基于支持向量机粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在的粒子退化问题,提出了一种新的基于支持向量机的粒子滤波目标跟踪算法。该算法利用滤波过程中的预测粒子集及其权值,使用支持向量机估计出系统状态的后验概率密度,再根据该概率密度重采样更新粒子集,以提高粒子的多样性,从而克服粒子的退化现象。仿真结果表明,该算法能显著增加有效粒子的数量,其目标跟踪精度优于马尔可夫链蒙特卡罗移动方法以及正则粒子滤波算法。     

一种新的改进粒子滤波算法

标准粒子滤波算法存在的最大问题是粒子退化,针对这一问题,提出了一种改进的粒子滤波算法,该算法将无迹卡尔曼滤波算法(UKF)、混合遗传模拟退火算法和基本粒子滤波算法相结合,运用无迹卡尔曼滤波算法获得重要性函数,提高了粒子的使用效率; 运用混合遗传模拟退火算法的进化思想,提高了粒子的多样性．仿真结果表明,新算法很好地解决了基本粒子滤波算法存在的粒子退化问题,提高了系统的滤波精度和稳定性(在信噪比为16dB时,精度提高80％以上),较好地抑制了噪声的干扰．     

一种新的粒子滤波算法

将采样重要再采样(SIR)方法与无迹卡尔曼滤波(UKF)相结合,提出一种新的粒子滤波算法.该算法具有无迹粒子滤波(UPF)粒子使用效率高和SIR粒子滤波运算速度快的优点,同时克服了UPF运算量的增长速率快于状态维数增长的缺陷.仿真结果表明,与UPF相比,本算法在几乎不影响滤波效果的前提下,大幅减少滤波所需计算量.     

基于高斯和粒子滤波的传感器数据处理技术

对不确定传感器数据进行建模,利用高斯和粒子滤波技术进行概率推理,以达到节约能量的目的.首先,根据传感器不同节点之间的时空相关性,采用历史数据建立概率模型;然后,在建立的概率模型上利用基本粒子滤波技术进行概率推理;最后,根据传感器数据符合高斯分布的特征,分别采用高斯粒子滤波、高斯和粒子滤波进行概率推理.实验结果表明,高斯和粒子滤波在准确率和运行效率两方面均能达到良好效果.     

基于SSUKF的粒子滤波算法研究

针对粒子滤波的退化现象、样本贫化问题以及标准无迹粒子滤波(UPF)算法计算量偏大的缺陷,利用基于超球面采样变换(SSUT)的UKF算法产生重要性概率密度函数,与序贯重要性再采样(SIR)结合,并引入粒子群优化,形成一种新的粒子滤波算法.对称分布UT变换的sigma点为2n+1个,而SSUT变换为n+2个.新算法利用SSUT变换减少了采样点的个数,通过混合建议分布进一步减少了计算量,使计算效率得到了明显的改善.仿真结果表明,该算法滤波精度优于扩展卡尔曼粒子滤波,而与标准UPF相当,计算效率明显高于标准UPF算法.     

一种基于粒子群优化的粒子滤波改进算法

粒子群优化粒子滤波算法能有效改善粒子退化问题,但其适应度函数受量测噪声方差影响较大,限制了滤波精度的提高.为此,提出了一种基于粒子群优化的粒子滤波改进算法.该算法给出一种新的适应度函数,用当前状态估计值与各粒子状态的差值大小作为评价标准,使得最终优化粒子受噪声方差影响减小,在量测模型精度高的场合中提高了滤波精度.理论分析及仿真结果表明,本文所提算法的滤波性能优于标准粒子滤波与粒子群优化粒子滤波算法.     

基于粒子滤波的神经网络学习算法

为了克服一般神经网络学习方法易陷入局部极小值的缺陷,提出一种新的基于粒子滤波的神经网络学习算法.采用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)产生粒子,以较少的粒子逼近状态的后验概率分布,搜索到经验风险函数的最小值.此方法适用于在线的、非线性的、非高斯的神经网络学习.仿真结果表明,该学习方法与同类方法相比,性能明显提高.     

基于确定性重采样的粒子滤波算法

复杂背景下的运动目标跟踪往往要面对非线性非高斯问题,粒子滤波算法在非线性非高斯模型中的良好处理能力,使其得到广泛的应用.引入重采样方法(SIR)解决粒子退化问题的同时导致了样本枯竭.针对上述问题,文中提出了一种融合基本重采样方法和确定性重采样方法的新方法,能有效保持粒子的多样性.通过仿真实验表明,该方法能有效提高粒子滤波算法的准确性.     

基于PSO粒子滤波的弹道目标跟踪方法

为了在观测值有复杂噪声的情况下获得良好的弹道跟踪效果,提出了一种基于小生境粒子群优化粒子滤波算法的弹道跟踪预测方法.根据外弹道理论建立了跟踪状态模型,在贝叶斯框架下通过由观测量获取状态量的后验概率而消除观测噪声带来的影响,得到当前状态的准确信息,在重采样过程中使用了小生境粒子群优化算法,使得重采样过程更高效.最后进行了基于某型弹丸的弹道跟踪效果仿真,在观测量具有高斯噪声和厚尾噪声的情况下,跟踪弹道与预测弹道均与实际弹道吻合得很好,并优于卡尔曼滤波方法.说明本文方法对弹道的预测跟踪是有效的,为弹道跟踪的实际应用提供了一种参考.     

基于粒子滤波的全息检测技术的研究

在日益复杂的电磁环境下,提高侦测系统的性能一直是研究的重点。针对侦测系统性能低这一背景,提出一种基于粒子滤波算法的全息检测器。该方法以接收信号的幅度、载波频率、相位、来波方向为待估计参数矢量,应用粒子滤波算法实现对数字信号的全息检测。     

基于粒子滤波的跳频信号频率跟踪方法

针对跳频信号的参数估计问题,提出一种基于粒子滤波的跳频信号频率实时跟踪方法.首先建立以跳频瞬时频率为系统状态的状态空间模型,然后通过基本粒子滤波算法序贯重要性重采样（sequential importance resampling,SIR）实现了对跳频信号频率的后验概率密度估计,进而得到频率的实时估计;为进一步提高粒子滤波的跟踪性能,提出一种基于ESPRIT辅助的粒子滤波（auxiliary esprit particle filtering,AESPRIT-PF）算法.仿真实验分析了在不同信噪比和不同粒子数目下算法的跟踪性能,结果表明该算法具有稳健的跳频频率实时跟踪能力,是一种有效的跳频信号参数估计方法.     

基于小波分析的信号滤波方法研究

论述了小波分析的基本原理,研究了应用小波变换进行信号滤波的方法,通过正交小波包对信号的分解,把频率成分复杂的信号分解到互不重叠的频带,根据需要删除某些频带的信号（噪声）,然后用小波包生包重构算法对信号进行重构,可实现对信号的滤波。给出了应用小波包变换对振动信号进行滤波的实全坷有效地滤除信号中的确定必噪声和随机噪声,可进取出淹没在信号中的非常微弱的特征信息,与传统的信号滤波方法相比具有明显优点。     

基于数字全息术的粒径测量的仿真研究

主要介绍了同轴数字全息的基本概念、原理、方法及其在粒子直径测量中的应用,并进行了计算机仿真研究.基于Matlab软件,采用计算机随机生成仿真粒子,然后生成全息图,最后通过数字再现进行粒子直径测量,并与仿真粒子进行了比较,给出了判别粒子聚焦的方法,证明了该方法的适用性.     

基于特征参数的数字信号识别

基于Y.T.Chan的理论,分析了信号特征参数R.计算机仿真结果说明：利用该特征参数可以区分不同的数字幅度调制信号,如果与其他的参数相结合就能够实现和完成对所有数字信号的识别,因此基于参数统计法来实现调制信号的识别是可行的和有效的,适用于多模式调制解调技术.     

基于DSP的小波算法的实现

介绍了波算法的原理及在DSP中的实现，对Mallat算法在应用中的问题进行了分析，并给出了解决方案。还介绍了TMS320CX的并行乘／累加指令，重复操作在波算法中的应用，最后用DSP仿真器对小波算法进行仿真，仿真结果表明，小波算法在DSP中实现能很好满足实时性要求。     

微弱高频CW信号的自适应滤波

高频电报(CW)是强噪声背景下战术应急通信的主要工作方式,由于高频信道是典型的随参信道,不可能事先已知干扰噪声的统计特性。该文提出了一种基于ARMA新息模型的CW信号自适应Kalman滤波方法,以解决高斯背景下高频电报系统干扰噪声方差未知的问题。根据CW信号的时频域特征定义状态空间随机信号模型,构造ARMA新息模型,通过在线辨识新息模型参数来估计Kalman滤波增益,实现CW信号的自适应跟踪滤波。仿真结果表明,该方法能够有效估计微弱高频CW信号时域波形,算法可递推实现,实时性强。     

基于Kalman滤波算法角度测量信号融合技术研究

针对车载激光通信转台姿态角控制中陀螺仪传感器存在漂移误差等问题,提出了以陀螺仪传感器和加速度传感器作为测量元件对车载转台的姿态角进行测量的方法,并在MATLAB软件平台上建立卡尔曼滤波器将传感器采集的信号进行融合,以加速度传感器输出的姿态角信息对陀螺仪测量的姿态角进行修正、补偿,以提高姿态角测量的精度。通过建立试验系统完成测试,结果表明：应用Kalman滤波算法对陀螺仪和加速度传感器信号进行融合后,有效地减小姿态角的测量误差,为准确获得转台姿态角信息提供了理论依据。     

基于反电动势滤波的无传感器无刷直流电机控制

无刷直流电机的反电动势信号不是一个平滑的信号,从其他相耦合的PWM噪声使得不能准确检测到该信号的过零事件。在此对电机每相的反电动势进行数字滤波,并基于滤得的反电动势信号来决定何时对电机换相,这种控制技术不需要使用离散式低通滤波硬件和片外比较器。该算法已在Microchip公司的dsPIC30F6010A上实现。