基于辅助变量粒子滤波的空对海BO-TMA的研究

论文探讨了TMA(目标运动分析)中基本的非线性估计问题;介绍了粒子滤波(PF)的基本思想和辅助变量PF(AVPF)的基本算法,特别针对空对海单站只测方位TMA(BO-TMA)问题应用AVPF和EKF(扩展卡尔曼滤波)进行了对照研究;建立了问题的离散非线性滤波估计模型;设计了典型的应用场景;给出了Monte Carlo仿真运行结果;表明AVPF具有更高的估计精度、更好的收敛特性和滤波一致性。     

基于无味卡尔曼滤波的空对海单站无源BO-TMA

探讨了目标运动分析(TMA)问题中的递推非线性滤波问题,介绍了基于无味变换(UT)的无味卡尔曼滤波(UKF)的设计思想与具体实现,特别针对空对海单站无源只测向TMA(BO-TMA)问题,建立了问题的离散非线性滤波估计模型,设计了典型的应用场景,并应用UKF和EKF(扩展卡尔曼滤波)分初值无偏和有偏两种情况,从算法的估计值、估计方差、均方根误差(RMSE)和归一化新息平方(NIS)等方面进行了对照研究,给出了Monte Carlo仿真运行结果;表明UKF在该应用背景下是切实可行的,显示出良好的滤波一致性,具有更高的估计精度和更强的收敛特性.     

基于UKF的只测方位TMA中数据率因素影响的仿真研究

应用无味卡尔曼滤波(UKF)来解决只测方位目标运动分析(BO-TMA)问题,研究了其中数据率因素的实际影响.提出了一种对估计标准差及均方根误差(RMSE)进行归一化的新方法,并据此经过仿真分析揭示了估计的标准差及RMSE与数据率之间存在着简单的1/2次幂的反比关系;而同样的结论在EKF中则无法得到.     

粒子滤波和正则粒子滤波算法性能研究

主要介绍了解决系统状态估计问题的滤波算法。在提出非线性高斯系统模型的基础上着重阐述了扩展卡尔曼滤波(EKF)、粒子滤波(PF)和正则粒子滤波(RPF)算法。对这三种算法在不同的噪声条件下的估计性能进行了仿真分析。结果表明,在非线性高斯系统中,PF和RPF的估计性能远比EKF的估计性能要好,由于RPF是从离散分布中重构其近似连续分布,再从该连续分布中采样粒子,估计性能比PF要好,尤其在小噪声的环境下,估计性能更加稳定。     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

裂变自举粒子滤波

自举粒子滤波(BPF:Bootstrap Particle Filtering)是一种经典而应用广泛的粒子滤波算法,但其重采样后常会引起严重的样本枯竭问题.本文提出在权值蜕化较为严重时,在原先的重采样前增加SFN预处理,即权值排序、裂变繁殖(fission)和权值归一,得到裂变BPF(FBPF)算法.针对一个典型的后验密度为双峰的强非线性滤波估计问题,通过Monte Carlo仿真表明,FBPF算法在保持与BPF算法相当的估计精度和运算时间的条件下,克服了样本枯竭问题,算法的鲁棒性更强.     

一种基于高斯粒子滤波的RAIM算法研究

针对在强非线性条件下扩展卡尔曼滤波 RAIM 算法(EKF-RAIM)性能下降的问题， 本文提出了一种基于高斯粒子滤波的 RAIM 算法(GPF-RAIM)。GPF-RAIM 采用高斯粒子进行非线性状态近似估计，在递推时按高斯分布重新生成新的粒子集合，能够解决粒子的退化问题， 不需要进行重采样步骤，保持了粒子的多样性。仿真结果表明，GPF-RAIM 能够有效的检测伪距跳变，相较于 EKF-RAIM 方法，可以获得更小的状态估计误差，提高检测性能。     

粒子滤波算法研究

本文介绍了几种粒子滤波算法,然后详细的介绍了各算法存在的主要问题,以及各种改进算法的优势。最后给出了粒子滤波在研究领域中的一些应用。最后通过介绍几种算法对全文做出了总结。     

粒子滤波及其改进算法的比较

针对非线性、非高斯问题,建立了动态状态空间模型,详细分析了贝叶斯滤波的原理。对于满足线性和高斯的状态空间模型,卡尔曼滤波性能是最优的。但是,真实世界的非线性、非高斯问题存在,使得人们不得不寻找一种更好的滤波方法。解决非线性滤波问题最普遍的方法就是扩展卡尔曼滤波。但扩展卡尔曼滤波只适合弱非线性系统,对于强非线性系统,容易导致滤波发散。因而介绍了适用于强非线性、无高斯约束的基于序列蒙特卡罗算法的粒子滤波波器及其改进算法规则化粒子滤波器。最后对上述几种滤波器进行了性能仿真及分析。     

非线性贝叶斯滤波算法综述

滤波的目的是从序贯量测中在线、实时地估计和预测出动态系统的状态和误差的统计量。从递归贝叶斯估计的框架出发,对非线性滤波算法作了统一描述,并根据对后验概率密度的近似方法的不同,把非线性滤波划归为3类:基于函数近似的滤波方法、基于确定性采样的滤波方法和基于随机采样的滤波方法。对这些非线性滤波的原理、方法及特点做了分析和评述,最后介绍了非线性滤波研究的新动态,并对其发展作了展望。     

高斯和高阶无迹卡尔曼滤波算法

为了提高非线性变换的近似精度,提出了一种高阶无迹变换（High order Unscented Transform,HUT）机制,利用HUT确定采样点并进行数值积分去近似状态的后验概率密度函数,建立了高阶无迹卡尔曼滤波（High-order Unscented Kalman Filter,HUKF）算法.进一步的为了解决非线性、非高斯系统的状态估计问题,将HUKF与高斯和滤波（Gaussian Sum Filter,GSF）相结合,提出了一种高斯和高阶无迹卡尔曼滤波算法（Gaussian Sum High order Unscented Kalman filter,GS-HUKF）,该算法的核心思想是利用一组高斯分布的和去近似状态的后验概率密度,同时针对每一个高斯分布采用高阶无迹卡尔曼滤波算法进行估计.数值仿真实验结果表明,提出的HUT机制与普通的无迹变换（Unscented Transform,UT）相比,具有更高的近似精度;提出的GS-HUKF与传统的GSF以及高斯和粒子滤波器（Gaussian Sum Particle Filter,GS-PF）相比,兼容了二者的优点,即具有计算复杂度低和估计精度高的特性.     

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．     

一种基于UPF的干涉SAR相位展开方法

提出一种不敏粒子滤波的相位展开方法.该方法是不敏粒子滤波器与路径跟踪策略以及全方位的局部相位梯度估计相结合的结果,不受模型噪声统计特性和线性条件约束,同时完成噪声消除和相位展开;利用不敏卡尔曼滤波器来进行粒子更新,使重要密度函数能够融入最新观测信息和更加符合真实状态的后验概率分布,从而提高了相位展开精度与效率.仿真和实...     

非线性滤波算法分析及其性能比较

针对目标跟踪实际应用中量测方程非线性对滤波精度和稳定性的影响,重点分析了模型线性化的滤波算法、无迹卡尔曼滤波（UKF）和粒子滤波算法（PF）的基本原理和特点以及适应的条件。仿真试验比较了扩展卡尔曼、无迹卡尔曼和粒子滤波的跟踪效果,结果表明非线性条件下粒子滤波算法优于其它两种滤波算法。     

几种非线性滤波算法的比较研究

针对组合导航等非线性系统,扩展卡尔曼滤波算法（EKF）在初值不准确时存在滤波发散的现象,故提出U卡尔曼滤波（UKF）;粒子滤波算法（PF）适合于强非线性、非高斯噪声系统,但同时存在退化现象,故提出2种改进算法。前人的工作多集中在单一算法的研究,而在此是将上述各种算法应用到同一典型非线性系统,通过应用Matlab进行仿真实验得出具体滤波效果数据。综合对比分析了各算法的优缺点,得出一些有用的结论,为组合导航系统中非线性滤波算法的选择提供了参考。     

炮位侦校雷达的数据处理研究

数据处理方法是决定炮位侦校雷达性能的关键技术之一。随着地面远程火力打击装备的发展,炮位侦校雷达的数据处理方法日益向远程和精确处理的方向发展。基于这种需求,提出了与传统数据处理方法不同的弹道目标运动模型,针对这种新的运动模型采用多种非线性滤波算法进行目标参数估计和弹道外推,分析了各种算法处理过程的本质意义和不同之处。最后通过仿真试验结果给出了这几种滤波算法性能的比较和评估,验证了其精度和可行性。     

一种卡尔曼滤波与粒子滤波相结合的非线性滤波算法

提出一种基于卡尔曼滤波与粒子滤波的非线性滤波算法.这种方法对于状态变量服从线性变化而观测方程为非线性的动态系统模型具有显著的效果.首先使用粒子滤波对状态变量进行初估计,然后对估计结果进行卡尔曼滤波,另外推导出该系统模型下状态变量估计误差的克拉美劳下界.通过计算复杂度分析及仿真实验验证,表明新方法与标准粒子滤波算法复杂度相当,但参数估计精度要高于标准粒子滤波以及扩展卡尔曼滤波算法,估计误差甚至要低于系统模型的克拉美劳下界.