改进的UPF算法在OFDM系统盲均衡中的应用研究

UPF滤波算法具有比PF算法更高的精度和抗噪声能力,但由于其计算复杂,不符合通信实时性的要求.为了改进算法的实时性,引入了平方根无迹粒子滤波算法(SRUPF),并对其进行改进,将改进算法应用于OFDM系统盲均衡中.最后经仿真表明,改进的UPF算法,在几乎不影响滤波效果的前提下,大幅减少了滤波所需计算量,并提高了数值稳定性.     

迭代扩展卡尔曼辅助粒子滤波及算法性能分析

用迭代扩展卡尔曼滤波方法来生成辅助粒子滤波的重要性密度函数,得到了一种新的改进的滤波算法:迭代扩展卡尔曼辅助粒子滤波.仿真结果表明,该算法在观测量较精确的情况下改善了粒子权值分布,减轻了粒子退化现象,该算法不仅要优于已有的滤波方法,而且比无忌卡尔曼粒子滤波运行时间短.分析了各算法改进的原因及适应情况.     

基于广义交互式遗传算法改进的粒子滤波技术

基于一种广义交互式遗传算法对粒子滤波的重采样步骤进行改进,解决粒子滤波的退化和匮乏问题。该方法结合实际处理的优化问题,人为确定候选窗的范围和大小,利用改进型“拥挤因子模型”选择算子进行选择操作,在数学上确保了迭代过程中粒子的多样性,同时利用“完全算数交叉算子”实现交叉操作,这种交叉算子的优点是可行解空间关于交叉运算封闭,采用非一致变异算子实现变异操作,可有效地捕获可能出现的异常情况。仿真实验结果证明了这种改进后的滤波方法与扩展卡尔曼滤波(extended Kalman filtering, EKF)、标准粒子滤波和正则粒子滤波三种方法相比较,具有较好的迭代估计性能。     

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.     

基于学习进化的机器人同时定位与地图创建

利用学习与进化结合的思想,改善基于粒子滤波的SLAM算法。在对学习与进化的关系深入分析的基础上,针对基于粒子滤波的SLAM算法,提出将滤波过程分成学习和进化两个阶段,分别给出相应算法解决粒子有效性与多样性的问题,缓解二者之间的矛盾,改善了SLAM算法的效果,增强了算法的鲁棒性,也验证了学习与进化的关系。最后,通过多次Monte-Carlo仿真实验结果表明了该算法的有效性。     

基于改进高斯粒子滤波器的目标跟踪算法

针对现有机动目标跟踪中粒子滤波算法的不足,提出了一种改进的粒子滤波方法。该方法在高斯粒子滤波的基础上通过利用当前时刻量测值对量测误差的分布参数进行实时的统计和更新,并以此得到粒子的权值,从而考虑到了量测值对估计值的影响,该方法适合于量测误差分布为高斯白噪声且状态量与量测误差相关条件下的非线性估计。仿真结果表明,与传统的自举粒子滤波(boot trap particle filter, BPF)、高斯粒子滤波（Gaussian particle filter, GPF)以及无迹粒子滤波（unscented particle filter, UPF)相比,该方法具有较高的精度和较少的计算量。     

一种有效的水下目标运动分析算法与仿真研究

研究了基于纯方位观测的水下目标运动分析(TMA)原理及方法,针对常用粒子滤波算法在水下目标运动分析中存在的后验概率选择问题及粒子退化现象,通过分析问题产生的原因,提出了一种基于改进粒子滤波算法的水下目标运动分析方法。该算法首先结合了扩展卡尔曼滤波与粒子滤波算法(EKF-PF)各自的优势,同时考虑到粒子退化现象,并将马尔科夫链蒙特卡洛方法(MCMC)应用于EKF-PF算法中。与传统粒子滤波算法相比较,该算法不仅提高了重要性密度函数准确度,同时还克服了粒子退化问题,而且对重采样带来的采样枯竭也有很好的抑制作用。通过仿真实验表明该算法有效,且估计精度有较大的提高。     

基于新的采样更新方法的粒子滤波算法

以往的粒子滤波采用由初始先验概率密度产生一组粒子,然后通过重要性密度函数去更新粒子,但会产生粒子退化的问题,因此引入了各种各样的重采样算法,但这样做又产生了粒子多样性丧失的问题。针对粒子滤波的粒子退化现象,提出基于新的采样更新方法的粒子滤波算法,新方法从滤波值和滤波误差协方差矩阵上产生粒子。仿真试验表明,新方法在非线性非高斯情况下要远远好于EKF。     

改进的辅助粒子滤波当前统计模型跟踪算法

提出了一种改进的辅助粒子滤波算法,采用基本的常规波束形成法对声信号函数进行处理,得到目标的方位谱估计,推导了以目标方位谱函数作为重要采样密度函数的辅助粒子滤波算法。并将此改进的辅助粒子滤波算法同当前统计模型相结合,提出一种基于目标方位谱的辅助粒子滤波当前统计模型自适应跟踪滤波(current statistical model improved auxiliary particle filter, CSM-IAPF)算法。最后通过仿真验证此方法能够减少跟踪误差,具有较好的实时性和稳定性。     

基于改进灰狼算法的粒子滤波算法研究

针对传统粒子滤波算法易出现粒子贫化与权值退化现象和为了实现对非线性系统较为准确的状态估计,通常需要大量粒子的参与的问题,提出了基于改进灰狼算法的新型粒子滤波方法,该算法用粒子表征灰狼个体,模拟狼群捕猎的过程,使粒子向后验概率的高似然区域移动,提高粒子分布的合理性.在灰狼寻优算法中引入了莱维飞行策略,提高灰狼算法的收敛速...     

Unscented卡尔曼滤波-卡尔曼滤波算法

针对条件线性高斯状态空间模型,提出unscented卡尔曼滤波-卡尔曼滤波unscented Kalman filte-ring-Kalman filtering,UKF-KF算法,该方法用UKF估计条件线性高斯状态空间模型中的非线性状态,用KF估计线性状态。为了有效地融合UKF和KF估计的后验状态分布,将蒙特卡罗方法应用于KF估计的线性状态均值和方差,获得了与UKF sigma点相同数量的后验线性状态估计分布的样本,然后将这些样本与UKF中sigma点进行合成去获得系统中非线性状态的估计。该算法应用于机动目标跟踪的仿真结果表明:与Rao-Blackwellized粒子滤波器(Rao-Blackwellized particle filter,RBPF)相比,该算法虽在估计精度上略有下降,然而计算时间明显降低,有效提高了实时性。     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。     

条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计.此外,获得的非线性状态估计的方差还用于修正线性状态的估计.将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Black-wellized粒子滤波器(Rao-Blackwellized ParticleFilter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%.     

搜索能力自适应增强的群智能粒子滤波

针对传统粒子滤波的退化、样本枯竭现象及其导致的状态推理精度差的问题,提出了一种新型粒子滤波算法。利用群智能优化算法中的粒子群优化算法作为优化手段,改进粒子的先验分布。通过自适应地调节粒子的惯性权值增强粒子群的探索和开发能力,减少粒子群优化算法的早熟现象,使得采样后的粒子朝着高似然区域移动,从而有效地提高系统状态推理精度。利用Crame′r Raolowerbound定义了算法有效性的度量。通过仿真实验证明该算法是有效和稳定的。     

条件线性高斯模型的Gauss Hermite filter-Kalman filter算法

针对条件线性高斯状态空间模型,提出了高斯厄密特滤波-卡尔曼滤波(Gauss Hermite filter-Kalmanfilter,GHF-KF)滤波算法。算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,由GHF获得非线性状态的估计;再将非线性状态的估计均值代入线性状态方程与观测方程,由KF获得线性状态的估计;获得的非线性状态估计方差还用于修正由KF估计的线性状态,以提高精度。将GHF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器RBPF相比,新方法在保证估计精度的同时,明显提高了实时性,计算时间仅约为RBPF的5%。     

基于随机有限集的SLAM算法

提出一种基于随机有限集的同步定位与地图创建算法,该算法利用随机有限集对环境地图和传感器观测信息建模,建立联合目标状态变量的随机有限集。依据Bayesian估计框架,利用概率假设密度滤波的粒子滤波实现对机器人位姿和环境地图进行同时估计。新算法避免了数据关联过程,并能更加自然有效地表达同步定位与地图创建(simultaneous localization and mapping, SLAM)问题中多特征-多观测特性及多种传感器信息。在仿真实验中,利用FastSLAM2.0算法和新算法进行对比,实验结果验证了新算法的优越性。     

Multiple vehicle signals separation based on particle filtering in wireless sensor network

A novel statistical method based on particle filtering is presented for multiple vehicle acoustic signals separation problem in wireless sensor network. The particle filtering method is able to deal with non-Gaussian and nonlinear models and non-stationary sources. Using some instantaneously mixed observations of several real-world vehicle acoustic signals, the proposed statistical method is compared with a conventional non-stationary Blind Source Separation algorithm and attractive simulation results are achieved. Moreover, considering the natural convenience to transmit particles between sensor nodes, the algorithm based on particle filtering is believed to have potential to enable the task of multiple vehicles recognition collaboratively performed by sensor nodes in distributed wireless sensor network.