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Sh相关系数的非线性系统状态粒子估计算法

本文提出一种适用于非线性系统状态的粒子估计算法--基于Sh相关系数的粒子估计(PE)算法.该算法主要由预测、更新和平滑组成,利用被估计状态观测值路径和粒子观测值路径之间的Sh相关系数来修正粒子权值.仿真实验结果表明,该算法在状态估计精度上优于序列重要性重采样(SIR)算法、辅助粒子滤波(APF)算法、正则化粒子滤波(RPF)算法、高斯粒子滤波(GPF)算法和高斯混合粒子滤波(GSPF)算法.     

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.     

基于粒子滤波的传感器故障检测

随着信息时代的到来,在现代自动化测控系统中,传感器因其可以辅助控制,使设备工作在正常状态而具有重要影响。针对实际系统中的非线性特点,本文采用粒子滤波算法对三种常见传感器故障：恒偏差、恒增益以及卡死故障进行故障检测,仿真结果验证了该方法的有效性。     

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）。     

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。     

基于粒子滤波和联合概率数据关联的目标跟踪算法

为了解决非线性非高斯系统下多目标跟踪问题,对基于粒子滤波和联合概率数据关联的目标跟踪算法进行了深入研究。在多目标聚集且目标跟踪门可能交叉时,考虑使用基于多目标组合采样的JPDA算法,在多目标聚集不严重时,考虑使用基于独立采样的JPDA算法。仿真结果表明：该方法可以有效地解决非线性非高斯下多目标跟踪问题。     

一种基于高斯粒子滤波的RAIM算法研究

针对在强非线性条件下扩展卡尔曼滤波 RAIM 算法(EKF-RAIM)性能下降的问题， 本文提出了一种基于高斯粒子滤波的 RAIM 算法(GPF-RAIM)。GPF-RAIM 采用高斯粒子进行非线性状态近似估计，在递推时按高斯分布重新生成新的粒子集合，能够解决粒子的退化问题， 不需要进行重采样步骤，保持了粒子的多样性。仿真结果表明，GPF-RAIM 能够有效的检测伪距跳变，相较于 EKF-RAIM 方法，可以获得更小的状态估计误差，提高检测性能。     

基于最优采样函数的粒子滤波算法与贝叶斯估计

传统粒子滤波器(PF)直接根据状态演化方程产生新的粒子,由于没有考虑新近观测对状态估计的影响,这种滤波器性能较差,即便在粒子数目很大的情况也是如此。为此,本文提出一种基于序贯重要采样(SIS)的改进粒子滤波算法,该算法采用集成了新近观测量的最优采样(或重要密度)函数指导粒子的生成,使粒子权值的方差最小化,能有效减轻粒子退化问题;同时。在粒子重采样之后增加了马尔科夫链蒙特卡洛(MCMC)过程,消除了重采样引起的粒子贫化的负面影响,从而使粒子的多样性得以保持。对非线性系统的状态估计和只测角跟踪的仿真实例均表明,本文所提出的算法比传统估计算法如EKF,UKF具有更高的精度和更强的鲁棒性;与标准PF相比,其性能也有较大的提高,并可以在相同的估计精度下大大减少所需的粒子数目,是一种有效的非线性滤波算法。     

功率控制中基于精确ISCP估计的信干比估计

远近效应和多径衰落会降低WCDMA收发器的性能.快速功率控制的广泛应用就是为了减小这种不良影响,这样就需准确地估计出接收信号的信干比.文中在传统SIR估计方法的基础上,提出了一种改进SIR估计的方法.此方法考虑并消除了多径间的干扰,克服了其它现有方法在精确度、复杂度和实时性方面的不足.经仿真验证,文中提出的SIR估计方法相比传统算法更为精确.     

基于正交解扩的信干比估计方法

研究了TDD-CDMA(时分双工-码分多址)系统中的SIR(信干比)估计问题。现有的SIR估计方法准确度依赖于信道条件和观测时间,而TDD-CDMA系统复用时隙短,车速条件下信道变化剧烈的特点使得估计准确度降低。针对这种情况,提出了一种基于正交解扩的SIR估计方法。通过COSSAP仿真对比结果表明,该方法在瑞利衰落信道和AWGN(加性高斯白噪声)信道条件不同调制方式下,从低SIR到高SIR的很大范围内都有比较好的性能。     

基于快速超分辨率重建与残差连接的信道估计

将信道估计视为低分辨率图像重建为高分辨率图像,借鉴图像超分辨重建思想,提出了一种基于快速超分辨重建及残差连接思想的信道估计方法——ResFSRNet。采用最小二乘法(Least Square,LS)计算单个正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)子帧中所有导频处的信道响应,将其视为小尺寸低分辨率“图像”作为神经网络输入,利用多个卷积层对其进行特征提取,且融入残差连接提升性能,最后通过转置卷积重构出完整OFDM子帧信道响应。在不同抽头延迟线信道环境中进行仿真,通过信道估计误差和链路误码率结果比较,表明ResFSRNet性能优于LS、实用信道估计及基于超分辨率重建的ChannelNet,且较ChannelNet在减少约99%计算量的前提下提高了约2 dB信道估计性能。     

基于平滑伪Wigner分布的伪码与线性调频复合侦察信号参数估计

该文研究伪码-线性调频复合体制侦察信号识别的平滑伪Wigner时频分析方法,推导了PRBC-LFM侦察信号的SPWVD时频分布函数,通过对=0+Kt截面上SPWVD分布分析,从中提取了与载频、调频斜率和伪码参数(子脉冲宽度、编码位数、脉冲周期等)有关的特性,设计了参数估计方法。最后在高斯噪声环境下对理论分析的结果进行了仿真,结果表明在相同的信号环境下,该文提出的方法对PRBC-LFM信号的参数估计精度优于基于谱相关以及基于Wigner分布的参数估计性能。     

多传感器故障检测与隔离的残差产生器设计方法研究

为了解决多传感器故障检测与隔离这一难题,建立了包含卡死、增益时变和偏差时变等三种典型传感器故障的数学模型.借助输出方程,将待检测的传感器故障转换到系统状态方程中进行处理.设计出既能检测出故障,又能将各个故障进行有效隔离的残差产生器,同时还要给出设计残差产生器过程中未知参数的求解方法.用算例对上述设计结果的有效性进行计算...     

基于有限状态机的错误诊断算法

基于有限状态机的协议的一致性测试问题已经得到了广泛的研究。在检测到错误后,如何诊断错误是一个很重要的问题。该文在有限状态机模型和单个错误的假设下,提出了一种新的错误诊断算法,该算法利用已经确定正确的转换信息以及可疑转换的下一个输入/输出对的头状态集合等信息来高效地诊断单个错误。文中给出了与已有的错误诊断算法的比较结果,并且用一个具体的实例来详细描述本文提出的算法。     

基于故障统一模型的故障检测策略

随着集成电路制造工艺持续向纳米尺度的推进,数字电路受老化、工艺误差、软错误等故障所造成的时序偏差越发突出,严重威胁了电路的“时序安全”。文中通过分析故障影响信号稳定性侵犯模型,提出了一种新的故障检测模型。该模型扩展了现有的故障检测能力,通过使用C单元作为稳定性检测器输出单元,提高了其对高速的适应性。仿真结果显示,与已有结果相比其具有明显的速度优势和较小的硬件开销。     

基于ICSM-UKF算法的UCAV目标状态估计

针对在UCAV对运动目标状态估计时,"当前"统计模型(Current Statistical Model,CSM)中加速度上下限在采样周期内为常数的不合理性,应用模糊自适应控制理论,提出了一种改进的"当前"统计模型(Improved Current Statistical Model,ICSM),给出了模糊隶属度函数;对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)不具有应对量测噪声统计不精确或未知的自适应性,提出了一种带量测噪声统计估计器的自适应UKF算法;将ICSM-UKF算法与基于"当前"统计模型的EKF算法进行了对比仿真,仿真结果表明该算法具有滤波精度高、稳定性强的优点。     

基于极大似然估计的奇异点检测

信号的奇异点往往包含信号比较重要的信息,对其进行检测和定位在许多实际问题中都有重要的意义。根据脉冲型奇异点的特点,提出了一个基于极大似然估计的脉冲奇异点检测方法。该方法利用Bernoulli概型来建模,用于对脉冲奇异点的检测,将脉冲奇异点的检测问题转化为一个参数估计问题,并利用极大似然估计方法给出了参数的估计。通过对大量的仿真信号及真实信号脉冲奇异点的检测证明,该检测方法计算简单,行之有效。     

基于ERWT的NLFM信号检测及参数估计

提出了扩展Randon-Wigner变换(ERWT)算法原理,并结合非线性调频(NLFM)雷达信号时频特征,将回波信号的时延及多普勒频移对应到ERWT参量空间,基于参量空间的分布特征实现NLFM检测及参数估计.该方法对常规时频方法存在的交叉项不敏感,时延估计精度较高.计算机仿真试验验证了该方法的有效性.