基于MCMC方法的正则粒子滤波算法及其应用

粒子退化现象是一般粒子滤波无法避免的问题。通过分析该现象产生的原因,提出了将MCMC(马尔可夫链蒙特卡罗)方法应用于正则粒子滤波算法(RPF),与采样重要重采样(SIR)粒子虑波算法比较,此算法不仅克服了粒子退化现象,而且解决了重采样带来的采样枯竭的影响,仿真和实验结果表明:该算法在滤波精度和自适应调整粒子个数方面比SIR粒子滤波有很大的提高。

一种基于正则粒子滤波器的目标跟踪算法

滤波技术是实现多目标跟踪的核心技术之一。粒子滤波器是基于序贯Monte Carlo仿真方法的非线性滤波算法。本文采用正则粒子滤波算法来代替标准的粒子滤波算法。正则粒子滤波算法是基于正则再采样算法,即根据后验密度的离散分布重建它的连续分布,然后从后验分布的连续近似中采样获得再采样粒子,从而能减少粒子的退化现象。仿真结果表明,该算法的跟踪误差要小于标准粒子滤波算法,并且具有更好的跟踪性能、较高的实用价值和广泛的应用前景。

正则粒子滤波算法在MEMS陀螺滤波处理中的应用

针对MEMS陀螺随机漂移的滤除,引入正则粒子滤波算法对其进行处理。首先,采集MEMS陀螺静态漂移数据,对其预处理;然后,采用时间序列分析方法建立自回归AR模型,并将其转化为相应的状态空间模型;最后,利用正则粒子滤波算法对MEMS陀螺随机漂移进行估计和补偿,并与工程中常见的方法进行对比。试验及仿真结果表明,正则粒子滤波在抑制MEMS陀螺随机漂移时效果显著,具有较高的实际应用价值。

粒子滤波和正则粒子滤波算法性能研究

主要介绍了解决系统状态估计问题的滤波算法。在提出非线性高斯系统模型的基础上着重阐述了扩展卡尔曼滤波(EKF)、粒子滤波(PF)和正则粒子滤波(RPF)算法。对这三种算法在不同的噪声条件下的估计性能进行了仿真分析。结果表明,在非线性高斯系统中,PF和RPF的估计性能远比EKF的估计性能要好,由于RPF是从离散分布中重构其近似连续分布,再从该连续分布中采样粒子,估计性能比PF要好,尤其在小噪声的环境下,估计性能更加稳定。

基于核函数正则粒子滤波的SLAM算法在无人机导航定位中的应用研究

传统EKF、UKF、粒子滤波算法在解决航空无人机导航定位非线性问题时存在误差大、定位估计精度低等问题,提出了一种核函数正则粒子滤波算法,选取近地面航行,观测x,y方向的位置,并对SLAM非线性模型进行估计.实验数据表明,采用核函数正则粒子滤波算法由于保持了采样粒子的多样性与代表性,保证了在给定模型参数初值下,模型对载体速度和位置信息的跟踪估计能力,其精度比扩展卡尔曼算法的滤波精度高很多;另外,新算法对姿态角估计误差均收敛于0°~1°范围,之后趋近于0°.对于传统滤波算法对载体的航向角误差估计,在整个仿真时间内,其误差值均大于核函数正则算法的误差估计.新算法较传统粒子滤波算法,其滤波精度较高,且算法稳定性与收敛性更强.

基于正则化粒子滤波的说话人跟踪方法

针对噪声与混响环境下的说话人跟踪问题,提出一种基于正则化粒子滤波(RPF)的麦克风阵列声源定位与跟踪方法.该方法在正则化粒子滤波框架下,采用适应性较强的布朗运动模型,通过计算麦克风阵列波束形成器的输出能量来构建似然函数.实验结果表明,本文方法优于标准粒子滤波,有效提高了说话人声源跟踪系统的抗噪声与抗混响能力,即使在低信噪比(SNR=-5dB)情况下,也能有效跟踪.

基于正则化粒子滤波的磁梯度张量跟踪方法

针对磁梯度张量直接反演跟踪方法对噪声十分敏感的问题,提出了基于正则化粒子滤波(RPF)的磁梯度张量跟踪方法。该方法建立了包括目标位置、速度和磁矩等状态变量的状态方程,给出了表征状态向量与磁梯度张量、磁场三分量测量值关系的量测方程,加入了重采样等克服粒子退化现象的方法,并通过RPF方法克服粒子衰竭问题。通过仿真实验证明了RPF跟踪方法的精度远远高于直接反演跟踪方法,具有更强的抗噪声干扰能力,可以有效完成磁梯度张量跟踪。

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。

基于正则化的高斯粒子滤波算法

针对非线性系统的状态估计问题,提出一种改进的高斯粒子滤波算法。该算法是基于正则化粒子滤波(RPF),将重采样中离散的概率分布函数近似为连续分布,进而在高斯粒子滤波(GPF)中引入正则化粒子滤波算法得到的最新预测值,并利用这一观测值进行状态估计的更新。最后,对RGPF和GPF两种算法进行综合分析和实验仿真,结果表明,与标准GPF算法相比,RGPF具有较高的滤波精度。

Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF SLAM)算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。

改进粒子滤波在捷联惯导系统姿态确定中的应用

捷联惯导系统姿态确定问题本质上是一个非线性滤波估计问题。针对传统的扩展卡尔曼滤波不再适用于非线性和非高斯分布的系统,和一般粒子滤波存在粒子退化和粒子耗尽等问题,提出了将马尔可夫链蒙特卡罗(MCMC)正则粒子滤波算法应用于捷联惯导系统的姿态确定中。计算机仿真表明了该方法在加快收敛速度、提高姿态精度和自适应调整粒子个数方面的有效性和可行性。

单站无源定位中的一种简单粒子滤波算法

提出了一种简单的正则粒子滤波,克服了标准粒子滤波在用于单站无源定位中时出现的粒子匮乏现象,将粒子滤波成功的应用到了无源定位中.通过计算机仿真表明,这种简单的正则粒子滤波能有效缩短定位时间,提高定位精度.

基于粒子滤波器的非线性估计方法

介绍基于粒子滤波器的非线性估计方法。采用正则化粒子滤波器来缓解粒子滤波器重采样造成的问题,改进了粒子滤波器的性能。在一种典型的非静态增长模型下比较EKF,UKF,PF和RPF的滤波性能差异。仿真结果表明,PF在滤波精度方面优于EKF和UKF,而RPF在精度和计算复杂度等方面均优于PF。

采样滤波算法在单站无源定位中的应用

讨论了用采样的方法近似非线性分布来解决无源定位中的非线性问题,提出了一种简单的正则粒子滤波,克服了标准粒子滤波用于单站无源定位中出现的粒子贫乏现象,将粒子滤波成功应用到无源定位中,计算机仿真表明该算法的定位精度较Unscented卡尔曼滤波(UKF)有一定的提高。

目标跟踪中非线性滤波算法的研究

介绍了3种非线性估计方法。在处理目标跟踪等动态系统实时估计问题中,EKF将系统进行线性化近似时存在估计误差,从而影响目标跟踪的精度;PF对系统噪声和量测噪声的概率分布没有要求;RPF是改进的粒子滤波算法。分析了EKF、PF和RPF算法的原理,比较了3种算法的性能差异。仿真结果表明,PF滤波精度优于EKF,而RPF在精度和计算复杂度等方面均优于PF,且随着粒子数目的增加,PF和RPF的精度也不断提升。

一种改进 MEMS 加速度计标定补偿方法

针对微机械系统 (MEMS) 加速度计在实际使用过程中存在非正交零偏误差和随机误差的问题,提出了一种基于正则粒子滤波的改进加速度计十二位置校准算法。算法采用正则粒子滤波消除加速度计原始数据携带的随机噪声,再通过十二位置标定模型计算两组加速度计误差系数,然后采用阈值法调整两组误差系数的权重,最终得到精确的标定系数。

剩余寿命预测新方法及其在滚动轴承中的应用

针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出了基于均方谐噪比(mean square harmonic noise ratio,简称MSHNR)指标和改进正则化粒子滤波(regularized particle filter,简称RPF)相结合的剩余寿命预测方法。首先,在局部均值进行信号分解的基础上,通过MSHNR指标实现轴承退化过程的特征提取;其次,分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型,并利用基于欧式距离的核函数实现重采样过程的改进,实现轴承健康状态评估和剩余寿命预测;最后,通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据,提高公众对核动力旋转设备运行的认识与信赖。