四轮驱动EV自适应抗差无迹粒子滤波状态估计

针对四轮毂电机驱动电动汽车转矩控制中整车质心侧偏角等关键状态参数无法直接检测及车速等测量值易受到随机误差干扰的问题,建立四轮毂电机驱动电动汽车七自由度动力学模型,进行整车行驶状态参数滤波估计.结合抗差滤波原理及无迹粒子滤波算法,提出一种整车状态滤波估计方法.运用自适应抗差无迹粒子滤波,实现电动汽车行驶过程中纵向速度、侧向速度和质心侧偏角的准确滤波估计.搭建CarSim与Matlab/Simulink联合仿真实验平台对估计算法进行验证.结果表明:所搭建四轮毂电机驱动汽车动力学模型对整车行驶状态具有较高的预测精度;基于自适应抗差无迹粒子滤波算法能实现整车行驶状态估计,能有效对测量参数进行滤波,且具有较高的估计精度.     

基于粒子滤波的灰度目标跟踪算法

粒子滤波主要利用粒子集来表示概率,可以用在任何形式的状态空间模型上.提出了一种基于粒子滤波的灰度图像目标跟踪方法,粒子滤波适合各种形式状态空间模型.算法目标特征采用了灰度直方图、灰度梯度直方图对灰度图像序列进行跟踪.粒子滤波跟踪算法有状态转移和状态观测两大重要模型.利用高权值的粒子替代低权值粒子这样的粒子重采样来保证粒子集的健壮性,得到目标最终位置.利用Matlab进行仿真证明了本文算法的有效性和稳健性.     

分类因子自适应抗差滤波

自适应抗差滤波的关键技术是构造观测等价权矩阵和合理的自适应因子，以便能有效地平衡观测信息、状态信息及其各分量对状态参数估值的贡献．文中在自适应抗差滤波和双因子相关观测抗差估计原理的基础上，提出了将常速度模型的状态预报信息分为位置和速度两类，并分别构造相应的自适应因子．导出了相应的分类因子自适应抗差滤波解，并给出了分类自适应因子的计算表达式．计算结果表明，分类因子自适应抗差滤波不仅能有效地控制观测异常和动态扰动异常的影响，而且利用分类因子合理地平衡了位置预报信息和速度预报信息对状态参数估值的贡献，其精度要优于基于位置不符值和速度不符值的单因子自适应抗差滤波．     

基于粒子滤波和在线随机森林分类的目标跟踪

针对粒子滤波跟踪过程中不精确的状态模型或观测模型会降低跟踪精度的问题,提出一种基于粒子滤波与在线随机森林分类的目标跟踪算法框架.通过在线样本学习,随机森林中的样本集可以准确地近似目标外观的概率分布;在粒子滤波跟踪中,采用随机森林分类结果及区域直方图相似度来估计粒子相似度,从而提高了观测模型的精度.当出现跟踪漂移时,通过随机森林检测目标来重新初始化粒子滤波器,可以防止由于误差积累而造成的跟踪失败.采用vc 6.0+opencv实现了本算法,并设计两类试验分别来验证算法的跟踪精度和抗漂移能力.结果表明,该算法跟踪正确率比粒子滤波提高23%,比随机森林提高16%,因此可以防止无规则运动等因素造成的跟踪漂移,实现了长序列可靠跟踪.     

基于辅助粒子滤波的盲多用户检测快速算法

针对粒子滤波在盲多用户检测中计算复杂的问题，构建了一种低复杂度的辅助粒子滤波盲多用户检测快速算法．在同步快变平衰落信道下，该算法对超过门限数目的粒子进行分类，并以匹配滤波检测器的检测值作为相应类别粒子权系数的加速依据，以不同类别粒子的概率差闽值及匹配滤波检测器的检测值作为粒子滤波所需粒子数目是否足够的判断准则，自动调节不同情况下所需的粒子数目，通过降低粒子数目来降低粒子滤波盲多用户检测算法的计算复杂度．仿真结果表明，辅助粒子滤波快速算法在多用户检测性能上可与原粒子滤波算法相比拟，且计算量可降低30％～40％．     

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.     

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．     

基于改进粒子滤波的LiFePO_4电池二元SOC估算

准确估算电池荷电状态是电池管理系统的核心技术之一。为提高估算电池荷电状态精度,构建了可描述蓄电池倍率容量特性的二元荷电状态模型,并采用一种改进的粒子滤波算法对LiFePO_4电池进行荷电状态估算。从标准粒子滤波结构入手,先引入残差重采样算法,缓解了传统序贯重要性采样的粒子退化问题;而后在重采样过程中,采用Thompson-Taylor算法对粒子进行随机线性组合,并生成新粒子,可以抑制标准粒子滤波算法执行过程中的粒子贫化问题。基于这种改进的粒子滤波算法实现了对LiFePO_4电池二元荷电状态估算。实验结果表明,改进的粒子滤波算法相比无迹卡尔曼滤波算法,估算电池荷电状态具有更高的精度,估算误差不超过±0.2%。研究结果对电池管理系统估算电池荷电状态具有现实指导意义。     

粒子滤波和ANFIS级联滤波的去噪技术

为实现实际应用中的非线性、非高斯系统中的状态估计,结合粒子滤波非线性估计的优势和自适应神经模糊推理系统(ANFIS)的非线性逼近功能,建立了ANFIS粒子滤波模型。该模型首先通过ANFIS消除测量信号中有色噪声的影响,再运用粒子滤波实现对状态的最优估计,从而进一步提高估计精度。仿真结果表明ANFIS与PF的级联滤波较单一的粒子滤波均值减少了65%,方差减小了74.4%。ANFIS粒子滤波对于强非线性系统的噪声消除效果显著,使状态估计精度得到了较大提高,证明了该级联滤波模型的有效性。     

箱粒子广义标签多伯努利滤波的目标跟踪算法

针对序列蒙特卡罗广义标签多伯努利滤波(SMC-GLMB)算法计算效率低、实时性差的问题,提出了箱粒子广义标签多伯努利滤波的目标跟踪(Box-GLMB)算法。该算法使用带标签的随机有限集描述多目标的状态,包括目标的位置和速度,并且对每个目标用互不相同的标签进行区分;然后利用箱粒子滤波算法近似单目标状态的概率密度,即用一组带权值的均匀分布拟合单目标状态概率密度;最后通过广义标签多伯努利滤波对多目标状态的概率密度进行预测与更新,从多目标状态后验概率密度中估计单目标的位置与速度,根据目标的标签可以实现航迹跟踪。BoxGLMB算法结合了箱粒子滤波与GLMB算法的优势,能够跟踪目标航迹,同时提高计算效率。仿真结果表明,Box-GLMB算法可以有效估计目标状态以及跟踪目标航迹,相比于SMC-GLMB算法,计算效率提升了62%。     

云层背景下粒子滤波目标跟踪方法研究

对粒子滤波理论及其实现方法进行了研究.通过模拟实验验证了其优于卡尔曼跟踪的性能,并结合基于双正交小波的边缘形心提取方法和粒子滤波跟踪方法,构建了其跟踪框架.通过粒子数和系统状态转移方程的恰当选择,实现了云层背景下对背景简单的点目标和存在遮挡和旋转变化情况下的大目标进行跟踪.最后通过实验分析了粒子数目和状态方程的选取对跟踪精度的影响.实验证明,结合鲁棒性的小波检测方法和具有"多峰"描述的粒子滤波算法构造成的跟踪器,在运动目标存在局部遮挡和旋转变化等情况下能够实现稳定的目标跟踪.     

机器人定位中稳健的自适应粒子滤波算法

为了提高粒子滤波算法在机器人定位中的性能,在基本粒子滤波算法的基础上,引入概率回退的方法对机器人的初始状态进行估计,采用窗口滤波更新粒子集合,根据对机器人位置估计的情况动态更新粒子集合的大小,得到一种改进的粒子滤波算法——稳健的自适应粒子滤波算法。仿真结果表明:该算法充分利用了对机器人位置估计的有效信息,在显著提高算法稳健性的同时,降低了运算复杂度,较好地解决了机器人定位这一非线性非Gauss状态在线估计问题。     

改进的粒子滤波算法在目标跟踪中的应用

粒子滤波算法中通常采用先验转移概率代替重要性函数,由此重要性密度函数对后验函数的偏差将增大。将小波去噪应用到粒子滤波过程中,降低了偏差,提高了粒子算法的滤波精度,并将该算法应用到目标跟踪的过程中,通过仿真证实该方法能够提高粒子滤波精度。     

基于粒子滤波参数估计的混沌保密通信系统

针对混沌参数调制保密通信系统中扩展卡尔曼滤波算法和无味卡尔曼滤波算法对混沌系统的状态和参数估计性能较差的问题,提出了用粒子滤波算法估计混沌系统参数的方法。在系统的发送端,通过待发送的二进制符号调制混沌系统的参数进而产生混沌信号。在接收端,粒子滤波器用接收到的混沌信号估计出相应的混沌系统参数,从而恢复出发送端的二进制符号。仿真结果表明,较扩展卡尔曼滤波和无味卡尔曼滤波,粒子滤波算法在估计混沌系统参数时具有更短的收敛时间和更小的估计误差,能更有效地实现混沌保密通信。     

一类不确定非线性时变时滞系统的鲁棒控制

研究了一类带有不确定非线性时变时滞系统的鲁棒渐近稳定问题.利用Lyapunov稳定性定理和LMI技术,给出了不确定非线性时变时滞系统在具有鲁棒状态反馈控制下鲁棒渐近稳定的充分条件.计算机仿真算例表明了该方法的有效性.     

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.     

一类不确定非线性时滞系统的鲁棒控制

研究了一类带有不确定非线性时滞系统的鲁棒渐近稳定问题.利用李亚普诺夫稳定性定理和线性矩阵不等式工具,得到了此类系统鲁棒渐近稳定的充分条件,并给出相应的鲁棒状态反馈控制器设计.最后仿真示例表明了该方法的有效性.     

基于近似贝叶斯计算的HMM隐状态估计

为了得到似然函数不解析可得的 HMM 隐状态估计,将HMM 隐状态估计看成一个贝叶斯最优滤波问题,采用基于近似贝叶斯计算的离子滤波算法对此类问题进行求解,从而解决了一些常用算法如卡尔曼滤波、扩展卡尔曼滤波及离子滤波等都不能解决的似然函数不解析可得的滤波问题。     

Two-stage prediction and update particle filtering algorithm based on particle weight optimization in multi-sensor observation

The reasonable measuring of particle weight and effective sampling of particle state are consid- ered as two important aspects to obtain better estimation precision in particle filter. Aiming at the comprehensive treatment of above problems, a novel two-stage prediction and update particle filte- ring algorithm based on particle weight optimization in multi-sensor observation is proposed. Firstly, combined with the construction of muhi-senor observation likelihood function and the weight fusion principle, a new particle weight optimization strategy in multi-sensor observation is presented, and the reliability and stability of particle weight are improved by decreasing weight variance. In addi- tion, according to the prediction and update mechanism of particle filter and unscented Kalman fil- ter, a new realization of particle filter with two-stage prediction and update is given. The filter gain containing the latest observation information is used to directly optimize state estimation in the frame- work, which avoids a large calculation amount and the lack of universality in proposal distribution optimization way. The theoretical analysis and experimental results show the feasibility and efficiency of the proposed algorithm.     

粒子滤波算法在视频目标跟踪中的应用

首先介绍粒子滤波的基本理论,然后构建粒子滤波视频目标跟踪系统的状态模型和观测模型,进而根据状态模型和观测模型提出一种基于粒子滤波的视频目标跟踪算法,并通过实际的视频目标跟踪系统对算法进行实验分析,说明粒子滤波算法在视频目标跟踪中的优越性.