairs of electrodes mounted flush with the pipe wall, in contact with the slurry. Tests were conducted using a mixture of acetal beads in water, at bulk velocities between 0.5 and 4 m/s. Estimated particle velocities from the cross-correlation analyses were compared with those obtained using a 30 fps video camera combined with visual inspection, and found to be within ±6%, thus validating the viability of the system. Particle velocity resolution using the cross-correlation technique is limited by block size, sample rate and the measurement distance between electrode pairs. Further test work with a range of real slurries (different particle sizes, solids concentrations and rheologies) needs to be conducted, along with more extensive verification of the results, to establish the limits of the system. Initial testing and evaluation of the system, which is capable of coarse particle flow monitoring in real time, showed significant potential for development of a new commercial sliding bed detector that can be used in a wide range of industrial applications in which particles are transported hydraulically.     

Particle and Kalman filtering for state estimation and control of DC motors

State estimation is a major problem in industrial systems. To this end, Gaussian and nonparametric filters have been developed. In this paper the Kalman Filter, which assumes Gaussian measurement noise, is compared to the Particle Filter, which does not make any assumption on the measurement noise distribution. As a case study the estimation of the state vector of a DC motor is used. The reconstructed state vector is used in a feedback control loop to generate the control input of the DC motor. In simulation tests it was observed that for a large number of particles the Particle Filter could succeed in accurately estimating the motor’s state vector, but at the same time it required higher computational effort.     

非线性滤波方法及其在故障诊断中的应用

传统的滤波方法一般基于线性化和高斯假设,在一定程度上影响了滤波精度和非线性系统故障诊断的准确率。该文从"近似非线性"和"近似概率"的方法入手,分析3种常用的非线性滤波算法:扩展卡尔曼滤波器(EKF)、U-卡尔曼滤波器(UKF)以及粒子滤波器(PF)的原理、方法及特点并介绍其在非线性故障诊断中的应用价值。     

基于Rao-Blackwellizedli粒子滤波的多特征融合多光谱目标自适应跟踪

针对复杂背景下视频目标跟踪的实时性和可靠性问题,提出了基于Rao-Blackwellized粒子滤波的颜色矩形特征和方向边缘信息融合的自适应跟踪算法。该算法采用Rao-Blackwellized粒子滤波提高滤波算法性能,采用积分图像快速计算颜色特征和方向边缘信息,根据跟踪实际情形,利用模糊逻辑自适应调节各特征权值,提高算法的跟踪速度和精度。视频跟踪仿真试验表明该算法是稳健的,能够在复杂的背景下对可见光及红外等运动目标进行有效、可靠的跟踪。     

采用改进辅助粒子滤波的红外多目标跟踪

结合改进的辅助粒子滤波与马尔科夫随机场,提出一种多目标跟踪算法来跟踪红外场景中的多个目标.依据目标区域的灰度直方图描述目标,使用标准辅助粒子滤波对各目标的采样粒子集进行粗略优化,同时在辅助粒子采样过程中引入Mean-shift算法来提高粒子采样效率,解决多目标跟踪时粒子数量呈指数级增长的问题,并进一步提高算法的实时性.针对多目标跟踪常出现的目标遮挡导致跟踪失败的问题,引入图模型理论,利用马尔科夫随机场来表示多目标跟踪模型,将多目标的跟踪问题转换为图模型的推理问题.实验结果表明,该跟踪算法使用较少粒子便能实现跟踪,跟踪正确率达84％,且能有效解决多目标跟踪时的相互遮挡问题.     

基于DAE-HTPF的新能源汽车电池剩余寿命预测

针对反映锂电池寿命的趋势性特征自学习与电池剩余寿命预测问题,提出了基于降噪自编码器（denoising auto-encoder,DAE）与混合趋势粒子滤波（hybrid trend particle filter,HTPF）的电池剩余寿命预测方法。利用电池使用前期的信号特征训练DAE,然后将使用中后期的电池信号特征输入DAE中,并提取重构误差。另外,利用HTPF方法对电池生命周期内的信号特征进行分析,建立自适应状态方程。分析结果表明,该方法能有效地对锂电池的性能退化趋势性特征进行自提取,从而有效地减少人为因素的干扰,同时相比于传统粒子滤波（particle filter,PF）,HTPF对电池剩余寿命预测精度更高。