搜索能力自适应增强的群智能粒子滤波

针对传统粒子滤波的退化、样本枯竭现象及其导致的状态推理精度差的问题,提出了一种新型粒子滤波算法。利用群智能优化算法中的粒子群优化算法作为优化手段,改进粒子的先验分布。通过自适应地调节粒子的惯性权值增强粒子群的探索和开发能力,减少粒子群优化算法的早熟现象,使得采样后的粒子朝着高似然区域移动,从而有效地提高系统状态推理精度。利用Crame′r Raolowerbound定义了算法有效性的度量。通过仿真实验证明该算法是有效和稳定的。     

基于CRPF的残差似然比检验故障诊断算法

分析了非线性系统故障诊断领域中常用方法的优缺点,针对外界随机扰动对于滤波精度的不利影响以及故障诊断的连续实现问题,通过代价评估的粒子滤波、交互式多模型和序贯概率比检验三者的有机结合,提出了一种基于代价评估粒子滤波的残差似然比检验故障诊断算法。采用代价评估粒子滤波替代交互式多模型中的次优滤波器,同时简化交互式多模型输入交互和输出交互环节。将滤波过程中得到的残差信息引入序贯概率比检验框架中,构建了一种新的在线残差似然比检验方法。实现了对于非线性系统状态有效估计以及对于系统模式连续、可靠的辨识。计算机仿真实验验证了算法的有效性。     

带未知时变噪声系统的卡尔曼滤波算法研究

针对带有未知时变噪声的线性离散系统的状态估计问题，详细研究了一种基于未知时变噪声统计估值器的自适应Ｋａｌｍ ａｎ 滤波算法。仿真结果发现，初值误差值不能随着时间而衰减。通过对滤波算法的重新整理，得到总是包含特征值等于１的系统矩阵，从而证明了该算法的临界稳定性     

基于近似思想的增广PF研究

由于传统的增广卡尔曼滤波方法难以有效解决带有未知参数估计的强非线性、非高斯动力学问题。针对这一问题,在对粒子滤波算法研究的基础上提出了基于近似思想的增广粒子滤波方法。这一方法利用高斯随机游走模型对未知参数进行增广建模,再通过粒子滤波方法进行状态估计。为了提高观测新息的利用率,提出了一种新的重要性函数;针对高斯随机游走模型方差不断增大的问题,采用了修改后的Kernel平滑模型进行解决;对粒子重采样方法进行了修改,采用了混合重采样的策略,增强了粒子活性。通过算例进行仿真,验证了算法的有效性。     

基于PSO-DBSCAN和SCGAN的未知雷达信号处理方法

针对雷达实际侦察过程中会侦收到大量样本库中所没有的未知雷达信号,设计了一种基于粒子群优化的具有噪声的密度聚类算法和半监督条件生成对抗网络的单脉冲未知雷达信号处理方法.通过粒子群优化算法得到具有噪声的密度聚类算法的最优输入参数后,对未知雷达信号进行聚类,在聚类算法输出的簇中采用距离筛选算法筛选出更为可信的样本将其扩展到雷...     

一种无迹粒子PHD滤波的多目标跟踪算法

针对粒子概率假设密度滤波(P-PHDF)算法估计精度低、滤波发散和粒子退化的缺陷,提出了一种无迹粒子PHD滤波(UP-PHDF)算法.该算法以UKF算法产生重要性函数并从中采样通过观测值更新粒子的权值,再用加权的粒子估计PHD函数,进而得到优化的状态估计均值和方差进行传播最后,对UP-PHDF算法进行了分析和实现,并将该算法和P-PHDF算法进行了比较.仿真结果表明,UP-PHDF算法不仅大大提高了滤波估计的精度,同时提高了跟踪系统的稳定性和鲁棒性.     

基于PSO的USQUE在组合导航姿态估计中的应用

针对组合导航姿态估计中无味四元数估计(unscented quaternion estimation, USQUE)的噪声协方差矩阵参数无法准确给出等问题,提出基于粒子群优化的USQUE(USQUE based on particle swarm optimization, PSO-USQUE)算法。通过粒子群算法对噪声协方差矩阵Q和R进行寻优,获取优化的噪声协方差矩阵等滤波先验条件;分别进行仿真实验和微机电惯导系统/GPS车载实验。实验结果表明,对于USQUE的姿态估计问题, PSO-USQUE算法相比常规算法具有更高的精度,验证了所提算法的有效性。     

角闪烁噪声下的集中式MIMO雷达自适应资源分配算法

为解决角闪烁噪声下集中式多输入多输出(multi-input and multi-output,MIMO)雷达的资源优化分配问题,设计了一种面向多目标跟踪任务的自适应资源分配算法.首先采用平方根容积粒子滤波(square-root cubature particle filter,SCPF)算法对各目标状态进行估计,并...     

基于unscented粒子滤波的红外弱小目标跟踪

为有效解决非线性环境中的红外弱小目标跟踪问题,提出基于unscented粒子滤波的目标跟踪算法。状态转移先验概率中未考虑当前测量对状态估计的作用,为克服传统粒子滤波算法采用状态转移先验概率作为粒子滤波建议分布的缺点,采用UKF生成粒子滤波的建议分布(UPF),并从中抽样粒子。由于考虑到当前观测值在状态后验估计中产生的影响,改善了目标状态估计的性能,且实验所需粒子数目大大少于传统粒子滤波算法所需粒子数目。用实际红外图像对所提算法做了仿真实验,结果表明,用该方法得到的状态估计结果优于用传统粒子滤波算法和用扩展卡尔曼滤波作为建议分布的粒子滤波算法获得的结果。     

一种粒子滤波预处理方法

粒子滤波(Particle Filter)是一种基于蒙特卡罗(Monte Carlo)的贝叶斯滤波方法,通常的SIR方法存在严重的粒子匮乏现象。用大权值粒子和小权值粒子的组合来取代小权值粒子,可以减小粒子权值方差,增加粒子多样性。仿真结果表明,在状态估计的初期,使得粒子迅速靠近高似然区域,精度得到了大幅度的提高。同时,算法的实时性也有很好的改善,适用于观测噪声和状态噪声较小的情况。     

基于改进灰狼算法的粒子滤波算法研究

针对传统粒子滤波算法易出现粒子贫化与权值退化现象和为了实现对非线性系统较为准确的状态估计,通常需要大量粒子的参与的问题,提出了基于改进灰狼算法的新型粒子滤波方法,该算法用粒子表征灰狼个体,模拟狼群捕猎的过程,使粒子向后验概率的高似然区域移动,提高粒子分布的合理性.在灰狼寻优算法中引入了莱维飞行策略,提高灰狼算法的收敛速...     

基于卡尔曼滤波的在线量子态估计优化算法

针对连续弱测量中存在高斯测量噪声的问题, 提出一种基于卡尔曼滤波的在线量子状态估计的预测-修正-投影优化算法。首先,在常规在线卡尔曼滤波算法预测状态时间更新和估计状态测量更新的基础上, 通过增加对量子态的约束条件, 将其应用于在线的量子状态估计中, 将量子态在线估计问题转化为一个带有量子态约束条件的卡尔曼滤波优化问题。其次,通过将待优化问题的求解分解成两个凸优化子问题,一个是基于在线卡尔曼滤波算法求解无约束条件下的量子测量更新问题, 另一个是利用量子约束条件信息, 通过求解矩阵投影问题来获得估计状态。最后,将所提算法应用到4量子位系统状态的在线估计数值实验中, 进行了性能对比实验。实验结果表明, 所提算法具有更优的在线状态估计精度, 并且能够以更少的采样次数和耗时, 实现较高精度的量子状态在线估计。     

基于卷积粒子滤波的交互式多模型算法

针对噪声分布未知环境下的非线性目标跟踪,提出了基于卷积粒子滤波的交互式多模型算法。该算法利用卷积粒子滤波器并行地运行多个模型,对前一时刻每个模型的状态后验概率密度进行交互,从交互后的概率密度中采样作为当前时刻滤波器的初始粒子,对当前时刻每个模型的状态后验概率密度进行加权作为系统输出。与基于粒子滤波的交互式多模型算法相比,算法消除了对量测噪声分布的依赖,提高了效费比,理论分析和仿真结果证明了该算法的有效性。     

KF/UPF在SINS大方位失准角初始对准中的应用

为解决捷联惯导系统大方位失准角初始对准中状态维数较高,直接应用无迹粒子滤波(unscented particle filter, UPF)会带来维数灾难的问题,提出了基于卡尔曼滤波(Kalman filter, KF) /UPF组合滤波的初始对准方法。将非线性初始对准模型分解为线性与非线性两部分,采用KF实现对线性部分的最优估计,采用UPF对系统的非线性部分进行状态估计。通过仿真比较不同粒子数下KF/UPF组合滤波算法和UPF算法,结果表明,KF/UPF组合滤波算法在保证初始对准精度和收敛速度的同时,将需要进行UPF滤波的状态维数由10 维降为3 维,减少了计算量,运算时间分别缩短至原来的52.69%和6.0%,提高了初始对准的实时性。     

基于容积卡尔曼的粒子PHD多目标跟踪算法

标准粒子概率假设密度(standard particle probability hypothesis density, SP-PHD)滤波在预测粒子状态时没有考虑最新的观测信息,因而存在估计精度较低、粒子退化严重的问题,针对上述问题,提出基于容积卡尔曼的粒子概率假设密度(cubature Kalman particle probability hypothesis density, CP-PHD)滤波算法,该算法基于球面-径向容积数值积分准则,利用容积卡尔曼滤波(cubature Kalman filter, CKF)产生建议密度函数,并对其进行采样得到当前时刻的粒子状态,从而使粒子分布更接近于真实的多目标后验概率密度函数。同时,CP-PHD算法性能不受目标状态维数影响,与无迹卡尔曼粒子概率假设密度(unscented Kalman particle probability hypothesis density, UP-PHD)滤波相比,具有更强适应性和更好的跟踪性能。实验结果表明,CP-PHD算法的跟踪精度优于SP-PHD和UP-PHD。     

基于混合遗传粒子群算法的混沌系统参数估计

针对粒子群算法容易出现"早熟"的缺点,提出了一种改进的混合遗传粒子群(hybrid genetic particle swarm optimization,HGPSO)算法。在粒子群算法的迭代中引入淘汰机制,将满足淘汰条件的粒子与当前适应度最优的粒子进行多后代择优交叉和一定概率的变异操作,以期得到适应度更优的新粒子,代替被淘汰粒子。通过对4个典型函数的测试表明,该算法能够有效地克服"早熟"现象,提高了全局寻优的能力。将改进的算法用于Lorenz混沌系统的参数估计。仿真结果表明,即使在加入测量噪声的情况下,该算法仍能够对系统的未知参数做出有效的估计。     

基于ANFIS的自适应机动目标状态估计算法

针对基于当前统计(current statistics,CS)模型的机动目标状态估计算法对机动目标加速度的极限值依赖性大的缺陷,提出了一种利用自适应神经网络-模糊推理系统(adaptive neuro-fuzzy inference system, ANFIS)自适应调整目标状态噪声方差的方法。首先利用ANFIS算法对目标机动强度进行估计,进而对目标状态噪声协方差矩阵进行自适应调整;然后利用粒子滤波(particle filter, PF)算法对目标状态进行估计。仿真结果表明,与该方法能够有效提高目标状态估计的精度。     

Quadrature Kalman particle fitler

In order to resolve the state estimation problem of nonlinear/non-Gaussian systems,a new kind of quadrature Kalman particle filter (QKPF) is proposed.In this new algorithm,quadrature Kalman filter (QKF) is used for generating the importance density function.It linearizes the nonlinear functions using statistical linear regression method through a set of GaussianHermite quadrature points.It need not compute the Jacobian matrix and is easy to be implemented.Moreover,the importantce density function integrates the latest measurements into system state transition density,so the approximation to the system posterior density is improved.The theoretical analysis and experimental results show that,compared with the unscented partcle filter (UPF),the estimation accuracy of the new particle filter is improved almost by 18%,and its calculation cost is decreased a little.So,QKPF is an effective nonlinear filtering algorithm.