基于KLD采样的自适应UPF非线性状态估计方法

针对标准UPF算法存在的计算量大、实时性差的问题,设计了一种利用KLD采样在线实时改变粒子个数的自适应UPF算法.该算法的核心思想是利用KLD采样原理,根据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,减少对滤波算法没有帮助的粒子,仅保留保证滤波估计精度所需的最少粒子个数,从而有效减小算法的运算量,提高算法的实时处理能力.最后,将自适应UPF算法与粒子滤波、标准UPF算法进行了仿真比较,仿真结果表明在保持高精度估计能力的同时,自适应UPF算法比标准UPF算法具有更好的实时性,是解决非线性非高斯系统状态估计问题的一种有效方法.     

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。     

PCMA系统中干扰信号时延估计新算法

对PCMA系统中干扰信号的时延估计问题进行了研究,提出一种基于粒子滤波的干扰信号时延估计新算法.算法首先通过对接收PCMA信号进行动态状态空间建模,然后在贝叶斯估计框架下,利用粒子滤波方法估计干扰信号时延.另外,为说明该算法的有效性,利用Fisher信息阵推导了干扰信号时延估计的克拉美罗限.仿真结果表明该算法能够有效进行的时延估计.     

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。     

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.     

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。     

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.     

变结构交互式多模型滤波和平滑算法

针对机动目标跟踪问题，提出了一种变结构交互式多模型滤波和平滑算法。首先，对多模型滤波和平滑问题进行了简单描述，并给出了前向交互式多模型滤波和后向交互式多模型平滑的数学模型；然后，建立了变结构交互式多模型算法的精确模型，模型子集之间并行独立运行，通过选取概率最高的模型子集的状态估计作为最终的估计结果；最后，对变结构交互式多模型算法的滤波数据进行平滑处理，得到了变结构交互式多模型滤波和平滑算法。所提算法将前向滤波和后向平滑相结合，提高了目标跟踪精度。仿真结果表明，变结构交互式多模型滤波和平滑算法的跟踪效果优于其他方法。     

高斯厄米特粒子PHD被动测角多目标跟踪算法

针对传统粒子概率假设密度（probability hypothesis density, PHD）滤波跟踪被动多目标时,估计精度不高,且存在粒子退化,容易导致滤波器发散的问题,提出一种新的被动多目标跟踪算法--高斯厄米特粒子PHD滤波算法。该算法采用一族高斯厄米特滤波产生的高斯分布拟合更优的重要性密度函数,充分考虑了当前时刻的最新量测,并将该方法融入高斯混合粒子PHD（Gaussian mixture particle PHD, GMP-PHD）滤波框架中,在解决观测非线性的同时,有效提高了被动多目标的跟踪精度。实验结果表明,该算法较传统的GMP PHD滤波算法具有更高的状态估计精度,且有效降低了目标的失跟率。     

多传感器量测自适应Rao-Blackwellised粒子滤波算法

针对量测不确定下非线性系统状态估计中多传感器量测数据的有效利用和计算复杂度的简化问题,给出了一种多传感器量测自适应Rao-Blackwellised粒子滤波算法。首先,通过随机采样策略和量测模型先验转移概率实现用于评估粒子权重的传感器有效量测集合的采样;其次,利用重采样步骤和概率最大化原则完成对不含扰动影响传感器量测模型的辨识;最终,依据Rao-Blackwellised粒子滤波中非线性状态分量和线性状态分量的独立求解方式实现当前时刻系统的状态估计。理论分析和仿真实验结果验证了算法的可行性和有效性。     

基于演化网络模型的箱粒子CPHD群目标跟踪

提出一种基于演化网络模型和区间分析的群目标势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波算法。针对传统的粒子CPHD群目标跟踪算法中粒子数多、运算量大的问题,采用箱粒子实现CPHD滤波器,减少了粒子数,降低了运算量。算法通过对群目标状态采用CPHD滤波进行预测更新,并使用所获得的群信息修正群内目标的状态,进而实现对群质心的跟踪和群目标的势估计。仿真对比实验表明,所提算法在达到与传统算法相似估计性能的条件下,大幅降低了算法的运算量,同时在强杂波环境下也具有更为突出的优势。     

改进的形态学干涉图滤波方法

在干涉合成孔径雷达滤波中由于去噪的同时会对干涉条纹产生平滑效应,导致干涉条纹细节信息丢失。针对这一问题,基于数学形态学原理,提出了一种改进的自适应梯度形态学重建滤波方法。首先,引入相位图像矢量化可有效保护相位条纹连续性。其次,改进自适应梯度估计方法,优化线结构元素选取以保护相位的细节信息。最后,结合改进的形态学开闭操作和基于膨胀及腐蚀的形态学重建操作对干涉图进行滤波处理。仿真和实测数据实验结果表明,该算法在有效去噪的同时,有较好的相位保持特性。     

基于PSO算法的弹道辨识网络及仿真

提出了一种基于粒子群优化算法(PSO)的弹道辨识及仿真的技术。根据弹道质心运动方程模型，以小脑模型开关控制器神经网络(CMAC)为核心构建了辨识网络，利用PSO算法控制辨识与仿真的实现。仿真试验表明，利用PSO算法实现弹道辨识比BP算法辨识精度高，收敛性好。     

基于粒子群优化的卡尔曼滤波去耦算法

针对相控阵雷达导引头由于前向通道增益和波束控制增益刻度尺度不同引起的扩展卡尔曼滤波(extended Kalman filter, EKF)去耦中误差量过大的问题,提出了基于粒子群优化的EKF去耦算法。采用了最小均方差为适应度函数,对两个增益参数进行组合优化,然后通过建立EKF的系统模型,推导了提取的视线角速率与增益参数之间的关系,使得滤波后的估计值为最优的后验估计。最后,通过仿真表明该算法可以很好地解决误差量过大的问题,并验证了所提算法在相控阵雷达导引头去耦和视线角速率提取中的有效性。     

截断的自适应容积粒子滤波器

在现有的高斯粒子滤波算法(Gaussian particle filter, GPF)中,粒子的重要性密度函数是由高斯滤波器（Gaussian filter, GF）结合当前最新量测来构建的。在高精度、强非线性的量测条件下,传统GF并不能很好地近似状态真实后验概率密度函数,为了解决这一问题,提出一种截断的自适应容积卡尔曼滤波器,并用其来构建粒子的重要性密度函数,从而推导出了截断的自适应容积粒子滤波器。仿真表明,在高精度、强非线性的量测条件下,所提出的滤波算法比现有的GPF具有更高的估计精度。     

角闪烁噪声下的高斯和容积卡尔曼滤波算法

开展角闪烁噪声下的目标跟踪问题研究对提高传感器的探测性能具有重要意义,其中角闪烁噪声具有的非高斯特性是一个长期困扰研究者的难点。针对该问题,首先通过理论分析指出了容积粒子滤波(cubature particle filter,CPF)在角闪烁噪声下的性能缺陷。其次,基于高斯和滤波(Gaussian sum filter,GSF)框架和容积卡尔曼滤波(cubature Kalman filter,CKF)算法,提出了适用于角闪烁下的高斯和容积卡尔曼滤波(Gaussian sum cubature Kalman filter,GSCKF)算法,该算法将目标后验概率密度用高斯密度加权求和近似,通过多路并行的CKF实现状态预测与量测更新,同时利用模型降阶算法限制高斯分量数目的增长,能应用于非线性、非高斯条件的状态估计。最后,设计了仿真实验对GSCKF和CPF的跟踪精度、鲁棒性和计算复杂度进行了对比。     

基于交互式模型的多AUV协同导航鲁棒性滤波算法

针对多自主式水下潜器(autonomous underwater vehicle,AUV)在协同导航过程中量测异常等问题,提出一种基于交互式模型的多AUV协同导航滤波算法。首先以建立多AUV协同导航基本模型为基础,给出基本的协同导航滤波过程;通过广义最大似然估计的滤波算法对受污染的量测噪声进行处理;进一步地,利用Schweppe形式下的广义最大似然估计解决量测出现的异常情况;运用交互式多模型算法解决由量测噪声时变而造成的滤波精度下降问题。最后仿真结果表明该协同导航滤波算法具有良好的自适应鲁棒性。     

基于粒子群优化的稀疏分解变尺度快速算法

针对一类可分稀疏性度量函数,结合最优化理论,研究了稀疏信号重构的快速算法。稀疏分解可以看成是一个带等式约束的优化问题,首先利用惩罚函数法将其转化为无约束优化问题|然后在粒子群优化估计搜索步长的基础上,利用变尺度法寻找无约束优化问题的最优解|最后依次增大惩罚因子,直至稀疏表示系数满足分解精度的要求。该算法避免了矩阵求逆运算,且无需先验地选取惩罚因子。仿真实验验证了算法的有效性和快速性。