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．     

一种新的粒子滤波目标跟踪算法

为了进一步提高目标跟踪的性能,采用一种新的建议分布构造方法,即利用状态分割技术和平行扩展卡尔曼滤波技术构造建议分布.依据该方法构造的建议分布相对传统的方法提高了粒子滤波估计的准确性.同时,在新的跟踪算法框架中,将颜色模型和形状模型自适应地融合,并结合了一种新的模型更新方法.实验结果证明,该跟踪算法具有较强的适应性和有效性.     

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.     

迭代容积卡尔曼粒子滤波算法

针对标准粒子滤波算法粒子退化和贫化问题,提出了一种基于高斯-牛顿迭代思想的容积卡尔曼粒子滤波算法.该算法利用当前量测信息,使用容积数值积分原则通过以一组确定的点集和相应的权值直接计算非线性随机函数的均值和方差,避免了求导运算,并通过Gauss-Newton迭代方法对容积卡尔曼滤波(CKF)的非线性最小二乘问题进行求解,减小了线性化误差,以此来产生粒子滤波算法的重要性密度函数,使得迭代CKF产生的重要性密度函数更接近于真实后验概率分布,从而改进了滤波性能.仿真结果表明,与粒子滤波和CPF滤波相比,迭代CKF粒子滤波具有更高的估计精度.     

基于改进差分进化的高精度粒子滤波算法

针对智能优化粒子滤波算法精度较低和收敛速度慢的问题,提出一种改进适应度函数和搜索策略的差分进化粒子滤波算法(IDE-PF).该算法通过自适应融合粒子权值和量测误差得到适应度函数,并利用该函数评价粒子的可信度,引导粒子向后验概率密度取值高的位置移动,同时引入新的搜索策略,不仅保持了粒子多样性,还加快了算法收敛的速度.仿真结果表明,该算法可有效提高智能优化粒子滤波对于非线性系统状态估计的精度和实时性.     

一种粒子群优化扩展卡尔曼粒子滤波算法

本文提出一种采用粒子群（PSO）优化扩展卡尔曼粒子滤波（EPF）的新算法．由于上一时刻的目标解对当前时刻目标的影响最大,提出粒子群中的粒子不考虑其自身最佳经历和群体最佳经历,而只考虑前一时刻的全局最优解;取上一时刻的目标解代表粒子集中全局最优解．采用粒子群优化扩展卡尔曼粒子滤波（EPF）的状态转移方程,使得粒子集在权值更新前趋向于高似然区域,从而更加逼近真实状态的后验概率密度分布,克服了粒子退化问题,提高了预估精度,并极大地降低了所需的粒子数．仿真实验结果表明,该算法预估性能优于传统的粒子滤波方法．     

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.     

一种基于自适应粒子滤波的多层感知器学习算法

针对神经网络状态空间模型中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题,提出一种自适应的粒子滤波神经网络训练算法.该算法用粒子滤波估计网络的权时,利用序贯更新先验信息的序贯可信度最大化方法在线估计未知系统噪声方差.仿真结果表明:该自适应粒子滤波算法明显优于其他传统的神经网络训练算法,如扩展卡尔曼滤波、噪声可调的扩展卡曼滤波、普通粒子滤波等.     

一种新型的基于自适应遗传算法的粒子滤波算法

针对粒子滤波算法的退化以及粒子多样性减弱问题,设计了一种新的基于自适应遗传算法的粒子滤波算法.该算法首先用粒子的重要性权重来度量其适应度值,依据粒子的适应度值自适应确定粒子进行遗传操作的概率;然后对选出的粒子实施交叉、变异操作;最后重新评估粒子的适应度并进行状态估计.这种可自适应调节概率的遗传操作能对粒子进行移动,从而提升了粒子的多样性,并使得粒子都能分布在状态的后验概率密度分布的周围.实验结果表明,该算法可有效提高非线性系统状态的估计精度,尤其在系统状态发生突变时,可以得到较好的估计精度.     

基于改进粒子滤波算法的比较分析研究

提出一类改进的粒子滤波算法.对于建议分布的选取方案,此算法采取强跟踪分散的卡尔曼滤波方式建立它的建议分布.由于线性调节参数,此算法让系统拥有更优越的自适应性及鲁棒性,对高机动目标具有更强的跟踪效果,继而为强跟踪扩展卡尔曼滤波的能力.仿真结论说明,此算法的性能比别的几类非线性滤波算法更加优秀.比如辅助粒子滤波器(APF)、迭代扩展卡尔曼粒子滤波器(IEKF-PF)、Unscented粒子滤波器(UPF)、正则化粒子滤波器(RPF),则是在bootstrap粒子滤波器提出之后,继而出现的改进的粒子滤波器0基于粒子滤波,本文提出了阻止粒子退化的两个重点原因,以及选取合适的采样建议分布及重采样算法.     

粒子滤波在锂离子电池剩余寿命预测中的应用

为有效预测锂离子电池剩余寿命,引入了粒子滤波算法.对粒子滤波的基本概念和算法实现步骤进行介绍,在给出锂离子电池寿命统计数据的基础上,应用粒子滤波算法计算其剩余寿命,解决了锂离子电池剩余寿命预测的问题.对相同的锂离子电池统计数据,利用扩展卡尔曼滤波方法计算进行对比实验.分析结果表明:粒子滤波算法比扩展卡尔曼滤波算法可靠,能较好地预测出锂离子电池的剩余寿命,误差小于5％.     

基于粒子滤波算法的物体轮廓提取

为了解决物体轮廓提取工作中,由于图像的复杂性和多义性无法依靠计算机来自动完成,而手工提取又存在速度慢、精度低、工作量大等缺点的问题,提出了一种基于粒子滤波算法的物体轮廓的提取算法,该方法可以整合各种先验信息到模型中去提高提取精度.实验证明该方法通过很少的人工交互就可以很好的提取复杂物体的轮廓.该方法为提取物体轮廓线提供了较好的解决对策.     

Adaptively robust filtering with classified adaptive factors

The key problems in applying the adaptively robust filtering to navigation are to establish an equivalent weight matrix for the measurements and a suitable adaptive factor for balancing the contributions of the measurements and the predicted state information to the state parameter estimates. In this paper, an adaptively robust filtering with classified adaptive factors was proposed, based on the principles of the adaptively robust filtering and bi-factor robust estimation for correlated observations. According to the constant velocity model of Kalman filtering, the state parameter vector was divided into two groups, namely position and velocity. The estimator of the adaptively robust filtering with classified adaptive factors was derived, and the calculation expressions of the classified adaptive factors were presented. Test results show that the adaptively robust filtering with classified adaptive factors is not only robust in controlling the measurement outliers and the kinematic state disturbing but also reasonable in balancing the contributions of the predicted position and velocity, respectively, and its filtering accuracy is superior to the adaptively robust filter with single adaptive factor based on the discrepancy of the predicted position or the predicted velocity.     

一种改进重采样的粒子滤波盲分离算法

在通信混合信号单通道盲分离技术中,粒子滤波盲分离算法是一大主流算法。针对粒子滤波算法必然存在的粒子退化问题,提出一种结合有效粒子数和残差重采样思想的改进重采样粒子滤波盲分离算法。所提算法在粒子退化,即有效粒子数减少至需进行重采样时,根据有效粒子数的值找出一定数量的权重大的粒子,按每个粒子的权重占总权重的比例复制一定数量的该粒子到新粒子集中。复制后将该粒子权重更新为剩余权重,把所有权重重新归一化,再用传统随机重采样方法复制少量粒子,完成重采样的改进算法,进而得到改进重采样的粒子滤波盲分离算法。仿真结果表明,在粒子滤波单通道盲分离应用中,提出的改进重采样算法与传统随机重采样算法相比,在复杂度近似相同的情况下误码性能提高了约1 dB。     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出了一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

一种基于扩展Kalman滤波器的神经网络学习算法

为了解决前馈神经网络BP算法在处理非线性对象时 ,收敛速度慢 ,易陷入局部极值 ,需调节参数多等的缺陷 ,提出将扩展卡尔曼滤波 (EKF)算法引入神经网络的学习中 .把前馈网络的所有权值、阈值作为EKF算法的状态 ,网络输出作为EKF的观测 .同时为了防止滤波发散 ,对算法做了改进 .仿真结果表明 ,该算法比BP算法在收敛速度、抗噪能力方面都有明显提高 ,同时还保证了一定的泛化能力     

基于GPS码信号跟踪的空时自适应处理算法

介绍了GPS码信号的模型,以及实时白化和扩展卡尔曼滤波的工作原理.提出了一种改进的空时自适应处理算法,运用该算法能够使GPS接收机抑制射频干扰、精确跟踪并使捕获码信号的性能得到提高.射频干扰中含有宽带干扰和窄带干扰,窄带干扰用自回归过程来模拟并通过实时白化得到抑制,宽带干扰通过空间零陷得到抑制.空间零陷是通过估计一个采样的协方差矩阵,并把它求逆,然后输入卡尔曼滤波器来实现的.通过计算机仿真证实了在严重的干扰情况下该算法的鲁棒性,以及优于码跟踪环的性能.     

转换测量卡尔曼滤波在机动目标跟踪中的应用

在三维空间中推导了转换测量卡尔曼滤波算法,得到了在目标真实位置已知的条件下去偏转换测量值误差方差的表达式及在测量值已知条件下去偏转换测量值方差的表达式,并给出了在机动目标跟踪中,预测值与量测值的选择准则.运用“当前“机动模型和此算法给出了机动目标的仿真,取得了较好的跟踪效果.