基于传声器阵列网络的改进高斯粒子跟踪算法

针对传声器阵列网络中目标跟踪的特点,建立了基于声阵列网络的目标跟踪模型,在此基础上,提出了一种改进的高斯粒子滤波(GPF)算法。该算法将扩展卡尔曼滤波的状态更新方法引入到GPF算法中,并通过直接更新状态量的高斯分布参数来取代传统GPF中逐个更新粒子的方法。通过蒙特—卡罗仿真结果表明:与扩展卡尔曼粒子滤波(EPF)和传统的GPF算法相比,该算法表现出较高的精度和稳定性。     

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.     

一种新的改进高斯粒子滤波算法及其在SINS/GPS 深组合导航系统中的应用

针对组合导航系统中出现的线性非线性混合滤波模型,提出一种新的混合高斯粒子滤波算法(MGPF).该滤波算法在状态更新过程中借鉴线性卡尔曼滤波思想直接更新状态量的高斯分布参数,而非逐个更新每个粒子,因此很人程度上减少了高斯粒子滤波算法(GPF)的计算量,同时滤波精度也有一定的提岛.建立了捷联惯性导航系统与全球卫星定位系统(...     

改进重采样的高斯粒子滤波定位技术

针对粒子滤波算法中仍然存在的样本匮乏现象,在高斯滤波的基础上,提出了一种改进重采样的高斯粒子滤波(IR-GHPF)算法.经过新的重采样后的粒子包含了更多相邻粒子的状态信息,提高了粒子的多样性.将此算法应用于无线定位系统中,仿真结果表明,该算法在NLOS环境下仍然具有较高的估计精度,其定位性能优于粒子滤波算法和高斯粒子滤波算法.     

基于容积卡尔曼滤波的高斯粒子滤波算法

高斯粒子滤波是一种免重采样的粒子滤波,不会出现粒子退化,但其重要性密度函数由于没有考虑到最新量测信息,使得滤波性能明显下降,且该算法没有较高的实时性。针对这个问题提出一种基于CKF的高斯粒子滤波算法—CKGPF算法。该算法利用CKF算法构造高斯粒子滤波的重要性密度函数,且在时间更新阶段借助CKF算法来完成只对高斯分布参数的更新。仿真结果表明,CKGPF算法相比于标准GPF算法不仅提高了滤波精度,而且还具有较好的实时性。     

基于B样条曲线的GHPF轮廓跟踪算法

针对视觉跟踪中粒子滤波算法的建议性分布函数选择问题,提出一种目标轮廓跟踪的高斯厄米特粒子滤波算法(GHPF).该算法采用B样条曲线描述目标轮廓,建立目标运动模型.利用高斯厄米特滤波器产生建议性分布函数,通过实时融入最新的观测数据来逼近系统状态的后验概率,提高了滤波估计的精度.实验仿真结果验证了所提算法的有效性.     

PF-EHF算法在惯导非线性初始对准中的应用

粒子滤波(PF)是解决非线性、非高斯估计问题的重要方法,是用粒子及其权重来表示后验概率密度。随机粒子建议密度的选取至关重要,决定着滤波性能。对扩展H∞粒子滤波算法(PF-EHF)进行研究,并应用于惯导系统非线性初始对准的状态估计。PF-EHF算法是以扩展H∞滤波(EHF)作为建议密度的新型粒子滤波算法,它便于利用最新的观测数据更新粒子,得到优化的状态估计和方差,进而改善滤波性能。仿真结果表明,PF-EHF的定位精度高于传统的EKF。     

闪烁噪声环境下机动目标跟踪的改进的高斯-厄米特粒子滤波

针对闪烁噪声环境下机动目标跟踪的非线性、非高斯问题,提出了一种改进的高斯-厄米特粒子滤波算法.和传统的高斯-厄米特粒子滤波算法相比,在生成粒子集时,改进的高斯-厄米特粒子滤波算法采用高斯-厄米特滤波对当前时刻的各个粒子进行估计,将得到的估计值和协方差直接作为粒子滤波算法的粒子集及相应的协方差.仿真结果表明,改进的高斯-厄米特粒子滤波算法对闪烁噪声环境下的机动目标能够进行有效的跟踪,提高了跟踪精度.     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.     

缺失数据下基于带约束粒子滤波的状态估计

实际工业过程具有强非线性非高斯噪声等特点,粒子滤波是一种常用的状态估计方法。带约束粒子滤波通过极大后验概率密度函数原则,将超出约束区域的状态估计值映射到约束区域,保证了状态估计的有效性。本文针对检测值部分缺失和全部缺失两种情况,提出一种缺失数据下的带约束粒子滤波算法。该算法基于贝叶斯原理,分别从先验粒子权值的计算以及状态估计值的映射两方面考虑了缺失数据的影响。仿真例子验证了该算法的有效性。     

基于高斯粒子滤波法的CIR利率期限结构估计

为了提高CIR利率期限结构模型中的状态估计精度,建立了该问题的离散非线性滤波模型,采用高斯粒子滤波法进行状态近似最优估计.相对于文献中普遍采用的扩展卡尔曼滤波方法,高斯粒子滤波法避免了线性近似带来的误差,利用基于重要性采样得到的高斯分布来近似状态变量的后验分布,具有更强的状态估计能力.仿真实验比较了高斯粒子滤波和扩展卡...     

迭代测量更新CDKF的粒子滤波方法

为了提高中心差分卡尔曼粒子滤波（CDKFPF）算法跟踪时的估计精度,提出了一种基于迭代测量更新CDKF的粒子滤波（ICDKFPF）新算法。该算法利用迭代中心差分卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,并用Levenberg-Marquardt方法对状态协方差进行修正,使粒子的观测信息得到充分有效的利用,更加符合真实状态的后验概率分布。仿真结果表明,所提出算法的估计性能要明显优于标准的粒子滤波（PF）和中心差分卡尔曼粒子滤波（CDKFPF）。     

基于方差缩减技术的一种自适应粒子滤波器设计

退化现象是粒子滤波(PF)在非线性状态估计应用中存在的主要问题, 重采样过程一定程度上解决了粒子退化现象, 但同时带来了退化现象所导致的样本贫化问题. 本文将方差缩减技术用于PF之中, 通过给所有粒子权重赋予一个指数衰减因子来解决粒子退化现象, 该衰减因子可以根据有效粒子数进行自适应、迭代的选取, 随后通过一个定理来证明了该方法的有效性, 并基于此提出了一种自适应粒子滤波(APF)算法, 给出了算法的具体步骤, 同时对参数选取的原则和算法的局限性进行了详细的讨论. 最后, 通过一个数值例子说明了本文所提出的APF算法在计算负荷不大的条件下较采样-重要性-重采样粒子滤波(PF-SIR)、遗传粒子滤波(GPF)、粒子群优化粒子滤波(PSOPF)具有更高的估计精度.     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

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。     

一种新型高精度非线性滤波算法研究

针对非线性、非高斯系统状态的在线估计问题,提出了一种新的高精度粒子滤波算法。该算法通过引入积分修正因子,对积分卡尔曼滤波器的积分点进行在线修正,并采用修正后的积分卡尔曼滤波产生优选的建议分布函数,由于高精度地融入最新量测信息,一定程度上克服了权值退化问题。仿真实验表明,新算法具有较高的滤波精度,是一种有效的非线性滤波算法。     

多传感器分布式信息融合粒子滤波器

针对非线性非Gaussian系统的状态估计问题,提出一种基于信息融合的多传感器分布式粒子滤波算法。该算法首先利用粒子滤波方法分别计算局部传感器的状态估值,再应用分布式标量加权融合准则对状态估值进行信息融合。仿真结果表明和单传感器情形相比可提高滤波的精度。