一种高精度自适应粒子滤波算法

针对非线性非高斯系统的状态估计问题,提出一种新的高精度自适应粒子滤波算法.该算法采用有限差分扩展卡尔曼滤波器产生优选的建议分布函数,融入最新量测信息,有效克服了粒子退化问题;考虑到预测误差对粒子采样效率的影响,引入系统估计和预测提供的新息差值,通过新息差值在线自适应调整采样粒子数,较好地保证了粒子采样的高效性.理论分析...     

拟蒙特卡罗自适应粒子滤波的机载无源定位算法

为了加快无源定位速度,提高定位精度和滤波算法的稳定性,提出一种基于拟蒙特卡罗自适应高斯粒子滤波的机载无源定位算法.利用拟蒙特卡罗积分技术优化采样粒子在状态空间中的分布特性,降低积分误差,提高滤波精度,并且根据预测粒子在状态空间中的分布情况实时自适应调整下一次滤波所需的粒子数,减少冗余粒子,在保证滤波精度的同时有效地提高了算法的运行效率.将所提算法应用于机载无源定位系统,仿真结果验证了该算法的有效性.     

高斯混合粒子滤波器在静基座捷联惯导系统初始对准中的应用

为解决传统粒子滤波算法中影响状态估计性能的采样枯竭问题,提出一种高斯混合粒子滤波(GMPF)算法,基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,采用加权EM算法取代传统粒子滤波的再采样过程,减弱了采样枯竭的影响,增强了算法的估计性能.对捷联惯导系统静基座大方位失准角初始对准的仿真结果表明,该算法的估计精度优于扩展卡尔曼滤波.     

粒子数自适应的粒子滤波算法

针对粒子滤波算法时间复杂度高的问题,引入一种在滤波过程中粒子数可以根据过程噪声方差大小进行调整的自适应粒子滤波算法,即KLD-Sampling粒子滤波算法.该算法在保证一定滤波精度的前提下,可以有效地减少滤波过程中使用的粒子数,从而减小滤波时间,提高滤波效率.此外,分析了该算法中距离阈值和小区域阈值的选取与参与滤波粒子数的关系及其对算法性能的影响.仿真实验对分析结果进行了验证.     

基于对称KL距离的自适应粒子滤波算法

针对粒子滤波算法中粒子数自适应的问题,提出了一种新的算法.将当前滤波时刻的粒子随机划分为粒子数相同的两个粒子群,并采用对称KL距离方法计算他们之间的信息距离,然后根据信息距离的大小决定增加或者减少下一时刻参与滤波的粒子数,从而实现了滤波过程中粒子数目的自适应.该方法在确保一定滤波精度的基础上,能够减少滤波过程中需要的粒子数,为降低粒子滤波算法的时间复杂度提供了新的途径.仿真结果表明了算法的有效性.     

基于序列重要性重采样算法的MIMO时变信道半盲估计

粒子滤波可以用来处理非线性非高斯问题,而序列重要性重采样算法能较好地解决粒子滤波中的粒子退化问题,由此将序列重要性重采样算法运用于MIMO时变信道进行半盲估计.实验结果表明:与使用传统的粒子滤波方法相比,基于序列重要性重采样算法的MIMO时变信道半盲估计方法均方误差和误码率降低,从而改善了接收端的符号检测性能.     

基于GHF高斯粒子滤波的检测前跟踪算法

针对粒子滤波存在粒子退化,会导致检测前跟踪(TBD)算法的检测和跟踪性能下降这一不足,提出了一种基于高斯-哈密顿滤波(GHF)高斯粒子滤波的TBD算法.该算法基于高斯粒子滤波,采用GHF算法构造的重要性密度函数采样连续出现粒子,考虑了最新的量测信息,采样粒子更逼近于真实的后验概率密度,克服了粒子退化问题.仿真结果表明:与基本TBD算法相比,所提出的TBD算法提高了对目标的检测和跟踪性能.     

基于差分算法优化的自复位粒子滤波算法

粒子滤波器作为常用的非高斯非线性的滤波方法，已成功地应用于各种工程领域。然而传统的重采样方法导致了粒子贫化的问题，严重降低了滤波估计的精度与鲁棒性。文中提出一种结合跟踪失败检测与改进差分优化融合的自复位粒子滤波方法。首先通过跟踪失败识别方法对滤波估计值进行初步检验，在正常跟踪时不启用优化策略，算法性能与标准粒子滤波无异；在跟踪失败时，通过差分算法对粒子集进行复位，复位过程中设置了粒子置信区间的上下界以防粒子过度集中，并结合检验指示值规避对粒子的多次优化，以缩短算法的估计时间。仿真结果表明，文中算法通过动态调节方式继承了标准粒子滤波和差分进化粒子滤波的优点，有效提高了滤波估计的鲁棒性与估计精度，可在滤波成功时避免启用优化策略以降低算法的整体时间复杂度，并在滤波失败时启用差分优化策略进行自我复位以提高算法估计精度；且在相同定位精度下，其所需粒子数较标准粒子滤波更少，整体时耗较差分进化粒子滤波更低，在建模不确定时也可表现出良好的效果。     

求积分卡尔曼粒子滤波算法

针对非线性/非高斯系统的状态估计问题,提出一种采用求积分卡尔曼滤波(QKF)算法来产生重要性密度函数的粒子滤波新算法--PF-QKF算法.新算法使用统计线性回归的方法,通过一套高斯一厄米特积分点来线性化非线性函数,不需要计算雅可比矩阵,易于实现,而且所产生的重要性密度函数在系统状态转移概率密度的基础上,融入最新的观测数据,提高了对系统状态后验概率的逼近程度.理论分析和实验结果表明,PF-QKF算法的估计精度比无味粒子滤波(PF-UF)算法提高了约18%,其计算复杂度比PF-UF算法稍有降低,表明PF-QKF算法是一种很有效的非线性滤波算法.     

应用粒子群优化的高斯粒子滤波

针对高斯粒子滤波(GPF)在多峰高斯假设条件下不能满足贝叶斯估计精度的问题,提出一种基于粒子群优化的高斯粒子滤波算法(PSO-GPF).该算法用粒子群优化算法更新高斯建议分布的参数,解决粒子退化和多峰高斯下的粒子精度问题.同时,带压缩因子的粒子群优化算法能有效平衡粒子的全局探测与局部开采.实验结果表明,新算法的滤波精度比高斯粒子滤波精度平均可提高93.9%,具有更高的稳定性.