一种粒子群优化扩展卡尔曼粒子滤波算法

本文提出一种采用粒子群（PSO）优化扩展卡尔曼粒子滤波（EPF）的新算法．由于上一时刻的目标解对当前时刻目标的影响最大,提出粒子群中的粒子不考虑其自身最佳经历和群体最佳经历,而只考虑前一时刻的全局最优解;取上一时刻的目标解代表粒子集中全局最优解．采用粒子群优化扩展卡尔曼粒子滤波（EPF）的状态转移方程,使得粒子集在权值更新前趋向于高似然区域,从而更加逼近真实状态的后验概率密度分布,克服了粒子退化问题,提高了预估精度,并极大地降低了所需的粒子数．仿真实验结果表明,该算法预估性能优于传统的粒子滤波方法．     

基于改进粒子滤波算法的车速估计

针对基于粒子滤波算法设计的车速估计器因提议分布与实际分布不一致导致粒子退化使估计误差变大的问题,提出了一种通过修正提议分布减弱粒子退化影响的改进粒子滤波车速估计器。首先,基于车辆运动学模型和传感器特性建立系统的状态转移方程和观测方程。然后,利用传感器测量值与粒子状态值的差值设计提议分布修正项对状态转移方程进行修正,并对过程噪声做自适应处理。最后,利用CarSim-Simulink联合仿真平台在双移线工况和正弦转角输入工况下进行仿真验证。与自适应粒子滤波器相比,双移线工况下改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了40.25%和55.71%;正弦转角输入工况下,改进粒子滤波估计器产生的纵向速度估计值和侧向速度估计值的平均绝对误差分别减小了47.00%和41.21%。     

新的非线性滤波算法在GPS/DR组合导航中的应用

为解决传统粒子滤波算法中样本贫化的问题,提出一种新的粒子滤波算法.在重要性采样过程中,利用最新测量值,结合UKF滤波来产生粒子滤波中的建议分布;同时在再采样过程中,用高斯混合模型表示后验状态密度,引入最大期望(Expectation Maximization,EM)算法来获得该后验状态密度的参数,从新的参数分布中进行采样得到样本粒子,取代传统的再采样过程.把新算法应用到车辆组合导航系统中,仿真结果表明新算法的有效性.     

自适应UKF算法及其在GPS/INS组合导航中的应用

提出了一种自适应无迹Kalman滤波(UKF)算法.针对UKF受初始值误差和动力学模型异常扰动误差影响的问题,将自适应估计原理引入到UKF算法,将动力学模型信息对导航解的贡献进行合理调整.计算结果表明,在GPS/INS松组合导航系统数据处理时,UKF算法略优于扩展Kalman滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制动力学模型误差对导航解的影响,进一步提高导航解的精度和可靠性.     

一种遗传算法优化的无味粒子滤波方法

提出了一种采用遗传算法（GA）优化无味粒子滤波（UPF）的新方法遗传无味粒子滤波器（GAUPF）．在无味粒子滤波（UPF）获得比传统粒子滤波（PF）算法更好的重要性采样分布函数的基础上将遗传机制应用于粒子重采样,以进化设计思想克服粒子退化现象,通过优化UPF算法更好地解决了非线性、非高斯领域的目标跟踪问题．仿真结果表明,该算法较好地解决了粒子退化问题,提高了滤波的精确性．     

自适应调整建议分布的改进粒子滤波行人跟踪算法

为解决一般粒子滤波跟踪算法容易受到相似背景和遮挡干扰问题的影响,提出一种自适应调整建议分布的改进粒子滤波跟踪算法.该算法设计了一种新的建议分布函数,使其融入最近的观测信息来调整建议分布函数的方差以改变新粒子分布范围,提高新粒子的采样效率,降低了计算复杂度,一定程度上保持了粒子的多样性.实验结果表明:该算法有效解决了遮挡、相似背景混乱问题,整体跟踪性能优于粒子滤波算法.     

基于UKF的INS/GPS组合导航系统仿真

通过Unscented卡尔曼滤波(UKF)算法,研究INS/GPS紧耦合组合导航系统中滤波算法的问题,避免了对非线性的系统方程进行线性化。同时将自适应原理引入UKF,给出了一种自适应UKF算法。将EKF、UKF和自适应UKF分别应用到INS/GPS组合导航系统的滤波中。仿真结果表明,相比UKF算法,自适应UKF算法进一步提高导航解的精度和收敛速度,同时系统的鲁棒性也得到了提高。     

基于对称KL距离的自适应粒子滤波算法

针对粒子滤波算法中粒子数自适应的问题,提出了一种新的算法.将当前滤波时刻的粒子随机划分为粒子数相同的两个粒子群,并采用对称KL距离方法计算他们之间的信息距离,然后根据信息距离的大小决定增加或者减少下一时刻参与滤波的粒子数,从而实现了滤波过程中粒子数目的自适应.该方法在确保一定滤波精度的基础上,能够减少滤波过程中需要的粒子数,为降低粒子滤波算法的时间复杂度提供了新的途径.仿真结果表明了算法的有效性.     

非高斯噪声环境下的智能粒子滤波多用户检测方法

粒子滤波适用于任何非线性非高斯系统的状态估计问题,具有应用灵活、适用范围广等优点．建议分布的选择恰当与否直接决定着粒子滤波的估计精度和估计效率．针对这一难点提出了采用粒子群优化算法来确定粒子的建议分布．粒子群优化算法作为新的群智能算法同样适应于各类非线性非高斯系统,采用该算法确定粒子滤波的建议分布保证了粒子滤波广泛的适应性,同时提高了估计精度．最后在Alpha稳定分布噪声环境下对CDMA系统多用户检测进行了仿真,结果表明,采用智能算法来确定粒子的建议分布极大地提高了粒子滤波的估计精度．     

扩展卡尔曼粒子滤波算法的一种修正方法

针对扩展卡尔曼粒子滤波（EKF-PF）算法滤波精度较低的缺点，提出对其建议分布进行高阶修正的新算法．该算法针对非线性系统方程，基于二阶泰勒级数展开，利用高阶项对一阶扩展卡尔曼滤波（EKF）的状态估计向量及协方差阵做出适当修正，同时考虑到协方差阵计算中存在矩阵相减运算、计算误差以及参数不匹配等因素的影响，采用矩阵QR分解技术保证了协方差阵的正定性．新算法在一定程度上减小了局部线形化的截断误差，提高了建议分布的逼近程度．仿真实验表明，新算法在计算量增加不多的情况下，滤波精度有明显的提高．     

Passive Target Tracking Based on Current Statistical Model

Bearing-only passive tracking is regarded as a nonlinear hard tracking problem. There are still no completely good solutions to this problem until now. Based on current statistical model, the novel solution to this problem utilizing particle filter （PF） and the unscented Kalman filter （UKF） is proposed. The new solution adopts data fusion from two observers to increase the observability of passive tracking. It applies the residual resampling step to reduce the degeneracy of PF and it introduces the Markov Chain Monte Carlo methods （MCMC） to reduce the effect of the “sample impoverish”. Based on current statistical model, the EKF, the UKF and particle filter with various proposal distributions are compared in the passive tracking experiments with two observers. The simulation results demonstrate the good performance of the proposed new filtering methods with the novel techniques.     

基于平方根迭代UPF滤波的无源定位算法研究

无源定位是基本的导航问题之一,是机动目标跟踪问题研究的基础。针对固定辐射源的无源定位问题,常见的标准粒子滤波器存在收敛速度慢的缺陷,设计了一种基于平方根迭代的UPF滤波器,采用平方根迭代UKF算法作为提议函数,改进了传统PF算法,给出了一种SRUPF算法的设计方案。以一个典型的二维平面无源定位问题对算法进行仿真,仿真结果表明平方根迭代UPF滤波器和标准粒子滤波器相比,具有更高的估计精度,同时较一般UPF滤波器具有更好的数值鲁棒性和更快的收敛速度。     

一种强背景噪声下的WSN目标定位算法

为了进一步提高无线传感器网络(WSN)目标定位解算精度,提出了一种改进的Cubature粒子滤波(ICPF)定位算法.该算法运用最小二乘法估计移动目标当前初始时刻的位置,使用Cubature卡尔曼滤波和Gauss-Newton迭代法来充分利用测量更新后的状态最新信息,精确设计目标状态重要性密度函数,为粒子滤波提供相应的建议分布,从而能够更加有效改善粒子滤波器的性能.仿真实验结果证明,提出的改进算法在强背景噪声下能有效提高定位精度且收敛性增强,其性能优于标准粒子滤波(PF)、扩展粒子滤波(EPF)及Unscented粒子滤波定位算法(UPF).      

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。     

在线快速抑噪的自适应强跟踪滤波算法

针对强跟踪滤波算法对系统时变噪声缺乏自适应能力,导致系统状态估计精度较低的问题,提出一种可以在线估计噪声协方差阵的快速抑噪自适应强跟踪滤波算法,该算法可以抑制噪声对系统状态估计的影响,使系统状态估计迅速收敛到真实值附近.仿真实验对比了强跟踪滤波算法和快速抑噪自适应强跟踪滤波算法在噪声变化环境下的性能,结果表明：快速抑噪...     

基于优化组合重采样的粒子滤波算法

重采样过程的引入,消除了粒子滤波(PF)过程中的粒子匮乏现象,使PF方法迅速地在多个领域内得到应用,但重采样过程却削弱了粒子的多样性,从而导致滤波性能下降,甚至滤波发散.提出了一种基于优化组合的重采样方法,通过选取粒子和被抛弃粒子的适当线性组合而产生新的粒子,增加了粒子多样性,从而提高PF算法的精度.仿真结果表明,步长系数为零时,该算法等价于基本的PF算法;步长系数很大时,该算法不能收敛;在适当选择步长系数的情况下,该算法的滤波性能高于基本的PF算法.介绍了该重采样算法,仿真结果证明了该算法的有效性.     

基于改进粒子滤波算法的Bouc-Wen模型参数在线识别方法

在线模型参数更新是提高结构混合试验中数值子结构模型精度的有效手段。为了提高强非线性模型参数在线识别精度,在标准粒子滤波算法的基础上提出了一种改进的辅助无迹粒子滤波算法。在重要性采样中,基于最新观测信息采用无迹卡尔曼滤波方法计算每一个粒子估计,以提高粒子非线性变换估计精度;在重采样过程中,引入辅助因子修正粒子权值,以丰富粒子多样性、削弱粒子退化现象。采用改进粒子滤波算法针对Bouc-Wen模型进行了在线参数识别,并与标准粒子滤波算法、扩展卡尔曼粒子滤波算法以及无迹粒子滤波算法的参数识别精度和计算效率进行对比分析。结果表明,与其它3种算法相比,辅助无迹粒子滤波算法在单步计算耗时增加的基础上,在线参数识别精度明显提高,参数识别值波动幅度显著降低。最后,通过橡胶隔震支座拟静力试验,验证了采用改进粒子滤波算法在线识别Bouc-Wen模型参数方法的有效性。     

无人机组合导航系统的自适应算法研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响。同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低、稳定性差,还有可能发散。采用常规卡尔曼滤波无法解决此问题。为此研究了一种基于UKF的自适应卡尔曼滤波算法。在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,实时调整状态向量和观测向量的协方差,从而提高系统的性能。仿真结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的导航精度和稳定性。