自调整平滑区间粒子滤波平滑算法

针对非线性系统的状态估计问题, 提出了一种自调整平滑区间粒子滤波平滑算法. 该算法的显著特点是根据采样粒子观测值与系统状态观测值之间的偏差动态修正滤波平滑区间的长度, 有效抑制了传统的粒子滤波平滑算法中因区间长度固定可能造成粒子权重重新赋值带来误差增大的问题. 该算法的原理是依据粒子滤波器的工作机理, 把系统状态信息和热槽组成一个抽象的整体, 将粒子滤波平滑过程类比为观测信息和热槽交互的统计力学系统. 在无新的观测信息时, 整个系统遵循热力学第二定律, 即无论从任何初始状态出发, 整个力学系统的熵是非减的; 而当出现新的观测信息时, 粒子滤波器像麦克斯韦妖从新的观测信息中抽取能量传送给热槽, 使整个抽象系统的熵减少, 根据系统熵的递变规律变化对滤波平滑区间的长度加以动态修正, 优化粒子的权重赋值, 进而提高系统状态的估计精度. 利用matlab进行了仿真分析, 验证了该算法的有效性.     

随机摄动强跟踪粒子滤波算法

如何解决粒子的退化问题和提高算法对突变状态的跟踪能力,是粒子滤波算法研究和应用中需要考虑的两个主要因素.传统的再采样算法虽然可以解决退化问题,但是容易导致粒子耗尽;扩展粒子滤波算法虽然可在一定程度上解决粒子耗尽问题,但其对突变状态的跟踪能力却不近人意;强跟踪粒子滤波算法可以提高对突变状态的跟踪能力,但却未能较好地改善粒子退化问题.针对上述问题,本文将随机摄动再采样方法引入强跟踪粒子滤波算法,提出了一种随机摄动强跟踪粒子滤波算法.当粒子退化问题严重时,对权值最大的粒子迭加随机摄动,用摄动粒子替换退化粒子以解决粒子退化问题,同时由于摄动粒子的加入增加了粒子集的多样性,可在一定程度上缓解粒子耗尽问题,提高算法对突变状态的跟踪能力.利用标准验证模型和分时恒定系统对所提出的算法进行了仿真验证,仿真结果证明了该算法的可行性和有效性.     

基于Stiefel流形的粒子滤波器研究

为了解决粒子滤波的粒子退化和粒子多样性丧失问题,提出了一种基于Stiefel流形的粒子滤波算法.该算法将系统模型置于Stiefel流形上,用朗之万分布描述过程转移概率分布,用矩阵正态分布表示似然函数分布,在流形分布上进行粒子采样.在计算加权粒子的均值时,将流形嵌入到欧氏空间中,先计算欧氏空间中的粒子均值,再将计算结果投影到嵌套流形上,这就排除了噪声统计特性对粒子权重方差的影响,得到了一种受系统状态模型限制较少的重要性概率密度函数通用选择方案.仿真时选取单变量非静态增长模型,仿真结果验证了该算法的实时性、鲁棒性,滤波精度和滤波效率均比无味粒子滤波算法更好.     

混合退火粒子滤波器

针对非线性、非高斯系统状态的在线估计问题，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，用状态参数分解和退火系数来产生重要性概率密度函数，此概率密度函数综合考虑了转移先验、似然、噪声的统计特性以及最新的观察数据，因此更接近于系统状态的后验概率. 理论分析与仿真实验表明该粒子滤波器的性能明显优于标准的粒子滤波器和扩展卡尔曼滤波器. 关键词： 非线性 非高斯 粒子滤波 序贯重要性抽样     

鲸群优化的粒子滤波算法研究

针对标准的粒子滤波存在粒子贫化问题,提出了一种鲸群优化的粒子滤波算法.用粒子表征鲸鱼个体,模拟鲸鱼群体搜寻猎物的过程,引导粒子向高似然区域移动.将粒子滤波中粒子的状态值作为鲸鱼群的个体位置,将粒子的状态估计转化为对鲸鱼群的寻优;通过鲸群的螺旋运动方式优化粒子的重要性采样过程,使粒子分布更加合理,对鲸群算法中的全局最优值...     

基于粒子滤波的单通道正弦调频混合信号分离与参数估计

以单通道正弦调频(SFM)混合信号为研究对象,提出了基于粒子滤波的正弦调频混合信号分离与参数提取方法.针对正弦调频混合信号频率无跳变的特征,提出了一种基于粒子滤波的相位差解混叠算法,并通过源信号相位差解决了本算法中粒子滤波高维状态空间降维问题,提出了一种适合高维状态空间的似然函数模型,比较固定长度粒子估计值和真实值误差,进而准确衡量粒子权重.通过在重采样后引入MCMC转移,解决了静止参数下粒子多样性降低问题,有效提高粒子滤波迭代收敛速度.从而在先验知识仅已知信号调制方式的情况下,完成对单通道正弦调频混合信号的参数提取,并通过重构信号完成正弦调频混合信号分离.最后通过仿真分析发现,该方法能够有效的实现正弦调频混合信号的分离与参数估计.     

基于混合粒子滤波的水下小目标跟踪

针对水下小目标粒子滤波估计过程中“粒子贫化”引起的估计性能下降,提出了混合粒子滤波算法。该算法在常规粒子滤波算法基础上,在每一步迭代估计过程中进行量测的再次随机采样,以丰富随机粒子多样性,缓解水下小目标状态估计过程中的“粒子贫化”的影响。对算法进行了仿真分析,并将该方法用于水下小目标探测实验的数据处理,结果表明,相比于常规的粒子滤波算法,所提出的混合粒子滤波得到了误差更小且稳定的状态估计结果,有效地改善水下小目标跟踪的精度和稳健性。     

基于粒子滤波的一种改进的资料同化方法

针对在粒子数较少时传统的集合卡尔曼滤波和粒子滤波方法不能有效表征后验概率密度函数(PDF)的问题, 提出了一种改进的粒子滤波方法. 主要思想是在预测步之后引入更新步, 并且将观测时刻与非观测时刻的同化分析进行区别处理. 对典型的低维和高维混沌系统的仿真结果表明:改进粒子滤波方法是一种非常有效的估计非线性非高斯随机系统状态的方法.     

基于自适应粒子滤波的红外目标跟踪

为有效解决非线性环境中的红外目标跟踪问题,提出一种自适应粒子滤波目标跟踪算法.建立了目标加权概率模型.在滤波过程中,提出双过程粒子重抽样方法,形成对抽样粒子集的自适应调节,有效地解决了粒子退化问题.用实际红外图像序列做了实验.结果表明,在非线性环境下用该方法得到的红外目标跟踪结果优于用传统粒子滤波和扩展卡尔曼滤波算法获得的结果.     

基于不敏粒子滤波的水中非合作磁性目标实时磁定位方法

针对水中非合作磁性目标的实时定位问题, 提出了一种基于不敏粒子滤波(unscented particle filter, UPF)的实时磁定位方法. 从非合作磁性目标的运动特征出发, 建立了状态空间模型, 利用UPF算法对目标状态进行实时估计. 为了提高系统的可观测性, 在算法迭代过程中对粒子状态进行约束及利用最小二乘法反演磁矩. 仿真与铁磁物体定位实验结果表明, 该方法的定位精度较高, 实时定位效果较好, 可用于近场实时磁定位问题中. 关键词： 磁定位 椭球体模型 状态空间模型 不敏粒子滤波     

基于概率假设密度滤波平滑器的检测前跟踪算法

基于概率假设密度滤波(PHD)的检测前跟踪(TBD)技术可以有效解决未知弱小多目标检测问题。PHD-TBD算法粒子权重计算受量测噪声影响明显,导致目标数估计存在起伏现象,制约了PHD-TBD算法性能。对PHD-TBD技术进行研究,引进概率假设密度滤波平滑器,提出基于平滑的PHD-TBD算法。该算法对当前帧目标数估计时,综合利用前向递推和后向平滑结果对粒子权重进行更新,在一定程度上克服了随机量测噪声的影响。通过仿真验证,该算法能够有效发现目标,准确估计目标数目和位置,性能有较大提高。     

混沌信号在无线传感器网络中的盲分离

混沌信号在本质上属于非线性非高斯信号,它在无线传感器网络下的应用还涉及到信号量化问题,这使得混沌信号在此应用环境下的信号盲分离更为棘手.针对此问题,本文在容积卡尔曼粒子滤波的框架下提出一种解决方法.文中首先推导出观测信号的概率密度函数,在量化比特有限的情况下,采用最优量化器,获得最优的量化结果.在此基础上,使用容积卡尔曼滤波器产生粒子滤波中的重要性概率密度函数,融入最新的观测值,提高粒子对系统状态后验概率的逼近,提高信号盲分离的精度.仿真结果表明算法能够有效地分离混合混沌信号,参数估计的精度及其运算量均优于已有的无先导卡尔曼粒子滤波算法,其运行时间为无先导卡尔曼粒子滤波算法的88.77%.     

Signal reconstruction in wireless sensor networks based on a cubature Kalman particle filter

For solving the issues of the signal reconstruction of nonlinear non-Gaussian signals in wireless sensor networks(WSNs), a new signal reconstruction algorithm based on a cubature Kalman particle filter(CKPF) is proposed in this paper.We model the reconstruction signal first and then use the CKPF to estimate the signal. The CKPF uses a cubature Kalman filter(CKF) to generate the importance proposal distribution of the particle filter and integrates the latest observation, which can approximate the true posterior distribution better. It can improve the estimation accuracy. CKPF uses fewer cubature points than the unscented Kalman particle filter(UKPF) and has less computational overheads. Meanwhile, CKPF uses the square root of the error covariance for iterating and is more stable and accurate than the UKPF counterpart. Simulation results show that the algorithm can reconstruct the observed signals quickly and effectively, at the same time consuming less computational time and with more accuracy than the method based on UKPF.     

一种基于粒子滤波的雷达抗欺骗干扰方法

针对雷达的抗欺骗干扰问题,利用欺骗干扰信号强于目标信号的特点,基于粒子滤波进行了抗欺骗干扰研究。当存在欺骗干扰时,粒子滤波中各粒子的重要性权值会明显减小,据此可以检测干扰,并对受到干扰的数据点进行置零处理,使得欺骗干扰不再与匹配滤波器匹配,从而达到抑制干扰的目的。设计的粒子滤波算法不需要估计系统状态转移函数、系统量测噪声,从而使得算法更具实用性。仿真结果表明,该算法能有效地抑制欺骗干扰,且对干信比不敏感。     

利用粒子滤波从雷达回波实时跟踪反演大气波导

粒子滤波(particle filter,PF)是利用蒙特卡洛仿真方法处理递推估计问题的非线性滤波算法,这种方法不受模型线性和高斯假设的约束,是处理非线性非高斯动态系统状态估计的有效算法,适用于雷达回波反演大气波导(RFC)这类非线性非高斯问题.文中分别介绍了PF的基本思想和具体算法实现步骤,最后导出PF反演算法的迭代求解格式.数值试验结果表明,与扩展卡尔曼滤波(extended kalman filter,EKF)和不敏卡尔曼滤波(unscented kalman filter,UKF)相比,PF更适用于RFC这类高度非线性反演问题,可有效提高反演结果的稳定性和精度.     

基于粒子滤波状态估计的滚动轴承故障识别方法

提出了一种基于粒子滤波状态估计的滚动轴承故障识别方法,该方法主要包括故障模型建立和故障识别两个步骤。在故障模型建立部分,首先依据滚动轴承不同故障状态下的振动信号,建立对应的自回归模型,作为故障模型;在故障识别部分,将正常状态下对应的模型,转化为状态空间模型,设计粒子滤波器,然后对不同的故障状态进行估计,提取其残差的相关特征,并结合模型参数特征应用BP神经网络识别算法进行故障识别。最后以美国凯斯西储大学的滚动轴承振动数据为例,验证了该方法的有效性。     

A Kalman filter algorithm based on exact modeling for FOG GPS/SINS integration

The Kalman filter is widely applied in fiber optic gyro (FOG) inertial integrated navigation system. To solve the problem of hard acquirement of Kalman filter parameters, a novel algorithm for FOG GPS/SINS integration navigation based on exact modeling is proposed in this paper. The models of inertial sensors using Allan variance analysis are established in proposed algorithm and the precise Kalman filter model is obtained based on the correspondence between Allan variance coefficients and inertial sensors parameters. The simulation and experimental results show that Kalman filter parameters can be obtained for GPS/SINS integrated navigation system precisely and efficiently based on Allan variance modeling method, and the algorithm has reference value for theoretical perfection and engineering applications.