组合导航系统的自适应MCMC信息融合算法

针对组合导航系统为高维非线性非高斯的特点,提出了一种在线实时调整粒子个数的自适应MCMC(Markov Chain Monte Carlo)粒子滤波算法.该算法利用基于KLD(Kullback-Leibler Distance)采样方法的自适应粒子个数调整算法在线调整MCMC粒子滤波过程中的粒子个数,利用预测粒子在状态空间中的分布情况来在线实时的确定下一次滤波迭代所需的粒子个数,从而有效减小算法的运算量,提高MCMC粒子算法的实时处理能力.最后,将该算法应用到了组合导航系统中进行了仿真研究.通过仿真结果可以看出,该算法在保持了MCMC粒子滤波算法的估计能力的同时,有效降低了算法的计算量,更适合于实际应用.     

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。     

状态估计中确定性采样滤波器的比较分析

基于采样方法的滤波器在非线性滤波领域内得到了广泛应用。其共同特点是利用抽样粒子点模拟系统状态的概率分布,从而不受状态先验分布假设(如高斯假设)的约束,拥有更高的滤波精度和更广的应用范围。在确定性抽样意义下论述了几种现有的确定性采样滤波器,并对这几种滤波器在状态估计领域(滤波)的应用进行了精度和计算负荷分析。采用一维及多维算例验证了几种方法的估计精度。给出基于实际系统需求一般性评价和选用原则。     

基于改进粒子滤波的双站无源定位跟踪算法研究

在非线性非高斯状态空间下,粒子滤波器是一种有效的非线性滤波算法,它的关键问题包括粒子权重的计算、粒子重采样和状态估计等.根据粒子滤波算法思想和双站无源定位跟踪的非线性,将粒子滤波算法用于双站无源定位跟踪问题,给出了一种改进的粒子滤波算法,并对其关键问题根据双站无源定位跟踪的特殊性进行了改进.利用matlab进行了仿真实验,与最小二乘算法、扩展卡尔曼滤波算法进行了比较,结果表明所提算法定位跟踪精度优于其他方法.     

条件线性高斯模型的Gauss Hermite filter-Kalman filter算法

针对条件线性高斯状态空间模型,提出了高斯厄密特滤波-卡尔曼滤波(Gauss Hermite filter-Kalmanfilter,GHF-KF)滤波算法。算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,由GHF获得非线性状态的估计;再将非线性状态的估计均值代入线性状态方程与观测方程,由KF获得线性状态的估计;获得的非线性状态估计方差还用于修正由KF估计的线性状态,以提高精度。将GHF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器RBPF相比,新方法在保证估计精度的同时,明显提高了实时性,计算时间仅约为RBPF的5%。     

条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计.此外,获得的非线性状态估计的方差还用于修正线性状态的估计.将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Black-wellized粒子滤波器(Rao-Blackwellized ParticleFilter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%.     

一种补偿的扩展KALMAN粒子滤波

设计合适的重要性概率密度函数是粒子滤波中的一个重要问题.首先分析了扩展Kalman滤波器的线性化误差,然后加入调节因子,采用补偿的方法减小线性化误差,并用此方法获取粒子滤波中的重要性概率密度函数,同时该概率密度函数参考了最新的观测量,因此提议分布产生的粒子更能反映系统状态的后验概率分布.实验结果表明新算法的估计性能优于标准粒子滤波和Kalman粒子滤波,与Unscented Patticle Filter相比,新算法降低了计算复杂度.     

基于模糊评判的组合导航自适应信息融合方法

针对组合导航系统在载体实际运动中,存在着局部滤波器精度急剧下降和滤波发散问题,并且会给整个联合卡尔曼滤波器带来污染,提出基于模糊评判的自适应信息融合方法。给出了评价滤波器性能的滤波结果可信度定义和模糊评价方法,并在此基础上进行信息分配保持全局估计精度和控制滤波发散。理论分析与仿真结果表明,该方法比常规联合卡尔曼滤波器具有更高的精度和可靠性。     

基于集合卡尔曼滤波的改进粒子滤波算法

提出一种基于集合卡尔曼滤波的粒子滤波改进方法。该方法利用集合卡尔曼滤波的最大后验概率估计产生粒子滤波每一时刻各粒子的建议分布函数,使建议分布函数融入最新观测信息的同时,更加符合状态的真实后验概率分布。该方法在对粒子滤波的建议分布进行估计时使用采样方法近似非线性分布,且采样点数灵活可变,使计算精度和算法效率得到提高。仿真结果表明,提出的集合卡尔曼粒子滤波的估计性能明显优于标准粒子滤波、扩展卡尔曼粒子滤波和无迹粒子滤波。     

基于粒子滤波的机动目标跟踪改进算法

粒子滤波是指利用Monte Carlo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Gauss假设的约束,是一种处理非线性非高斯动态系统状态估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波(EKF)算法,融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。仿真结果表明,该算法对机动目标有更好的跟踪效果。