一种改进的箱粒子滤波目标跟踪算法

当箱粒子滤波算法在噪声环境下对目标进行检测与跟踪时,由于量测噪声分布不合理,导致广义似然函数表达精度不高,提出了一种改进的箱粒子滤波目标跟踪算法。该算法以高斯分布表示区间噪声,从箱粒子滤波的预测与更新步骤出发,在高斯分布环境下修改广义似然函数,推导了伯努利箱粒子滤波更新过程的表达式。

基于粒子滤波的股价预测方法

为了准确的预测股票价格的趋势走向,文章提出了一种基于粒子滤波(PF)的股价预测方法。该方法首先对股价时间序列建立非线性自回归(NAR)模型,由此得到对应的状态方程和量测方程;然后将NAR模型的参数向量扩展到状态向量中,用粒子滤波方法联合估计NAR模型的状态和参数,进而实现股价的实时预测。仿真实验表明,基于粒子滤波的股价时间序列预测方法比传统的NAR模型预测精度更高。

基于粒子滤波的NAR模型状态过程估计

针对状态转移方程是非线性自回归(NAR)模型的一类动态系统最优估计问题,提出利用粒子滤波(PF)方法估计NAR模型状态。该方法用正交最小二乘法建立NAR模型,得到系统状态方程和量测方程,利用PF方法估计NAR模型状态,减少因参数估计带来的状态估计误差。仿真实验表明,基于PF方法估计NAR模型状态是可行的,且比传统的NAR模型估计精度更高。

区间量测下基于无迹变换的伯努利粒子滤波算法

针对区间量测下目标的实时检测与跟踪问题,提出基于无迹变换的伯努利粒子滤波算法(BernoulliUpf).该算法在伯努利粒子滤波算法(Bernoulli-pf)的基础上融合无迹卡尔曼滤波(UKF),融合后的算法在预测步骤产生持续存活粒子时,充分考虑到当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子分布更加接近真实状态的后验分布.仿真实验表明,Bernoulli-Upf算法的估计精度优于Bernoulli-pf算法.