基于量化新息的容积粒子滤波融合目标跟踪算法

针对现有非线性网络化目标跟踪融合算法存在的精度低和实用性差等不足,以一类带有噪声相关的非线性网络化目标跟踪系统为对象,研究基于测量新息量化策略和容积粒子滤波(Cubature particle filter,CPF)的目标跟踪融合算法.首先,利用状态方程恒等变换和矩阵相似变换理论解除过程噪声与测量噪声以及测量噪声之间的相关性;其次,各个传感器节点采用自适应策略量化局部测量新息并将其发送到融合中心(Fusion center,FC);随后,在集中式融合框架下采用容积粒子滤波器设计基于测量值扩维的量化融合跟踪算法,进而给出相应的顺序滤波量化融合算法,上述算法可有效解决因自适应量化引起的非高斯问题;最后,通过两个计算机仿真实验验证了所提出跟踪算法的有效性.

马尔可夫链蒙特卡罗容积粒子滤波器

针对非线性、非高斯系统状态估计问题,提出了一种基于重要密度函数的改进粒子滤波器—马尔可夫链蒙特卡罗容积粒子滤波器。在状态转移概率的基础之上综合考虑了当前的量测信息,利用容积卡尔曼滤波对每个采样粒子进行估计,使得重要密度函数更加贴近于真实后验;同时为避免粒子贫乏,在重采样后加入马尔可夫链蒙特卡罗步骤。理论分析和实验仿真表明:马尔可夫链蒙特卡罗容积粒子滤波器的性能要优于容积粒子滤波器以及其他参照滤波器。

截断的自适应容积粒子滤波器

在现有的高斯粒子滤波算法(Gaussian particle filter,GPF)中,粒子的重要性密度函数是由高斯滤波器(Gaussian filter,GF)结合当前最新量测来构建的。在高精度、强非线性的量测条件下,传统GF并不能很好地近似状态真实后验概率密度函数,为了解决这一问题,提出一种截断的自适应容积卡尔曼滤波器,并用其来构建粒子的重要性密度函数,从而推导出了截断的自适应容积粒子滤波器。仿真表明,在高精度、强非线性的量测条件下,所提出的滤波算法比现有的GPF具有更高的估计精度。

球面单形-径向容积粒子滤波的单站无源定位算法

针对单站无源定位可观测性弱、观测噪声大而导致的定位精度低、收敛速度慢等问题,提出了球面单形-径向容积粒子滤波(Cubature Particle Filter,CPF)的单站无源定位算法。该算法基于容积卡尔曼滤波产生重要性密度函数,充分利用最新的观测信息,将粒子导向高似然区域。同时,其预测分布得到修正后的权值,有效缓解了粒子退化问题,提高了对系统状态后验概率的逼近程度。仿真结果表明,新算法虽然较标准的CPF增加了一定的计算量,但计算时间仍仅约为求积分粒子滤波(Quadrature Particle Filter,QPF)的10%,且定位精度与QPF相当,优于标准的CPF。

容积粒子滤波在紧耦合SINS/GPS导航系统中的应用

紧耦合SINS/GPS导航系统的数据融合过程存在高维状态和非线性混合模型,采用常规的线性卡尔曼滤波很难处理;而一般的非线性粒子滤波存在粒子退化和样本枯竭的问题。对此,提出将容积粒子滤波(CPF)算法应用于SINS/GPS组合导航系统。CPF利用容积卡尔曼滤波算法得到粒子滤波(PF)的重要性密度函数,并将最新量测值融入系统状态的转移过程中,由此产生的预测样本接近于系统状态的真实后验概率的样本。仿真结果表明,CPF算法的估计性能明显优于标准PF。

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波(PF)直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波(7th-CQKF)对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波(CPF)。

基于自适应容积粒子滤波的车辆状态估计

针对车辆状态估计中由模型的强非线性、噪声的非高斯分布等相关因素导致估计精度下降甚至发散的问题,本文提出了基于自适应容积粒子滤波(Adaptive cubature particle filter,ACPF)的车辆状态估计器。首先基于非稳态动态轮胎模型,构建高维度非线性八自由度车辆模型。其次利用自适应容积卡尔曼滤波(Adaptive cubature Kalman filter,ACKF)算法更新基本粒子滤波(Particle filter,PF)算法的重要性密度函数,以完成自适应容积粒子滤波算法设计。利用车载传感器信息,运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。搭建Simulink-Carsim联合仿真平台进行了算法的验证,结果表明该算法状态估计精度高于传统无迹粒子滤波(Unscented particle filter,UPF)算法,且算法运算效率高于UPF算法,而传统PF估计值发散。研究结果为实现车辆动力学精准控制提供了理论支持。

迭代容积粒子滤波算法在SINS初始对准中的应用

在大方位失准角误差的条件下,捷联惯导系统(SINS)初始对准误差模型是非线性的,可以采用粒子滤波(PF)方法进行处理。针对标准PF算法中存在的重要性密度函数难以选取的问题,提出了一种新的迭代容积粒子滤波(ICPF)算法。将Gauss-Newton迭代和容积卡尔曼滤波(CKF)算法相结合,得到迭代CKF(ICKF)算法。该算法利用最新量测信息改进迭代过程中产生的新息方差和协方差,可获得较高的估计精度。由ICKF算法获得粒子滤波算法的重要性密度函数,有效地抑制了粒子退化现象。SINS大方位失准角初始对准的仿真结果和实验结果表明:该算法的滤波精度高于标准PF算法和容积PF(CPF)算法,是一种非常有效的非线性滤波算法。

基于人工免疫的渐消容积粒子滤波目标跟踪算法

针对基于传统粒子滤波的目标跟踪算法过程中由于重采样造成样本粒子的退化,使得估计精度下降和实时性较差的问题,提出一种基于人工免疫的渐消容积粒子滤波目标跟踪算法。该算法将容积粒子滤波与渐消滤波相融合产生自适应提议分布函数,同时根据粒子权重大小对样本粒子进行优化重组,对重组后的不稳定粒子进行人工免疫重采样。通过优化提议分布与重采样这两方面,使得目标跟踪系统具有更高的自适应性,并且保证粒子的多样化,有效地缓解粒子退化问题。仿真实验表明,该算法与基于传统的容积粒子滤波目标跟踪算法相比,跟踪精度大大提高,同时具有更高的实时性,降低了算法的复杂度。

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。

双重约束下的容积粒子滤波单星目标跟踪算法

针对弹道导弹轨迹重建算法中非高斯性误差导致的轨迹不平滑现象,提出了一种基于改进容积粒子滤波的单星目标跟踪算法。该算法使用一种改进权重判定的粒子滤波算法进行时序跟踪,采用基于“当前”统计模型的容积卡尔曼滤波构造自适应滤波优化重要性分布概率,并且融入当前观测信息,减弱粒子退化现象。为了优化粒子的后验概率分布,通过构建观测视线-速度矢量双重约束,滤除非高斯性误差。三种实验方案的结果表明,所提算法效果优于仅有多重权重判断的粒子滤波和扩展卡尔曼滤波跟踪算法,对比另两种算法误差降低最低达43.14%,最多达85.25%;并且弹道导弹目标在中低纬地区发射时,所提算法能够很好地实现单星观测定位弹道导弹目标。

平方根嵌入式容积卡尔曼粒子滤波算法

为了提高现有粒子滤波算法对非线性、非高斯系统的状态估计精度,该文提出了一种平方根嵌入式容积粒子滤波(Square-root imbedded cubature particle filter,SICPF)算法。该算法采用平方根嵌入式容积卡尔曼滤波(Square-root imbedded cubature Kalman filter,SICKF)产生重要性密度函数。该算法融合了最新的观测信息,由其产生的重要性密度函数更接近系统状态的真实后验概率分布,最后采用经典非线性、非高斯状态模型对该文算法的性能进行仿真测试。仿真结果表明:SICPF算法的估计误差约为扩展粒子滤波(Extended particle filter,EPF)算法1/4、无迹粒子滤波(Unscented particle filter,UPF)算法误差的2/3、容积粒子滤波(Cubature particle filter,CPF)算法的估计误差的3/4,SICPF算法是一种有效的滤波算法。

复合K噪声下目标跟踪的改进粒子滤波算法研究

针对复合K噪声干扰下目标跟踪系统中出现的强非线性非高斯问题,在给出一种复合K噪声统计模型的基础上,提出将容积粒子滤波(CPF)与无迹粒子滤波(UPF)两种算法应用在典型目标跟踪系统中,并对算法的跟踪性能进行了仿真分析。实验结果表明,CPF,UPF两种算法均能有效跟踪复合K噪声下的运动目标;其中,CPF算法表现出更高的跟踪精度和更好的实时性,且具有更低的算法设计复杂度。

列车组合定位中改进CPF算法的探讨

针对在GNSS/INS列车组合定位中普遍采用的扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等滤波技术无法满足复杂的高速列车组合定位环境问题,研究了列车组合定位中改进的容积粒子滤波(CPF)算法,提出了基于改进CPF算法的列车组合定位信息融合技术。该算法采用马尔科夫链蒙特卡洛(MCMC)移动方法来解决粒子退化问题,进而提高滤波性能。使用Matlab对改进算法进行仿真,结果表明改进CPF具有更小的位置误差和速度误差,提高了列车非线性运动过程中的定位精度。

临近空间高超声速目标跟踪IMMCPF算法

临近空间高超声速目标具有机动特性强、轨迹变化快、强非线性等特点,在目标跟踪的过程中,易出现跟踪精度降低、滤波发散的问题。针对该问题,提出了一种交互式多模型容积粒子滤波算法。使用交互式多模型算法来对临近空间高超声速目标进行跟踪,使用容积粒子滤波算法对目标进行滤波预测。仿真结果表明,该算法跟踪性能优于交互式多模型卡尔曼滤波算法和交互式多模型粒子滤波算法,对临近空间高超声速目标有更好的跟踪效果。

一种面向弹道再入目标跟踪的HPD-SRCQSPF算法

针对弹道再入目标轨迹跟踪问题,提出基于混合建议分布的平方根容积求积采样粒子滤波(HPDSRCQSPF)算法,该算法以混合建议分布为框架,由两个基本建议分布组成。其中一个基本建议分布为先验分布,另一个基本建议分布为平方根容积求积卡尔曼滤波估计后的值。该混合建议分布与真实的后验分布很接近,因此有着高效性、高精度等特点。仿真结果表明,对于弹道再入目标轨迹跟踪模型,相比于标准粒子滤波(SPF)算法和平方根容积求积粒子滤波(SRCQPF)算法,HPD-SRCQSPF算法可以在较低运算负载的情况下获得更好的跟踪性能。特别是在弹道目标变轨机动的情况时,所提出算法的性能增益更为显著。