代表点理论在粒子滤波算法中的应用

将统计学中的数论方法应用于粒子滤波,使用随机分布的均方差代表点,对粒子滤波中关键的初始粒子生成、重点密度采样及再采样过程给出了相应的代表点算法,得到了一个包含最少随机操作的、使用非等权值粒子的改进粒子滤波算法.     

MCMC粒子滤波算法研究及应用

粒子滤波算法是一种基于贝叶斯估计的蒙特卡罗方法,适用于非线性非高斯系统的分析,被广泛应用于跟踪、定位等问题的研究中。为了解决粒子滤波算法在重采样后,丧失粒子多样性的问题,本文在粒子滤波算法的重采样步骤后,加入了马尔可夫链蒙特卡罗（Markov Chain Monte Carlo,简称MCMC）移动步骤,增加粒子的多样性。利用粒子滤波算法和MCMC粒子滤波算法对目标跟踪问题进行了仿真,并且通过分析仿真实验结果,比较了两种算法的性能,结果说明加入MCMC粒子滤波算法的性能优于粒子滤波算法。     

一种改进的粒子滤波重采样算法研究

粒子滤波是基于递推的蒙特卡罗模拟方法的总称,可用于任意非线性,非高斯随机系统的状态估计.为了减轻退化现象,引入重采样过程,但重采样过程算法复杂,计算量大,不利于硬件实现,并且会削弱粒子的多样性,从而导致滤波性能下降.提出了一种将局部重采样和优化组合算法结合的重采样算法.将粒子按权值大小分类,小权值的粒子抛弃,大权值的粒...     

一种有效的粒子滤波器的改进算法

为了解决粒子滤波算法中重采样后粒子中包含重复点过多,从而丧失了粒子的多样性等问题,文中在重采样后引入一个马尔可夫链蒙特卡罗（MCMC）移动步骤来增加粒子的多样性,因而能更好地近似状态的后验概率分布。     

基于QMCPF-IMM的强机动目标跟踪算法研究

为了提高雷达对机动目标的跟踪精度,通过融合拟蒙特卡罗思想,提出了一种适用于非线性非高斯系统的拟蒙特卡罗粒子滤波交互式多模型算法。该算法利用拟蒙特卡罗采样,克服传统算法采样粒子间隙过大、粒子层叠问题,增加交互式多模型对机动目标跟踪时的有效粒子数;通过区间估计理论,解决拟蒙特卡罗支撑区间难以计算问题,并结合核密度估计重采样,保证采样粒子的低等差异性。仿真结果表明：与交互式多模粒子滤波算法相比,改进算法可在保证滤波实时性的同时,提高跟踪精度。     

基于微分进化的组合重采样粒子滤波算法

针对粒子滤波重采样带来的样本贫化问题,设计了微分进化组合重采样算法。通过引入微分进化算法的交叉变异操作保持了粒子多样性;同时将残差重采样和微分进化重采样算法组合起来,克服了单纯微分进化重采样的时滞性问题。蒙特卡罗仿真表明,所研究的算法在精度上有很大的提高,并且实时性较好。算法效率提高了1倍,只需300个粒子就可以达到残差重采样粒子滤波1000个粒子的效果,而且实时性提高了很多。     

基于UT的混合粒子滤波单站无源定位算法

为利用无源固定单站对运动辐射源快速定位,将粒子滤波和UT(unscented transformation)应用于单站无源定位,给出了一种基于UT的角度约束采样混合粒子滤波无源定位算法,该算法从UKF滤波得到建议分布,从该建议分布采样时引入角度测量对状态变量的约束,可以减少粒子滤波用于高维情况时所需的粒子数目,改善滤波性能.与EKF、UKF(unscented kalman filter)以及基于EKF的混合粒子滤波算法的仿真比较表明,本文算法在滤波收敛速度、跟踪精度以及稳定性方面优于其它算法,估计误差可以接近Cramer-Rao下界.     

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.     

基于改进的鲁棒机器人蒙特卡罗定位算法

针对粒子滤波过程的粒子退化问题和提高粒子的细化能力,提出一种基于改进的鲁棒机器人蒙特卡罗定位（Improved Robust Robot Monte Carlo localization,IRR-MCL）算法.首先利用扩展卡尔曼滤波来精确设计粒子滤波器的提议分布,将当前观测信息融入顺序重要性采样过程,以改善滤波效果,减小所需粒子数;然后,给出IRR-MCL定位算法的实现细节,实验结果表明,该算法与传统的方法在定位精度和鲁棒性方面都有显著提高.     

相似采样粒子滤波在混合系统估计中的应用

结合粒子滤波和Kalman滤波的边缘粒子滤波(MPF)是一种新的混合线性/非线性系统的状态估计方法,但是粒子滤波在计算上的复杂使得MPF难以兼顾系统实时性和精度的要求.针对此问题,提出一种基于相似采样粒子滤波算法的MPF滤波框架.算法从系统观测值中采样粒子,并通过一个计算相邻时刻粒子转移概率的步骤,提高了粒子使用率,使得算法能以少量粒子实现对非线性状态量的估计,进而提高Kalman滤波的精度和实时性.给出了算法原理分析和实现流程.以混合坐标系下的目标跟踪为对象,利用蒙特卡罗仿真研究了ILLH_MPF算法的应用,并与常规MPF方法进行了对比.     

基于代价参考粒子滤波器组的检测前跟踪算法

基于粒子滤波的检测前跟踪方法是检测和估计非线性调频信号的有效方法之一。但此类方法运算量大,难以并行执行。此外,由于粒子滤波算法收敛较慢,基于粒子滤波的检测前跟踪方法的检测和状态估计能力有待提高。针对上述问题,该文首先提出一种代价参考粒子滤波器组。该滤波器组收敛快速,具有完全的并行结构,可快速准确地估计非线性调频信号的瞬时频率。其次,提出基于代价参考滤波器组的检测前跟踪算法,可在给定虚警率下,在各个时刻检测目标和估计目标状态。两类非线性调频信号检测和估计的仿真结果表明,基于代价参考粒子滤波器组的检测前跟踪算法的检测性能、估计性能和运行速率均优于类似的方法,如基于粒子滤波的检测前跟踪方法,基于Rutten粒子滤波的检测前跟踪方法等。     

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时, 使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。     

基于均值漂移和粒子滤波的红外目标跟踪

为了提高红外目标跟踪的准确性和稳健性,提出了基于均值漂移(mean shift)和粒子滤波(PF)相结合的红外目标跟踪方法.在PF理论框架下,使用均值漂移为一种迭代模式寻找过程,对随机粒子样本进行重新分配,使粒子向目标状态的最大后验核密度估计方向移动,在均值漂移迭代过程中对样本权值进行更新.红外目标的状态后验概率分布用重新分配的加权随机样本集表示,对随机样本集使用PF算法实现红外目标运动的跟踪.实验结果表明,和一般PF和均值漂移相比,本文方法具有优越性和更强的稳健性.     

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.     

量子进化粒子滤波算法及其在说话人跟踪中的应用

以说话人跟踪问题作为应用背景,针对非线性、非高斯随机系统的状态估计问题,本文将量子进化算法和粒子滤波相结合,提出了一种量子进化粒子滤波算法.该算法采用量子编码来表示粒子;通过模拟量子坍塌产生粒子集,同时引入量子变异与量子交叉操作来保持粒子的多样性,从而提高了算法的滤波性能.计算机仿真与说话人跟踪实验结果表明,量子进化粒子滤波算法比通常的粒子滤波算法具有更好的滤波性能.     

Convergence results for the particle PHD filter

Bayesian single-target tracking techniques can be extended to a multiple-target environment by viewing the multiple-target state as a random finite set, but evaluating the multiple-target posterior distribution is currently computationally intractable for real-time applications. A practical alternative to the optimal Bayes multitarget filter is the probability hypothesis density (PHD) filter, which propagates the first-order moment of the multitarget posterior instead of the posterior distribution itself. It has been shown that the PHD is the best-fit approximation of the multitarget posterior in an information-theoretic sense. The method avoids the need for explicit data association, as the target states are viewed as a single global target state, and the identities of the targets are not part of the tracking framework. Sequential Monte Carlo approximations of the PHD using particle filter techniques have been implemented, showing the potential of this technique for real-time tracking applications. This paper presents mathematical proofs of convergence for the particle filtering algorithm and gives bounds for the mean-square error.     

基于复似然比的粒子滤波改进算法

针对低信噪比微弱目标的实时检测与跟踪问题,提出了基于复似然比的粒子滤波改进算法。该算法弥补了传统粒子滤波利用幅度似然比计算粒子权重而忽略相位信息的缺陷,推导了基于复似然比的粒子权重表达式,从而更好地利用了目标原始信息。同时,基于幅度似然比的权重计算需要多次进行贝塞尔函数运算,而基于复似然比的权重计算只需进行一次贝塞尔函数运算,可以有效降低计算复杂度。仿真结果表明：改进算法不仅在检测与跟踪性能上优于传统粒子滤波算法,所需计算时间也明显降低。     

基于遗传算法的智能粒子滤波重采样策略研究

智能粒子滤波通过借鉴遗传算法思想能够减轻粒子退化现象。在基于遗传算法的智能粒子滤波基础上,该文提出对低权值粒子的改进的智能粒子滤波(IIPF)处理策略。在对粒子进行分离、交叉后,优化遗传算子,对低权值粒子进行自适应处理。低权值粒子根据权值大小自行判断是否为底层粒子;底层粒子将直接进行变异,其余低权值粒子将根据变异概率随机变异。仿真结果表明,改进的智能粒子滤波(IIPF)性能优于智能粒子滤波、一般粒子滤波算法和拓展卡尔曼滤波。在1维仿真实验中,改进的智能粒子滤波误差较一般粒子滤波算法和智能粒子滤波分别降低了10.5%和8.5%,且具有更好的收敛性;在多维仿真实验中,改进的智能粒子滤波较智能粒子滤波在高度均方根误差和平均误差上分别降低了8.5%和7.5%,在速度均方根误差和平均误差上分别降低了11.5%和7.6%;在乘性噪声和非高斯随机噪声中,改进的智能粒子滤波依旧有10%以上的性能优势。     

应用粒子滤波器实现混沌通信系统的盲信道均衡

粒子滤波器(Particle filter,PF)是一种结合重要性权重抽样的序贯蒙特卡罗方法,能够应用到任意状态空间模型,并且能较好地估计经过非线性变化后的随机变量的统计特性.本文应用粒子滤波器和信号建模技术研究混沌通信系统的盲信道均衡问题,发展基于混沌的通信系统的盲均衡技术.仿真结果证实了,当Logistic映射作为混沌发生器和通信场景为固定参数与时变衰落信道时,该盲信道均衡器与基于扩展卡尔曼滤波算法的盲均衡器和基于无先导变换的自适应盲均衡器相比,有较好的均衡实现.此外,利用本文的盲均衡算法,实现了一种混沌调制通信系统的解调.     

一种目标特性辅助的积分粒子滤波新方法

针对非均匀稀疏采样环境下目标跟踪中的非线性滤波问题,提出了一种基于Gauss-Hermite积分和目标特性辅助的积分粒子滤波新方法(AQPF).在该方法中,构建了基于Gauss-Hermite积分的积分点概率密度函数作为重要性密度函数,同时,在时间更新阶段引入目标观测、目标观测的有效时间间隔、目标速度等目标特性,综合改善滤波器中预测粒子和预测协方差估计的准确性和粒子的多样性,有效提高目标状态的估计性能.实验结果表明,提出方法的估计性能要明显好于无迹kalman滤波(UKF)、积分kalman滤波(QKF)、粒子滤波(PF)、辅助粒子滤波(APF)和高斯粒子滤波(GPF),能够有效对目标状态进行估计.