一种改进的粒子滤波算法及其在说话人跟踪中的应用

针对非线性、非高斯系统状态的在线估计问题,提出一种改进的粒子滤波算法,该算法综合考虑"优选建议分布函数"和"重采样"两种并行改进滤波性能的方法.首先通过Unscented卡尔曼滤波器产生系统的状态估计,并在协方差预测阶段引入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,有效抑制了粒子退化现象;接着在重采样阶段引入MCMC(Markov Chain Monte Carlo)方法来构造马尔科夫链产生服从目标分布的粒子,使样本更加多样化,有效避免了粒子枯竭问题.最后,通过系统仿真及说话人跟踪实验,证明了该算法的有效性.     

基于迭代平方根容积粒子滤波目标跟踪算法

针对粒子滤波目标跟踪算法粒子退化及跟踪精度问题,提出了一种基于马尔可夫链-蒙特卡罗(MCMC,Markov Chain Monte Carlo)的迭代平方根容积粒子滤波(ISRCPF,iterated square root cubature Kalman particle filter)算法(ISRCPF-MCMC).在该滤波算法中,利用容积数值积分原则计算非线性随机函数的均值和方差,通过正交矩阵分解代替矩阵开方,在生成的粒子滤波建议分布中融入当前量测值,提高对系统后验概率的逼近程度.然后在此基础上融合MCMC抽样算法(MH,Metropolis Hasting)对所选建议分布进行优化,增加粒子多样性,以提高跟踪精度.仿真试验结果表明,ISRCPF-MCMC算法的估计误差与其他算法相比降低至0.403％.     

基于扩展卡尔曼粒子滤波算法的神经网络训练

神经网络的训练是一种非线性系统的辨识问题,基本粒子滤波算法已被成功用于训练神经网络,但基本粒子滤波算法在建议分布的选择上并没有考虑当前时刻观测值的影响,本文针对该问题提出使用扩展卡尔曼滤波器来生成建议分布。由于扩展卡尔曼滤波器在传递近似建议分布的均值和协方差的过程中充分利用了观测值信息,从而可以更好地描述神经网络权值的后验概率分布。实验结果证明,使用扩展卡尔曼滤波器作为建议分布的粒子滤波算法性能明显优于基本粒子滤波算法。     

基于改进粒子滤波的视频目标跟踪算法比较分析研究

针对标准粒子滤波算法存在的缺陷,本文引入了两种改进的方法,引入最新的量测信息,改进粒子滤波的建议分布。EKPF通过引入扩展卡尔曼算法改进粒子分布,UPF引入无味变换改进粒子的分布,并对其进行了仿真对比分析。实验结果表明,UPF算法优于扩展卡尔曼粒子滤波算法与标准粒子滤波算法。     

基于混合卡尔曼粒子滤波算法的期权定价方法

针对金融领域的期权定价问题,为提高粒子滤波算法对期权价格的估计精度,提出使用混合卡尔曼粒子滤波算法(MKPF)进行期权价格预测,该算法使用Unscented 卡尔曼滤波器和扩展卡尔曼滤波器作为混合建议分布产生重要采样密度.在某一时刻,每一个粒子首先经过Unscented卡尔曼滤波器更新得到一个状态估计值,然后以该估计值作为扩展卡尔曼滤波器的先验估计再次更新粒子,得到该时刻最终的估计值.实验中针对经典的Black-Scholes期权定价公式,使用包括MKPF算法在内的4种算法对期权价格进行预测,结果表明MKPF算法预测的期权价格与真实期权价格的误差最小,证明了MKPF算法在期权定价问题中的有效性.     

鲁棒的机器人蒙特卡洛定位算法

提出一种基于粒子滤波器的机器人定位算法. 首先利用一并行扩展卡尔曼滤波器作为粒子预测分布, 将当前观测的部分信息融入, 以改善滤波效果, 减小所需粒子数; 然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)重采样方法, 以提高粒子的细化能力; 最后结合普通重采样方法, 提出一种改进的MCMC重采样的机器人定位算法, 减少粒子匮乏效应的同时, 提高了定位精度. 实验结果表明, 该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.     

一种改进的粒子滤波算法及其在GPS/DR组合定位中的应用

针对粒子滤波的重要性密度函数选择问题,提出一种基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的改进粒子滤波算法。该方法利用集合卡尔曼滤波产生粒子滤波在每一时刻各粒子的重要性密度函数,在融合最新观测信息的同时,使重要性密度函数更加符合状态的真实后验概率分布。为消除样本枯竭现象,对重采样后的粒子进行马尔科夫链蒙特卡洛处理。在仿真实验中,将新算法用于GPS/DR组合定位系统,与粒子滤波、扩展卡尔曼粒子滤波以及无迹粒子滤波进行比较。仿真结果表明,该算法的估计精度高于传统粒子滤波算法,同时其能够有效控制计算量,并且在粒子数目较少时仍能保证较好的估计性能。     

非高斯噪声中的粒子滤波算法研究

在非线性非高斯动态系统中,粒子滤波已成为解决系统参数估计和状态滤波的主流方法。然而,粒子退化是粒子滤波中不可避免的现象,粒子重采样是解决方法之一。本文针对粒子退化现象,在扩展卡尔曼滤波器的基础上研究了一种基于支持向量机粒子滤波算法,算法实现中扩展卡尔曼粒子滤波器结合支持向量机对当前时刻的重要性采样,再对粒子样本进行重采样。该算法能有效地利用量测值的最新信息,状态估计误差较小,同时避免了粒子匮乏。理论分析和仿真结果表明,新算法在双模噪声非线性系统估计的精度优于标准粒子滤波算法与扩展卡尔曼粒子滤波算法。     

MCMC粒子滤波的GPS定位数据处理算法

针对基于传统粒子滤波的GPS(Global positioning system)定位数据处理方法存在粒子退化的问题,研究了基于马尔可夫链蒙特卡罗(Markov chain Monte Carol,MCMC)粒子滤波的GPS定位数据处理算法,引入典型的MCMC方法—Metropolis Hastings(M-H)抽样算法.利用观测伪距非高斯误差分布,建立重要密度函数,将MCMC粒子滤波与建立的GPS系统非线性状态空间模型结合.实测数据实验结果表明,MCMC粒子滤波可有效抑制粒子退化,解决了GPS定位数据滤波这一非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差,与基于传统粒子滤波的GPS定位数据处理方法相比,该方法降低了定位数据经纬度和速度估计误差,获得了更高的定位精度,并能够在GPS信号质量较差情况下,对GPS定位数据有效滤波,保证载体在此期间内保持较高的位置精度.     

一种用于目标跟踪的改进粒子滤波算法

为解决目标跟踪中粒子滤波算法的估计精度、粒子退化问题,提出一种改进的粒子滤波算法。在粒子滤波的基础上,利用UKF生成粒子滤波的建议分布,以改善滤波效果,在无味粒子滤波的基础上,融合典型的MCMC抽样算法,减少传统算法未考虑当前量测对状态的估计作用所带来的影响,增加采样粒子多样化。将该算法应用于具有非线性、非高斯特点的目标跟踪问题中,仿真结果表明,与普通的粒子滤波算法相比,其跟踪精度和滤波效果有较大提高。     

增强粒子滤波船舶组合导航算法

针对粒子滤波作为非线性/非高斯估计方法存在的粒子退化和贫化的问题,提出了一种基于集合卡尔曼滤波(Ensemble Kalman filter,EnKF)和马尔可夫蒙特卡罗(Markov Chain Monte Carlo,MCMC)的增强粒子滤波算法。首先,使用EnKF分析代替先验密度对PF的建议密度进行定义,从而降低粒子退化的风险;其次,当发生粒子退化时,通过MCMC方法进行重采样,以增加粒子的多样性,从而降低了粒子贫化的可能性,提高滤波器的精度;最后,将提出的方法应用到GPS PPP/INS组合导航系统中,实验结果均表明,增强粒子滤波算法能提高估计精度,其性能优于标准粒子滤波。     

列车组合定位中改进CPF算法的探讨

针对在GNSS/INS列车组合定位中普遍采用的扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等滤波技术无法满足复杂的高速列车组合定位环境问题,研究了列车组合定位中改进的容积粒子滤波(CPF)算法,提出了基于改进CPF算法的列车组合定位信息融合技术。该算法采用马尔科夫链蒙特卡洛(MCMC)移动方法来解决粒子退化问题,进而提高滤波性能。使用Matlab对改进算法进行仿真,结果表明改进CPF具有更小的位置误差和速度误差,提高了列车非线性运动过程中的定位精度。     

区间量测下基于无迹变换的伯努利粒子滤波算法

针对区间量测下目标的实时检测与跟踪问题,提出基于无迹变换的伯努利粒子滤波算法(Bernoulli- Upf).该算法在伯努利粒子滤波算法(Bernoulli-pf)的基础上融合无迹卡尔曼滤波(UKF),融合后的算法在预测步骤产生持续存活粒子时,充分考虑到当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子分布更加接近真实状态的后验分布.仿真实验表明,Bernoulli-Upf算法的估计精度优于Bernoulli-pf算法.     

嵌入卡尔曼预测器的粒子滤波目标跟踪算法*

针对经典的粒子滤波视频目标跟踪算法进行粒子传播采用随机游走的方式,以及传统颜色直方图无法反映目标空间特征的问题,提出了一种改进的基于颜色的粒子滤波目标跟踪算法。该算法在统计目标二阶颜色直方图的基础上,获得粒子的观察概率密度函数,利用卡尔曼滤波确定粒子动态传播模型中的确定性漂移部分,使粒子状态估计值分布更精确地趋向目标的概率分布,大大提高了粒子的利用效率。实验表明,该改进算法的性能优于经典基于单一颜色特征的粒子滤波算法。     

迭代测量更新CDKF的粒子滤波方法

为了提高中心差分卡尔曼粒子滤波（CDKFPF）算法跟踪时的估计精度,提出了一种基于迭代测量更新CDKF的粒子滤波（ICDKFPF）新算法。该算法利用迭代中心差分卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,并用Levenberg-Marquardt方法对状态协方差进行修正,使粒子的观测信息得到充分有效的利用,更加符合真实状态的后验概率分布。仿真结果表明,所提出算法的估计性能要明显优于标准的粒子滤波（PF）和中心差分卡尔曼粒子滤波（CDKFPF）。     

基于粒子滤波的检测前跟踪改进算法

针对低信噪比环境下微弱目标的实时检测与跟踪,提出一种基于粒子滤波的检测前跟踪改进算法.该算法在粒子滤波的基础上融合不敏卡尔曼滤波(uKF1)算法,融合后的新算法在利用重要性密度函数产生粒子时充分考虑当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子的分布更接近状态的后验概率分布.仿真实验表明,改进算法的检测与跟踪性能优于标准的粒子滤波算法.     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。