结构损伤识别的序贯辅助粒子滤波方法

提出一种非平稳动力系统突变参数识别的序贯辅助粒子滤波方法（SAPF方法）．该方法采用的重要抽样密度函数是一种依靠系统过去状态与系统最近观测量的联合密度函数，因此该方法具有较强的时域在线识别能力，比传统的粒子滤波方法更适合进行非平稳动力系统的参数识别．数值仿真结果证明了此方法在结构损伤在线识别中的有效性．     

非高斯条件下基于粒子滤波的目标跟踪

介绍了粒子滤波的基本思想和具体算法实现步骤，在给出的闪烁噪声统计模型基础上，将粒子滤波算法应用在雷达目标跟踪中，解决了闪烁噪声情况下的雷达目标跟踪问题．仿真结果表明，在满足高斯噪声条件下，扩展卡尔曼算法和粒子滤波算法跟踪性能相近，但若考虑雷达的闪烁噪声，则随着闪烁影响增强，扩展卡尔曼算法跟踪性能严重下降，而粒子滤波算法能继续保持较好的跟踪精度．     

粒子滤波算法及其仿真

柱子滤波算法是近年来提出的解决非线性非高斯问题的一种较新的算法。本文阐述了柱子滤波的原理,及粒子滤波的改进算法,并将仿真结构结果与EKF进行了比较。     

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．     

扩展卡尔曼粒子滤波算法的一种修正方法

针对扩展卡尔曼粒子滤波（EKF-PF）算法滤波精度较低的缺点，提出对其建议分布进行高阶修正的新算法．该算法针对非线性系统方程，基于二阶泰勒级数展开，利用高阶项对一阶扩展卡尔曼滤波（EKF）的状态估计向量及协方差阵做出适当修正，同时考虑到协方差阵计算中存在矩阵相减运算、计算误差以及参数不匹配等因素的影响，采用矩阵QR分解技术保证了协方差阵的正定性．新算法在一定程度上减小了局部线形化的截断误差，提高了建议分布的逼近程度．仿真实验表明，新算法在计算量增加不多的情况下，滤波精度有明显的提高．     

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.     

一种快速高斯粒子滤波算法

为改善高斯粒子滤波(GPF)算法的实时性,研究了一种快速的GPF算法.在GPF的预测及更新步骤中用初始粒子群的线性变换取代高斯分布采样,以降低生成新粒子群所需时间,提高滤波算法的运行速度.对两种生成粒子群方法的复杂度及粒子群所代表的分布进行了分析,分析结果表明:线性变换法和高斯采样法生成的粒子群所代表的分布相同,且线性变换法的运行效率更高.将粒子滤波算法(PF),GPF算法及改进后的GPF算法分别应用于一维的一种离散时变非线性模型和二维的基于角度目标跟踪(BOT)模型,仿真结果表明:改进后GPF算法预测性能不变,速度得到了提高,生成1 000个粒子平均需时22 ms,比GPF算法减少了6 ms.     

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.     

闪烁噪声下目标跟踪的容积粒子滤波算法

针对闪烁噪声下非线性非高斯系统的目标跟踪问题,首先建立了闪烁噪声的数学模型;然后分析了传统粒子滤波算法的优劣点,在此基础上,引入容积卡尔曼滤波算法,重新设计粒子滤波的重要性密度函数,提出用容积粒子滤波算法来跟踪目标。最后进行了仿真分析与对比。仿真结果表明,闪烁噪声条件下,容积粒子滤波算法的跟踪误差分别是传统粒子滤波算法和无迹粒子滤波算法的1/5和1/2,有更高的跟踪精度;而运行时间仅是无迹粒子滤波算法的1/2,且跟踪稳定性更好。     

粒子滤波

近年来随着计算机处理能力的快速发展，使得粒子滤波，作为序列信号处理的一种非常有效的方法，成为研究领域的一个热点。它在处理复杂的非线性或非高斯问题的潜力，引起了信号处理、统计学、经济计量学等不同领域的专家学者的关注。本文详细介绍了粒子滤波算法的基本原理，并分析了几种新的粒子滤波算法。     

一种基于自适应滤波的系统辨识方法

采用自适应滤波技术，给出了系统辨识的一种方法。该方法具有计算简单、实用的特点，可以在理论模型不清楚的情况下，通过测量和学习，实现对未知系统的最佳拟合。     

基于人工神经网络的非线性系统辨识

人工神经网络是-个非线性动力学系统,具有自适应、自组织、自学习等功能。本文利用人工神经网络具有表达任意非线性映射的能力,对非线性系统进行系统辨识。仿真结果表明,该方法是可行的,计算精度高。     

提高飞行弹丸跟踪滤波器滤波精度的一种方法

推广的卡尔曼滤波器能根据雷达测量数据较好地跟踪飞行弹丸,并估计出有用参数,但动态方程和量测方程的线性化会给滤波和估值带来一定的误差。该文讨论了用单步迭代滤波来降低动态方程的线性化给弹丸跟踪滤波器带来的滤波和估值误差。     

多输入多输出非线性系统Volterra频域核的非参数辨识方法

为解决多输入多输出(MIMO)非线性系统Volterra频域核辨识困难的问题,提出了一种MIMO非线性系统Volterra频域核的非参数辨识方法.该方法先对待辨识的MIMO非线性系统的各输入端添加不同频率成分的单音激励信号,再对系统的输出端信号进行采样并使用Vandermonde法使各阶核输出分离,然后根据单音激励下MIMO非线性系统Volterra核的频域输出特性,推导出该类系统Volterra频域核的辨识公式.由于采用了多音信号激励MIMO非线性系统,实现了一次激励下多点辨识的目的,因此提高了辨识效率.该方法仅依赖于系统的输入输出数据,具有较强的实用性.采用该方法对一个双输入双输出的非线性系统Volterra频域核进行辨识,最大偏差小于10-5,验证了该方法的有效性.     

分布式粒子滤波算法在面向跟踪的无线传感器网络中的应用

无线传感器网络在目标跟踪应用中的优势主要体现在跟踪更精细可靠且及时隐蔽,但是由于传感器网络中没有中心控制机制,无线通信的带宽有限,这就要求采用合理的跟踪策略,高效的分布式信息处理算法.将"ad hoc跟踪群"的概念移植到面向跟踪的无线传感器网络中作为传感器的组织策略,并和适用范围较大的粒子滤波相结合实现跟踪任务.仿真实验证明,在不影响跟踪精度要求的情况下,此方案能够降低通信能量开销.     

Kalman滤波的发散现象及其克服方法

指出了Kalman滤波可能出现的发散现象，分析了产生的原因，通过实例的讨论，提出了一种克服发散的方法。     

基于遗传程序设计的非线性系统参数辨识

遗传程序设计(GP)是一种自适应的与问题无关的进化算法,它克服了遗传算法的容易陷入局部极值的缺陷。本文讨论使用遗传程序设计对非线性系统进行参数辨识的算法,实现及应用,实验证明:该方法具有收敛速度和精度的明显优势。     

基于自适应神经模糊推理系统的非线性系统辨识与仿真

针对非线性系统的模糊性、不确定性等特点，将模糊推理系统和神经网络相结合，介绍了一种自适应神经模糊推理系统，并将其应用于非线性系统辨识中，仿真结果表明：训练后的ANFIS能够很好地逼近实际的非线性系统，并且辨识精度高。     

子集优化在非线性系统辨识中的应用

提出了一种基于子集优化的非线性系统辨识方法．该方法滑有对非线性系统激励信号的统计特性作任何假设,但它的计算量比现有的方法低,而对非线性系统输入输出数据量的要求也比现有的方法少,仿真结果表明,文中提出的方法是非常有效的。