一种带重采样控制器的IMM-AUPF算法

为了减轻粒子滤波计算复杂性,提出了一种基于交互式多模型(IMM)架构的自适应Unscented粒子滤波算法(AUPF)。IMM-AUPF算法在粒子滤波重采样步骤中设计了一个重采样控制器,根据滤波性能在线调节重采样粒子的数量。并将自适应粒子滤波算法应用于交互式多模型估计方法中,有效地解决了地面机动目标跟踪问题。实验结果表明:基于粒子滤波的多模型滤波器在估计精度方面优于标准的交互式多模型滤波器,且IMM-AUPF算法在计算复杂性方面优于交互式多模型Unscented粒子滤波算法。     

基于自适应交互式多模型粒子滤波的分布式说话人跟踪算法

针对分布式麦克风网络中的说话人跟踪问题,提出一种自适应交互式多模型粒子滤波算法,以实现复杂环境下对说话人的分布式跟踪.首先,对分布式麦克风网络中的说话人跟踪问题建立状态空间模型,并利用贝叶斯滤波理论求解该问题.然后,将交互式多模型与粒子滤波相结合,提出一种双粒子滤波方法对运动模型的转换概率进行自适应估计,以更好地对多种运动模式的说话人进行跟踪.最后,应用一致性算法对分布式麦克风网络中各节点说话人位置矢量的后验分布进行最优融合,从而可能得到全局的最优估计结果.该算法不要求状态空间模型中运动模型转换概率已知,相比传统IM M PF算法对声源复杂运动具有更好的鲁棒性.仿真实验结果验证了该算法的有效性.     

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.     

基于差分进化改进粒子滤波的多径估计算法

多径干扰因具有位置上的不相关性、不确定性等特点,不能通过差分技术来消除,成为高精度定位的主要误差源之一。因此,估计多径参数对抑制多径误差、提高导航系统的定位精度具有重要意义。本文将多径估计问题转化为状态空间模型下的参数估计问题,并利用粒子滤波(PF)进行多径估计。同时,为了克服标准PF存在粒子枯竭、导致估计结果可能收敛到错误值的问题,提出了基于差分进化改进粒子滤波(DEPF)的多径估计算法,该算法利用差分进化(DE)算法代替PF的重采样来产生新粒子,使新粒子朝着状态真实后验概率密度分布的方向移动,避免了重采样后粒子可能收敛到局部最优值的问题。仿真结果表明,在非高斯噪声下与基于PF和EKF的多径估计算法相比,本文算法具有更好的多径估计性能。     

一种新的可变数目机动目标联合检测与跟踪算法

在低信噪比多传感器观测环境下,针对机动目标数目变化时跟踪性能不高的问题,提出一种新的目标联合检测与跟踪算法。依据粒子存在变量进行预测状态粒子集的采样,考虑状态粒子集与当前观测值的关联程度,利用模糊拍卖算法与粒子群优化理论解决状态集与观测集之间的关联问题,并给出目标出现与消失的判定准则,实现粒子权值更新;依据混合采样方法得到包含模型信息和状态信息的粒子集,并按照目标模型概率进行粒子状态融合得到目标局部状态后验估计值和均方误差;最后,对关联的各传感器局部航迹信息进行加权融合,得到各目标的全局状态估计值,并与经典多模粒子滤波算法的仿真试验对比分析。研究结果表明:新算法在运动模型概率估计、状态估计及目标数目估计方面具有有效性。     

一种适于非线性非高斯目标跟踪的MRIMMPF算法

为解决粒子滤波应用到IMM算法时计算量过大的问题,融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(multirate interacting multiple model particle filter,MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标;使用一种3模型、one-third速率/全速率跟踪算法,一个one-third速率模型处理非机动或微弱机动,2个全速率模型用于机动模式,以处理非线性、非高斯问题.仿真结果表明,MRIMMPF算法在性能上并不低于交互多模型粒子滤波(IMMPF)算法,但是计算量明显减小.     

IMM迭代无迹Kalman粒子滤波目标跟踪算法

针对传统交互式多模型(interactive multiple model,IMM)算法跟踪机动式再入目标精度差和实时性不高的问题,提出一种交互式多模型迭代无迹Kalman粒子滤波算法.该算法在多模型滤波过程中采用改进的粒子滤波算法,通过迭代无迹Kalman滤波融入最新观测信息,进而生成粒子滤波的重要性密度分布,从而提高采样质量,改善滤波算法性能.仿真结果表明,提出的算法相对于交互式多模型粒子滤波算法具有更好的跟踪效果.该算法对提高跟踪机动式再入目标的精度与实时能力具有一定的理论意义.     

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

容积粒子滤波算法及其应用

针对使用现有粒子滤波算法对非线性/非高斯离散时间系统的状态估计精度较低的问题,提出了一种新的粒子滤波算法——容积粒子滤波(CPF)算法.新算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,产生粒子滤波算法的建议性密度函数,获得所需要的带权粒子,进而通过计算粒子均值,获得系统状态的最小均方误差估计.CPF算法由于产生粒子时使用了最新的测量信息,因而提高了对系统状态后验概率的逼近程度.仿真实验结果表明,CPF算法的估计误差约是标准粒子滤波算法和扩展粒子滤波算法误差的1/5和1/3,是无味粒子滤波(UPF)算法的估计误差的1/2,且运行时间只有UPF算法的1/3.     

一种基于粒子滤波的跳频信号频率跟踪技术

为了能在未知跳频模式或跳频时刻的条件下,实时估计跳频信号的频率,提出了1种相位粒子滤波的跳频信号频率跟踪算法.首先建立了跳频信号的相位统计模型;然后通过粒子滤波算法实现对信号相位的后验概率密度估计;最后通过相位的后验概率密度实现对跳频频率的最小均方误差估计.算法使用序贯重要性采样技术实现粒子权值的迭代更新,采用系统重采...     

Maneuvering target tracking algorithm based on cubature Kalman filter with observation iterated update

Reasonable selection and optimization of a filter used in model estimation for a multiple model structure is the key to improve tracking accuracy of maneuvering target.Combining with the cubature Kalman filter with iterated observation update and the interacting multiple model method,a novel interacting multiple model algorithm based on the cubature Kalman filter with observation iterated update is proposed.Firstly,aiming to the structural features of cubature Kalman filter,the cubature Kalman filter with observation iterated update is constructed by the mechanism of iterated observation update.Secondly,the improved cubature Kalman filter is used as the model filter of interacting multiple model,and the stability and reliability of model identification and state estimation are effectively promoted by the optimization of model filtering step.In the simulations,compared with classic improved interacting multiple model algorithms,the theoretical analysis and experimental results show the feasibility and validity of the proposed algorithm.     

基于交互多模型无味卡尔曼滤波的移动机器人故障诊断

为了快速、准确地诊断出移动机器人的故障,将交互多模型算法和无味卡尔曼滤波(IMM_UKF)结合起来,通过各个故障模型的概率大小来判断故障是否发生。仿真结果证明,IMM_UKF的估计准确度要高于IMM_EKF,能够准确判断故障。     

人工蜂群粒子滤波信道估计算法研究

人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚,具有理论依据和现实意义.结合2种算法的优势提出了人工蜂群粒子滤波,采用人工蜂群算法确定粒子滤波的建议分布.仿真将Alpha稳定分布作为非高斯噪声模型,实现了粒子滤波及其改进算法的信道估计研究.结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.     

基于均值迁移的粒子滤波算法研究

针对弱观测噪声环境下的粒子退化现象,特别是观测噪声较小时非线性非高斯的粒子滤波问题,提出了一种基于均值迁移的粒子滤波算法。首先,将核密度估计的无参快速模式匹配算法引入到粒子滤波中,并迭代计算概率密度估计。然后,利用均值迁移估计粒子梯度的方向,计算每个粒子移向其样本的均值。当粒子位置发生改变时,对重采样粒子进行加权处理。最后,根据本算法采样更新粒子集,有效地克服了粒子退化现象并提高了状态估计精度。     

一种用于运动跟踪的加窗粒子滤波新算法研究

为了提高粒子滤波算法在视频跟踪中的性能,在基本粒子滤波算法的基础上,采用窗口滤波更新粒子集合,根据对目标位置估计的情况动态更新粒子集合大小,得到一种改进的粒子滤波算法--加窗粒子滤波算法.该算法利用估计窗内的混合抽样粒子集描述后验分布,通过对估计窗内具有不同权值的粒子集依据其权值大小进行抽样,并根据当前观测值对抽取的粒子状态进行更新,实现对目标的跟踪.仿真实验结果表明:这种跟踪算法在不影响跟踪精度的情况下,大大减少了计算量,较好地解决了视频目标跟踪这一非线性非高斯状态在线估计问题.     

基于容积原则的概率假设密度滤波算法

为改善多目标跟踪问题中概率假设密度滤波精度与算法运行时间之间的关系,提高目标状态和数目的实时估计性能,提出了基于容积原则的概率假设密度滤波算法. 该算法在高斯混合粒子概率假设密度的框架下,利用容积数值积分原则直接计算非线性随机函数的均值和方差, 产生粒子滤波算法的重要性函数,实现高精度粒子的重构,来近似目标状态和数目的概率分布,并且在高斯混合概率假设密度滤波算法中进行采样和更新. 仿真验证了所提出算法的有效性,其Wasserstein误差距离优化了17.32%,目标数估计均值也提高了23.72%.      

A novel maneuvering multi-target tracking algorithm based on multiple model particle filter in clutters

To solve the problem of strong nonlinear and motion model switching of maneuvering target tracking system in clutter environment, a novel maneuvering multi-target tracking algorithm based on multiple model particle filter is presented in this paper. The algorithm realizes dynamic combination of multiple model particle filter and joint probabilistic data association algorithm. The rapid expan- sion of computational complexity, caused by the simple combination of the interacting multiple model algorithm and particle filter is solved by introducing model information into the sampling process of particle state, and the effective validation and utilization of echo is accomplished by the joint proba- bilistic data association algorithm. The concrete steps of the algorithm are given, and the theory a- nalysis and simulation results show the validity of the method.