基于SRCKF 的自适应高斯和状态滤波算法

针对非线性非高斯离散动态系统中的状态估计问题,基于高斯和递推关系,提出一种高斯和状态估计算法GSSRCKF.首先将状态噪声、观测噪声及滤波初值均表示为高斯和的形式,以平方根容积卡尔曼滤波为子滤波器分别估计各高斯子项对应的系统状态;然后结合各子项对应的权值实现全局估计;最后设计高斯子项对应权值的自适应策略,并采用约简控制法降低计算复杂度.仿真结果验证了所提出的算法在滤波稳定性方面的优越性.     

基于组合导航系统的非线性高斯滤波算法

由于组合导航系统具有强非线性和模型不确定性的特点, 工程中扩展卡尔曼滤波无法满足组合导航系统实际应用的要求. 为此, 针对贝叶斯框架下高斯类非线性滤波算法的估计性能给出具体分析. 首先, 在估计点处对非线性函数进行泰勒展开获得泰勒近似, 通过一阶矩和二阶矩分析滤波算法的近似精度; 然后, 通过数值稳定性对非线性滤波算法进行分析; 最后, 分别采用低维和高维模型对各滤波算法进行对比分析, 为组合导航系统的实践提供借鉴.

     

一种改进的高斯近似滤波方法

提出了一种改进的高斯近似(Gaussian approximate, GA)滤波方法, 推导了它的一般解和特殊解, 并证明了现有的高斯近似滤波方法是所提出的方法的一种特例.在提出的方法中, 不需要基于高斯假设重复地产生求积点, 而是直接地更新求积点.与现有的高斯近似滤波方法相比, 提出的方法利用了量测求积点修正状态求积点, 从而可以更好地捕获状态一步预测密度和状态后验密度的非高斯信息和高阶矩信息.此外, 提出的方法不仅适用于确定的系统模型而且还适用于随机的系统模型.单变量非平稳增长模型、垂直落体模型、再入飞行器目标跟踪的仿真验证了提出的高斯近似滤波方法的有效性和与现有方法相比的优越性.     

基于UKF的高斯和滤波算法

介绍了扩展卡尔曼滤波算法和无迹变换（unscented transformation,UT）算法,并对扩展卡尔曼滤波算法（EKF）和无迹卡尔曼滤波算法（UKF）进行比较,阐明了UKF优于EKF。在此基础上,提出了一种基于Unscented变换（UT）的高斯和滤波算法,该算法首先通过合并准则得到适当个数的混合高斯模型,逼近系统中非高斯噪声的概率密度;然后,再通过UT算法进行滤波。最后分别对基于EKF和UKF的滤波方法进行实验,并对实验结果进行比较与分析,验证了算法的有效性和优良性。     

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.     

基于粒子滤波的JPDA多目标跟踪算法

对于非线性非高斯系统的多目标跟踪问题,在已获得各目标初始信息和观测信息的基础上,结合联合概率数据关联算法,提出了一种基于数值积分粒子滤波的多目标跟踪算法.仿真结果表明,该算法在解决非线性非高斯系统的多目标跟踪问题时是可行有效的.     

基于灰色模型的改进粒子滤波算法

混合动态系统的估计问题其本质是利用观测值进行滤波,本文首先描述了基于贝叶斯理论粒子滤波算法,该算法可应用于非线性、非高斯系统中。针对粒子的退化和贫乏问题,并提出了基于灰色模型的改进算法。灰色系统理论可以对小样本空间进行建模预测,它对样本有无规律没有严格的要求,不要求知道样本是何种分布。数字仿真对算法进行了检验,表明按照改进的采样方法有效的遏制粒子退化和贫乏。     

基于正则化的高斯粒子滤波算法

针对非线性系统的状态估计问题,提出一种改进的高斯粒子滤波算法。该算法是基于正则化粒子滤波(RPF),将重采样中离散的概率分布函数近似为连续分布,进而在高斯粒子滤波(GPF)中引入正则化粒子滤波算法得到的最新预测值,并利用这一观测值进行状态估计的更新。最后,对RGPF和GPF两种算法进行综合分析和实验仿真,结果表明,与标准GPF算法相比,RGPF具有较高的滤波精度。     

基于高斯马尔可夫随机场的MAP估计在高斯噪声滤波中的应用

提出了基于高斯马尔可夫随机场(GMRF)的最大后验概率(MAP)估计在图像高斯噪声滤波中的应用方法。根据高斯噪声的先验特点,建立基于高斯马尔可夫随机场的退化图像恢复模型,从而将图像高斯噪声滤波问题转化为求解最大后验概率问题。先验概率可以根据马尔可夫随机场(MRF)和吉布斯分布(GD)的等效性, 用GD的概率估计。为了求解最大后验概率,第一,通过期望最大化(EM）算法对GMRF模型进行参数估计。第二,用共轭梯度法将目标函数最小化。实验结果表明,与其他滤波器（如高斯滤波、维纳滤波等）相比,本文所阐述的方法在滤除高斯噪声、保持图像原有结构方面效果更好。     

欠观测条件下的高斯和增量卡尔曼滤波算法

欠观测条件下的增量卡尔曼滤波算法能够消除未知的量测系统误差,提高滤波精度。当系统的过程噪声和量测噪声为非高斯分布时,该算法不能直接使用。针对该问题,结合高斯和滤波算法,提出一种欠观测条件下的高斯和增量卡尔曼滤波算法。该算法将初始状态、过程噪声和量测噪声近似为高斯和的形式,然后按照增量卡尔曼滤波的思想对每个高斯项进行预测和更新,最后以累加和的形式对状态向量进行近似。仿真结果表明,该算法在非高斯噪声分布的情况下,既能成功地消除量测系统误差,又能有效地提高滤波估计的准确度和可靠性。     

EM‐based adaptive divided difference filter for nonlinear system with multiplicative parameter

This paper is concerned with application of expectation maximization (EM) algorithm for deriving an adaptive version of divided difference filter for joint state estimation and multiplicative parameter identification of nonlinear system with the colored measurement noise. Owing to the fact that there exist a mutual coupling and interaction of state and parameter on each other, it requires a joint or simultaneous estimation of both state and parameter by a mutual iteration, and justly, EM iterates Expectation (E‐)step and Maximization (M‐)step to meet such requirement. Firstly, E‐step involves state filtering and smoothing issues under knowing the previous parameter identification results, which is well solved by resorting to the Gaussian approximation with a trade‐off between accuracy and complexity. Further, such Gaussian approximation estimators are applied for evaluating the condition expectation of complete‐data likelihood function, nonlinearly characterized by the multiplicative parameter needed to be optimized. Secondly, M‐step deals with the maximization of the condition expectation by directly making its derivative as zero to obtain the current general parameter identification equation as the nonlinear integral. Thirdly, by iteratively operating E‐step and M‐step, an adaptive divided difference filter is proposed for joint state estimation and parameter identification by using the second‐order Stirling interpolation to compute the associated nonlinear integral. Finally, the robust performance of the EM‐based adaptive version of divided difference filter to the unknown or time‐varying multiplicative parameter, as compared with the standard augmentation method, is demonstrated by a maneuvering target tracking example. Copyright © 2016 John Wiley & Sons, Ltd.     

基于高斯和SCKF 的姿态角辅助三维目标跟踪

首先, 根据目标运动与姿态角的关系, 分析目标在偏航角和俯仰角下的速度变化, 进而推导出姿态角辅助三维目标跟踪模型; 然后, 针对姿态角量测非高斯情况, 在分析均方根容积卡尔曼滤波的基础上, 提出新的高斯和均方根容积卡尔曼滤波算法, 以提高非线性非高斯的处理能力; 最后, 结合不同运动模式下姿态角分量的特点, 建立姿态角分量不同的跟踪模型, 通过模型切换实现对姿态角机动的跟踪. 仿真结果验证了所提出跟踪模型和滤波算法的正确性和有效性.     

一种迭代离差差分滤波算法及其应用研究

针对扩展卡尔曼滤波（EKF）和迭代EKF量测更新过程采用线性化误差传递,导致状态估计精度偏低的问题,将迭代方法、统计线性化误差传递和离差差分滤波器相结合,建立了一种新型迭代离差差分滤波方法．将该方法应用于再入弹道目标状态估计,仿真实验结果显示,此方法降低了测量方程的非线性对滤波的影响,有效提高了目标的状态估计精度．     

递推更新高斯粒子滤波器

传统高斯粒子滤波算法(Gaussian particle Filter,GPF)中,粒子的重要性密度函数是由高斯滤波器结合当前最新量测来构建的.由于传统高斯滤波器在量测更新阶段直接利用量测对状态进行线性更新,在某些条件下会导致所构建的重要性密度函数并不能很好地近似状态真实分布.为了解决这一问题,结合递推更新的思想,本文推导出了递推更新高斯滤波器(recursive update Gaussian filter,RUGF)的一般结构.并在此基础上,选用RUGF来构建粒子滤波的重要性密度函数,从而提出了基于递推更新的高斯粒子滤波算法(recursive update gaussian particle filter,RUGPF).仿真表明,在非线性系统状态估计问题中,递推更新可以很好的利用量测信息,相比于传统的GPF,本文所提出的RUGPF滤波算法可以提供更高精度的估计结果.     

基于目标尺度的自适应高斯滤波

将具有形态学意义的目标尺度与传统的线性高斯滤波相结合提出了一种自适应高斯滤波,它的主要思想是：利用求出的目标尺度来控制各像素点高斯滤波的方差和模板大小。针对原有的目标尺度求解算法不能适应可见光图像去噪的问题,一方面,引入中值滤波以去除对目标尺度求解影响较大的强噪声点,另一方面,又调整了求解目标尺度算法中的参数。仿真实验证明,该算法可以在去除噪声的同时保护图像的细节,而且不论从主观上还是客观上都优于传统的几类图像平滑算法,且不需要迭代求解,计算简单。     

基于高斯似然近似的自适应球面径向积分滤波算法

针对量测噪声较小的环境下传统滤波算法容易出现偏差增大的实际问题, 基于高斯近似原理, 提出一种基于高斯似然近似的球面径向积分滤波(SRGLAF) 算法. 为进一步解决量测未知环境下的状态估计问题, 充分结合CKF 等确定性采样型滤波算法和SRGLAF 的优势, 设计一种基于高斯似然近似的自适应球面径向积分滤波(ASRGLAF) 算法. 仿真结果表明: SRGLAF 能够提高量测噪声较小环境下的估计精度, 而在量测噪声未知环境中, ASRGLAF 能够有效地进行状态估计, 具有明显的滤波优势.

     

非线性系统中心差分集员估计方法

用于非线性椭球估计的扩展集员算法在实际应用中存在着实现性差、边界估计相对保守等缺陷.本文提出了一种用于非线性系统状态估计的中心差分集员估计方法,以改善传统非线性集员滤波算法的估计性能.为克服泰勒展开的固有缺陷,采用低阶多维Stirling内插多项式代替泰勒展开实现非线性模型的线性化处理;利用半定规划方法对线性化误差进行外包定界并将其融入过程噪声和量测噪声中,以降低误差定界的保守性;量测更新中,为提高算法的实时性,将量测椭球松弛为多个带的交,依次参与状态椭球的更新,从而实现状态定界椭球的次优估计;同时,对椭球—带交集迭代过程中椭球中心到超平面的归一化距离的计算方法进行了改进,使当前时刻每次迭代的椭球均参与计算并选取最优值,以减小累计误差.仿真结果表明了本文所提出算法的有效性和改进性能.