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.     

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。     

基于观测迭代的插值粒子滤波算法

基于序贯重要性抽样(SIS)及贝叶斯理论的粒子滤波能够很好地处理非线性及非高斯问题。如何选取重要密度函数以减小粒子退化影响提高粒子滤波精度是粒子滤波的主要问题之一。传统粒子滤波器以高斯分布作为参考分布。由于没有利用新的观测,通常需要大量的粒子才能准确表达状态后验分布。本文采用基于观测迭代的插值参考分布提高重要密度函数估计精度,减少了后验概率密度估计误差,同时结合观测系统的最近一次的量测,更好的匹配后验概率密度。 仿真结果显示该滤波器要优于其他粒子滤波器。      

基于粒子滤波的MIMO-OFDM时变信道半盲估计

提出一种基于粒子滤波的MIMO-OFDM时变信道半盲估计方法。首先，对粒子滤波算法进行改进，通过对采样粒子分布进行局部优化调整，提出一种局部优化粒子滤波算法。然后，将该粒子滤波算法用于MIMO-OFDM时变信道估计。由于该信道估计过程在频域进行，因而无需已知（或估计）多径信道长度。与现有时变信道半盲估计方法相比，本方法具有估计误差低、对非高斯噪声顽健性强等特点，从而有效改善了接收端的符号检测性。计算机仿真结果证明了本方法的有效性。     

基于序贯重点采样粒子滤波的分布估计算法

 连续域分布估计算法一般假设数据服从高斯分布,而且大多采用了单峰的概率模型,但是对于一些复杂的优化问题,单峰的高斯分布模型不能有效地描述解在空间的分布.本文提出一种基于序贯重点采样粒子滤波的分布估计算法,采用带权粒子描述优选集样本服从的概率分布并从中采样得到下一代种群,不需要假设样本服从高斯分布,并且算法采用的概率模型是多峰的.仿真实验结果验证了本文方法的正确性和有效性.     

基于贝叶斯原理的粒子滤波技术概述

针对现有非线性滤波算法收敛性及鲁棒性较差的问题 ,重点论述了基于贝叶斯原理的序贯蒙特卡罗粒子滤波器 ,指出其可能存在退化现象 ,并对消除该缺陷的关键技术进行了分析     

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.     

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）。     

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。     

基于粒子重采样滤波算法的红外图像消噪

针对红外图像消噪的特性,提出粒子重采样滤波算法。首先通过Chapman-Kolmogorov方程对粒子群系统空间状态的概率密度函数预测状态;然后重采样去除小权值粒子,保留复制权值较大的粒子,且大权值粒子多次采样;接着有效粒子数阈值防止粒子退化,划分粒子权值为大、中、小三类,中权值粒子保留,大、小权值粒子合并产生新粒子,通过Thompson-Taylor算法随机挑选新粒子重采样;最后消噪模型采用两种噪声迭加成的混合双模噪声模型,给出了算法流程。仿真结果表明,本文算法在有效保留图像重要信息的同时对噪声的抑制效果更为理想。     

高斯-厄米特粒子滤波器

针对非线性、非高斯系统状态的在线估计问题,本文提出一种新的基于序贯重要性抽样的粒子滤波算法.在滤波算法中,我们用一簇高斯-厄米特滤波器(GHF)来产生重要性概率密度函数.此概率密度在系统状态的转移概率的基础上融入最新的观测数据,因此更接近于系统状态的后验概率.理论分析与实验结果表明:在观测模型具有高精度的场合或似然函数位于系统状态转移概率的尾部时,用GHF产生重要性概率密度函数的粒子滤波即高斯-厄米特粒子滤波(GHPF)的性能要明显地优于标准的粒子滤波、扩展的卡尔曼滤波、GHF.     

高斯粒子流滤波器

粒子流滤波器以粒子流速度场描述随机样本从先验分布到后验分布的演化,实现对系统状态的贝叶斯估计.针对其一般解计算复杂、难于滤波求解的问题,导出一种高斯假设条件下的粒子流滤波器.在线性高斯条件下推导了速度场的解析解;证明了当演化步长趋近于0时,该解析解与Kalman-Bucy滤波器的解具有一致的形式;基于该解导出了非线性高斯系统速度场的表达式,并进一步利用Unscented变换近似求解.通过若干仿真算例表明,高斯粒子流滤波器放宽了系统噪声为高斯型的限制,其精度优于经典非线性高斯滤波器,计算复杂度低于一般粒子滤波器,且具有良好的稳定性.     

粒子滤波在图像数据分析中的应用

利用粒子滤波的估值计算,以电泳凝胶图像的数据分析为例,在不破坏原始数据的条件下,对被噪声和其它缺陷污染的蛋白点进行量化,实验证明粒子滤波算法可以快速有效地抑制干扰因素,恢复真实的数据特性。     

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.     

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.     

一种新型混合并行粒子滤波频率估计方法

针对高动态、低信噪比环境下的载波频率信号跟踪问题,提出一种新的混合并行粒子滤波算法（ Multi-ple Extend Kalman Filter Independent Metropolis Hastings ,M-E-IMH）。该算法具有并行运算结构,实时性较基本粒子滤波有较大的提高。该算法直接利用同相支路（In-phase,I）和正交支路（Quadrature,Q）作为观测量,避免了传统方法中的鉴别器引入而引起的信噪比损耗。在高斯和非高斯环境下,与现有的载波跟踪方法如扩展卡尔曼滤波器（ EKF ）,粒子滤波器（ PF）,卡尔曼滤波器（ KF）等仿真对比表明,该方法在低信噪比下具有更高的跟踪精度。     

基于权重一致性优化的实时Marginalized粒子滤波算法

针对Marginalized粒子滤波中随机量测噪声对于非线性状态估计精度的不利影响以及线性状态估计中计算量较大问题,提出了一种基于权重一致性优化的实时Marginalized粒子滤波算法.首先,结合量测系统建模中先验信息的提取和利用,通过粒子权重间一致性距离和一致性矩阵的构建,提出了量测提升策略下权重的一致性优化方法,以改善粒子滤波在非线性状态估计中的滤波精度.其次,通过对Marginalized粒子滤波实现中时间更新和量测更新环节的结构优化,给出了实时Marginalized粒子滤波,以降低蒙特卡罗仿真实现下卡尔曼滤波在状态线性估计中的计算复杂度.最后,在两者的动态结合基础上给出了新算法具体实现步骤.利用基于单站雷达目标跟踪仿真场景,分析了算法性能.理论分析和仿真实验结果验证了算法的可行性和有效性.