闪烁噪声下轨道机动目标自适应鲁棒跟踪算法

针对闪烁噪声下存在未知机动的空间目标跟踪问题,将自适应鲁棒滤波技术嵌入到无迹卡尔曼滤波,设计自适应鲁棒无迹卡尔曼滤波(ARUKF),再利用ARUKF产生粒子滤波的重要性密度函数,从而得到一种自适应鲁棒无迹粒子滤波(ARUPF)算法。将ARUPF与瞬态跟踪模型相结合,对空间机动目标进行自主跟踪。实验结果表明,该算法在跟踪精度和鲁棒性方面优于传统的跟踪算法。     

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.     

一种基于改进UPF的运动声阵列交互多模型目标跟踪方法

针对运动声阵列在有色噪声环境中的非线性滤波跟踪实时性问题,提出一种基于改进粒子滤波的交互式多模型目标跟踪(IMM-IUPF)方法.该方法采用最小斜度单形无迹变换结合变尺度无迹变换的 Sigma点选取策略,对标准无迹粒子滤波(UPF)进行改进,大幅缩减UPF样本选取计算量;将改进的UPF与交互式多模型(IMM)相结合,通过定义自适应增益修正系数,弥补样本点缩减造成的精度降低问题;最终通过与传统的基于IMM的粒子滤波(IMM-PF)和基于IMM的无迹粒子滤波(IMM-UPF)进行Matlab数值仿真对比验证所提出算法的实用性.     

改进粒子滤波算法在目标跟踪中的应用

针对粒子滤波算法的粒子匮乏现象和计算量大的问题,提出了一种改进粒子滤波算法.该算法利用径向基神经网络的最佳逼近特性,提高先验概率密度估计精度,消除噪声引起的估计误差,利用支撑向量回归法实现较少粒子的高精度跟踪.将该算法应用到目标跟踪技术中,仿真结果表明该算法的精度和稳定性优于粒子滤波和无迹粒子滤波,可实现实时鲁棒跟踪.视频目标的跟踪试验也表明该算法对有遮挡现象的跟踪问题跟踪效果明显,具有广泛的应用价值.     

一种基于均值筛选的粒子滤波算法

针对基于均值筛选的粒子滤波算法MPF,利用无迹卡尔曼粒子滤波产生一步预测.在重采样阶段,利用对粒子按照权值大小进行排序的确定性重采样策略.为了克服样本耗尽问题,在统计所有粒子权值的均值后,对于权值小于均值的粒子进行一步权值平缓化变异.仿真实验表明MPF精确度优于其他5种流行的滤波算法.     

非线性滤波算法在机动目标跟踪中的研究

介绍了3种最基本非线性滤波算法--扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)和粒子滤波(PF)算法的理论在机动目标跟踪中的应用.通过仿真试验对三者性能进行了分析比较.     

一种自适应免疫优化的无迹粒子滤波器

针对无迹粒子滤波（UPF）在较偏观测时的退化现象及重采样带来的粒子枯竭问题,提出一种自适应免疫优化的无迹粒子滤波算法（AIO-UPF）。该算法在重采样过程中,利用免疫算法在亲和度与浓度调节机制下的全局寻优能力和多样性特征,通过引入自适应阈值因子δ的Metropolis准则,使得粒子集能够有效地分布于高似然区域,提高了粒子的多样性和有效性,从而较好地抑制了在较偏观测时的粒子退化问题。仿真结果表明,AIO-UPF的性能优于传统UPF及标准粒子滤波,在状态估计精度上比传统UPF提高了27%左右。     

基于SSUPF的SINS传递对准研究

动基座传递对准具有非线性非高斯的特征,运用卡尔曼滤波(EKF)这样基于局部线性化和高斯假设的滤波方法很难取得理想的滤波精度.超球面单形无迹粒子滤波(SSUPF)是一种基于SSUT变换的无迹粒子滤波,SSUT变换利用超球面分布的sigma点采样方式,减少了sigma点数量,对于高维系统,计算量大幅度减少.在滤波算法中,通过SSUKF产生重要性概率密度函数,引入了最新的观测数据,因此更接近于系统状态的后验概率.仿真结果表明:SSUPF相比EKF和UKF提高了传递对准的精度,达到与标准UPF相当的程度,并可以获得高于UPF的计算效率.     

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。     

医学图像轮廓跟踪的广义模糊粒子滤波方法

在医学图像运动跟踪领域,轮廓线跟踪是描绘边缘运动的有力手段．为避免观测噪声的影响,增加轮廓的时空局部约束并利用粒子滤波(PF)技术解决该类跟踪问题是非常有效的．为更好地优化计算PF的重要比率(IR)以提高粒子滤波器的性能,该文提出了广义模糊粒子滤波(GFPF)方法,通过与当前较好的无迹粒子滤波(UPF)相比较,GFPF显示了很好的效果;另外,在似然估计方面,GFPF提供了独特的似然轮廓估计算法．理论和试验证明,GFPF不仅能够很好地解决动态轮廓跟踪问题,还为当前各种PF算法的IR计算提供了全新的解决途径．     

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。     

基于自适应渐消无迹粒子滤波的UnscentedFastSLAM算法

针对机器人导航无迹快速同步定位与地图构建（Unscented FastSLAM）算法由于重采样造成样本粒子退化,进而导致估计精度下降的问题,提出一种基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法。该算法将无迹粒子滤波与渐消滤波相融合产生自适应建议分布函数,同时将粒子根据权值进行优化组合,仅对组合后的部分不稳定的粒子进行系统重采样。通过这两方面使系统具有高度自适应性的同时保证粒子的多样性,缓解粒子的退化现象。仿真实验表明,提出算法与Unscented FastSLAM算法相比,可以用较少的粒子实现更高的SLAM的估计精度,很大程度上降低了SLAM算法的复杂度。     

UPF在GPS多路径信号延迟估计中的应用

多径信号延迟估计与多径干扰抑制技术一直是卫星导航领域的一个研究热点。在分析近距离镜面多径信号时间延迟特性的基础上,提出一种基于无迹粒子滤波的多路径信号延迟估计方法。给出标准的粒子滤波算法模型,讨论无迹粒子滤波算法在多路径信号延迟估计中的应用,描述算法的推导过程。计算机模拟结果验证了该算法的有效性。     

改进的无迹粒子滤波算法

本文提出了一种改进的无迹粒子滤波算法(IUPF).与传统的粒子滤波算法不同,IUPF中每个粒子并不代表状态序列的一个可能实现,而是代表由初始状态以及过程噪声序列所构成的扩展过程噪声序列的一个可能实现.根据状态空间方程所属的类型,IUPF可以采用不同的无迹变换方法来设计建议分布.并借鉴了基于无迹变换的辅助粒子滤波器(UTAPF)的思想来改进重采样过程.与UPF和UTAPF相比,新算法有3处改进.第一,IUPF无需假定状态转移核函数已知,因而应用范围较UPF和UTAPF广泛.第二,IUPF的计算开销较少.第三,UPF和UTAPF中每个粒子均被假设拥有一个从其父母粒子中继承下来的状态分布,然而这种假设是否合理目前尚难定论,IUPF避免了该假设.在两组仿真实验下将新算法与其它4种算法进行比较,新算法体现了较好的估计能力.并且结果显示与UPF以及UTAPF相比,IUPF所节省的计算时间与状态向量和噪声向量的维数有关.     

基于MCMC的改进粒子滤波算法

针对传统粒子滤波算法建议分布函数的选取问题和粒子退化现象,提出一种基于马尔可夫蒙特卡洛思想的改进粒子滤波算法.使用基于比例对称采样方法选取Sigma点的无迹卡尔曼滤波,产生粒子滤波并建议分布函数;将似然分布自适应权值调整策略应用于权值选取步骤;采用系统重采样方法,加入了用来保持粒子多样性的马尔科夫链蒙特卡洛步骤.仿真结果表明,该算法的估计状态能够更好地吻合真实轨迹,在非线性、非高斯场合的估计性能较优.     

基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波快速 SLAM算法

针对常规FastSLAM算法需要大量粒子创建地图以及粒子退化而导致计算复杂度高、难以提高估计精度等问题,提出了一种基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波快速SLAM(同步定位与地图构建)算法.首先,改进了箱粒子滤波中以箱粒子为支撑集的均匀概率密度函数,采用高斯概率密度函数进行贝叶斯滤波,提高了估计的精度.在此基础上将Dirichlet过程非参贝叶斯学习应用于高斯箱粒子的重采样,既保证了有效箱粒子数,又能让箱粒子集中在高似然区域,降低了采样枯竭的影响.然后,利用基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波进行机器人位姿估计,可有效降低地图创建所需的粒子数,并提高定位精度和实时性.进而采用无迹卡尔曼滤波更新地图特征,以提高地图创建的一致性.仿真结果和轮腿复合机器人实地实验结果验证了本文方法的可行性和有效性.     

基于灰色预测模型和粒子滤波的视觉目标跟踪算法

结合灰色预测模型和粒子滤波,提出一种新的视觉目标跟踪算法.由于粒子滤波未考虑先验信息对建议分布产生的指导作用,不能很好地逼近后验概率分布,对此,采用历史状态估计序列作为先验信息,建立该序列的灰色预测模型来预测产生建议分布.与粒子滤波、卡尔曼粒子滤波和无迹粒子滤波进行对比实验,结果表明所提出的算法在视觉目标跟踪中具有更好的性能.     

基于UKF和优化组合策略的改进粒子滤波算法

针对标准粒子滤波算法存在的粒子退化与贫化问题,提出了一种新的改进粒子滤波算法。该算法采用无迹卡尔曼滤波、优化组合策略和标准粒子滤波相结合的方法,运用UKF产生重要性密度函数,解决标准PF算法中以先验概率密度函数作为建议分布所引发的退化问题;运用优化组合重采样策略保证所有粒子的信息以一定概率得到继承,维持粒子集中粒子的多样性。理论分析与仿真结果均表明,改进算法能有效地解决标准粒子滤波存在的粒子退化问题并避免粒子贫化现象的出现,具有更高的状态估计精度。     

动力锂电池SOC估计仿真研究

针对传统的无迹卡尔曼滤波算法(UKF)估计动力锂电池荷电状态(SOC)时,由于滤波迭代过程中系统噪声不确定,可能导致估计结果精度欠佳的问题,提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)动态地估计锂离子电池的SOC.算法以UKF算法为基础,引入改进的Sage-Husa自适应滤波算法,利用观测数据进行滤波递推的同时,实时更新系统噪声的统计特性.以等效电路模型为基础,采用递推最小二乘法辨识模型参数,应用AUKF算法对电池SOC进行估算,并从实际工况进行仿真验证分析.仿真结果表明,上述算法有效的提高了估计精度,误差稳定性较高.     

一种实用的融合方法在辅助粒子滤波中的应用

研究机动目标跟踪优化问题,传统的扩展卡尔曼滤波(Extended Kalman Filtering,EKF),无迹卡尔曼滤波(UnscentedKalman Filtering,UKF)跟踪机动目标强非线性系统,滤波精度有限,并存在噪声。为了提高跟踪滤波的精准性和可靠性,提出建立一种协同转弯非线性模型,将辅助粒子滤波(Auxiliary Particle Filtering)和数据融合相结合的跟踪滤波算法。辅助粒子滤波在重采样前对各个粒子权值依据似然函数进行修正,同时采用一种将多个滤波器结合的实用的数据融合方法,可以进一步提高滤波精度。经仿真表明,算法能减小运算量,并能很好的提高跟踪滤波精度。