正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波( RPF)的水下目标跟踪算法.文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较.仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高.     

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。     

非线性滤波算法性能对比

随着目标运动的多样性和复杂化,雷达非线性目标跟踪算法越来越受到重视。本文对目前非线性滤波的主要算法即扩展卡尔曼滤波、不敏卡尔曼滤波、粒子滤波的滤波模型、适用条件、性能进行了分析比较,通过一个非线性非高斯模型进行了仿真,验证了这些算法的性能,仿真结果表明非线性条件下粒子滤波算法要明显优于其它两种滤波算法。     

常用非线性滤波方法比较研究

几乎所有的现实系统都是非线性的,因而非线性估计问题显得尤为重要.通过分析3种常用的非线性滤波器:扩展卡尔曼滤波器、Unscented卡尔曼滤波器以及粒子滤波器的原理,确定其适用性.用单变量非平稳模型及再入目标跟踪模型,通过Monte-Carlo仿真计算估计的均方误差及时耗,进而对上述3种滤波器滤波精度、一致性以及运算量进行比较.     

多传感器顺序粒子滤波算法

粒子滤波是一种基于Monte Carlo仿真的最优回归贝叶斯滤波算法.这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型,因此能够很好地解决非线性、非高斯环境下系统的状态估计问题.为了能够有效地解决非线性、非高斯环境中的集中式多传感器状态估计问题,本文研究了多传感器顺序粒子滤波算法.首先,从理论上推导了一般的集中式多传感器粒子滤波模型;然后根据集中式多传感器系统的特点,提出了顺序重抽样方法.最后,给出了算法的仿真分析.仿真结果说明顺序粒子滤波方法能够明显提高多传感器系统状态估计精度,并且随着传感器数增多,改善的效果越好.     

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。     

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。     

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波（PF）直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波（7th-CQKF）对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波（CPF）。     

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.     

改进粒子滤波算法在目标状态估计中的应用

针对粒子滤波算法(PF)建议性函数的选择问题和粒子匮乏现象,提出了改进粒子滤波算法.该算法利用无迹卡尔曼滤波(UKF)产生建议性分布,提高估计精度;采用马尔科夫蒙特卡罗法(MCMC)保持粒子多样性,抑制粒子匮乏现象.仿真结果表明该算法的目标状态估计精度明显优于PF、UPF、PF-MCMC和PF-EKF-MCMC算法.     

基于无味高斯粒子滤波的空-海BO—TMA的研究

介绍了粒子滤波（PF）的基本思想和免重采样无味高斯PF（UGPF）算法的基本原理，特别针对空-海单站只测方位目标运动分析TMA（BO—TMA）问题应用UGPF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副，设计了典型的应用场景，给出了Monte Cado仿真运行结果；表明UGPF具有更高的估计精度、更好的收敛特性和滤波一致性。     

神经网络训练中的迭代扩展卡尔曼粒子滤波算法

基本粒子滤波算法已被成功用于训练神经网络,但该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,针对该问题提出在神经网络训练中,使用迭代扩展卡尔曼滤波器来生成建议分布.由于迭代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.实验结果表明,在训练神经网络时,迭代扩展卡尔曼滤波器作为建议分布的粒子滤波算法训练性能明显优于基本粒子滤波算法及扩展卡尔曼粒子滤波算法(EKPF).     

实时Marginalized粒子滤波算法研究

研究了蒙特卡罗粒子滤波技术,讨论了高维状态空间中的目标状态估计问题。针对粒子滤波算法的计算复杂度问题,提出了一种基于改进型快速高斯变换（IFGT）的Marginalized粒子滤波算法。仿真实验结果表明,该算法可以有效降低计算复杂度,并能保证粒子滤波的其它性能。     

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。     

粒子滤波算法研究现状与发展趋势

粒子滤波是解决非线性非高斯动态系统最优估计问题的研究热点。介绍了粒子滤波算法基本原理,分析了存在的几个关键问题和解决方法,进而总结归纳了当前15种主要改进的粒子滤波算法,同时介绍了粒子滤波目前主要应用领域,最后对粒子滤波的发展提出了展望。     

基于SIR粒子滤波状态估计和残差平滑的故障检测算法

很多基于模型的随机系统故障检测方法要求系统模型线性且服从高斯分布,对于非线性非高斯随机系统这些方法性能欠佳.目前基于SIR粒子滤波似然函数值的故障检测算法是一种较好的非线性随机系统故障检测算法.本文提出一种基于SIR粒子滤波状态估计和残差平滑的故障检测算法.该算法采用SIR粒子滤波获得系统状态估计值,用系统状态观测值与系统状态估计值的理想观测值之差作为反映故障的残差,再利用残差平滑值进行故障检测.实验结果表明,在状态转移噪声方差远小于状态观测噪声方差时,该算法的故障误报率与基于SIR粒子滤波似然函数值的故障检测算法接近,而该算法的故障漏报率明显优于后者.     

改进粒子滤波算法及其在目标跟踪中的应用

雷达目标跟踪量测系统常受到闪烁噪声干扰,导致传统滤波算法的滤波性能急剧下降甚至发散。文中提出了改进粒子滤波算法,利用扩展卡尔曼滤波产生重要性概率密度函数。提出改进的重采样策略,提高采样粒子的有效性。将文中算法与PF及EKPF算法进行了仿真比较,结果表明该算法具有较优的跟踪性能。     

一种改进的粒子滤波算法

在粒子滤波中,防止粒子退化的两个关键因素是选择适当的采样建议分布和重采样算法.针对建议分布的选择条件,提出了一种改进的粒子滤波算法,该算法采用强跟踪扩展卡尔曼滤波方法构建其建议分布.强跟踪扩展卡尔曼滤波可在线调节参数,从而使得系统具有更好的自适应性和鲁棒性,对高机动目标具有更强的跟踪效果.仿真结果表明,该算法的性能优于其它几种非线性滤波算法.     

基于粒子优化的多模型粒子滤波算法

针对模型信息引入粒子采样过程中导致用于逼近当前时刻真实状态与模型的粒子数减少问题,本文给出了一种基于粒子优化的多模型粒子滤波算法．在算法实现中,对每个粒子运行一个扩展卡尔曼滤波器,结合扩展卡尔曼滤波中预测更新机制实现最新量测信息的有效利用,进而提升单个采样粒子对于真实系统状态和模型逼近的有效性．理论分析和仿真结果表明：新算法在系统状态估计的精度以及模型辨识的准确性方面均明显地优于交互式多模型粒子滤波算法和多模型粒子滤波算法．     

基于粒子滤波的制导信息提取算法研究

针对当前精确制导面临的制导信息缺乏问题,提出了基于粒子滤波算法的制导信息提取算法研究。粒子滤波算法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势。文中以弹目相对运动方程作为系统的状态方程,目标的机动模型采用Singer模型,以导引头的输出数据作为系统的量测,利用粒子滤波算法进行弹目相对运动状态估计,从而求解得到视线角速率等制导信息。仿真结果表明了,基于粒子滤波算法的制导信息提取能够有效的提取出制导信息,具有较高的制导精度,满足制导控制系统对于状态估计性能要求。