序列蒙特卡洛滤波在卫星传热反问题中的应用

为了解决卫星在轨外热流辨识与实时温度预测问题,提出采用序列蒙特卡洛SMC(Sequential Monte Carlo)算法实时辨识卫星轨道外热流变化,结合双层集总参数模型,快速准确地预测星载仪器温度变化。SMC算法采用构造温度的后验概率密度函数PPDF的方法进行滤波和预测,使得外热流的在线辨识和温度预测性能得到较大提高。仿真结果表明序列蒙特卡洛滤波方法可以实现卫星热系统动态特性辨识,保证了低维模型参数的自适应辨识的可靠性,实现受控对象温度变化的在线预测技术。

序列蒙特卡洛算法的数字地图线状特征跟踪模型

针对数字地图中的线状特征,如道路、河流的提取问题,该文提出一种基于序列蒙特卡洛的特征提取算法。算法利用粒子滤波方法与贝叶斯模型的建模思路,描述数字地图道路的状态及其观测估计方法;在此基础上,讨论跟踪过程中的模拟退火处理以及粒子聚类分析;最后,将跟踪模型应用在数字地图的特征提取中。实验表明,与传统的数字栅格地图道路提取算法以及基于其他粒子滤波的算法相比较,基于跟踪模型的算法具有较强的鲁棒性以及精度,同时能够很好地处理扫描栅格地图中缺失的道路信息提取。

基于蒙特卡洛方法的粒子滤波算法研究

针对非线性、非高斯问题,文章详细分析了贝叶斯滤波的原理及其进展。采用近似线性及高斯假设处理,传统的卡尔曼滤波提供了一种很好的解决方案。但是,真实世界的非线性、非高斯问题存在,使得人们不得不寻找一种更好的最优滤波方法。基于随机滤波理论、贝叶斯统计量和蒙特卡洛方法的粒子滤波理论迅速发展,并广泛应用到数字通信、目标跟踪、计算机视觉和机器故障诊断领域。

基于蒙特卡洛方法的高斯混合采样粒子滤波算法研究

本文提出了一种标准粒子滤波器的改进算法——高斯混合采样粒子滤波算法(GMSPPF)。仿真结果表明,新算法在大幅降低计算复杂度的前提下,具有比标准粒子滤波算法(SIR-PPF)更好估计性能.

采用混合t分布粒子滤波器的视觉跟踪(英文)

由于目标数量的变化,观测数据的岐义性和目标间的遮挡,多目标视觉跟踪问题面临多种困难。基于目标分布的有限t分布混合模型提出了一种混合t分布粒子滤波器以实现多目标跟踪。在算法中,每个被跟踪目标指派一个独立的粒子滤波器,显式处理当新目标出现在场景中时对应粒子滤波器的初始化,当被跟踪目标消失时,对应粒子滤波器的删除。混合t分布粒子滤波器算法不仅能够跟踪多种类型的多目标,还能够持续跟踪遮挡消除之后的多目标。为了展现混合t分布粒子滤波器的跟踪性能,完成了基于颜色分布的跟踪多种不同颜色和相同颜色的多目标实验,对比了混合t分布粒子滤波器,混合粒子滤波器以及Boosted粒子滤波器的跟踪性能。实验结果表明:文中算法不仅能够跟踪数量可变的多目标,进行实时计算,而且具有更好的鲁棒性。

多天线系统符号和载频同步的混合粒子滤波

为解决多天线系统符号同步和载频同步中的联合参数非线性估计问题,提出一种混合粒子滤波方法.该方法基于最大后验概率准则,在接收端将时延、频率偏置用联合随机粒子表示,结合未知信道参数矢量的卡尔曼滤波估计值,获得联合粒子的重要性权重.同时,采用序列重要性采样和重采样策略来更新粒子权重并保持粒子的多样化,可避免直接在高维信道参数空间上进行重要性采样时效率下降的缺点.该方法在4发2收的多天线基带传输系统上的仿真实验表明,其参数估计精度较高,到达稳态所需的迭代次数较少,并可获得接近理想参数时的误码率性能.

基于统计形状模型的面部特征提取随机方法

针对在复杂背景和部分遮挡情况下提取面部特征轮廓的困难,提出了一种基于统计模型的随机方法.该方法将面部特征轮廓作为动态随机过程的状态序列,并应用统计方法建立人脸整体形状模型和特征形状模型,分别构造面部特征间和面部特征内控制点样本的预测方程,最后利用序列蒙特卡洛方法估计随机状态.该方法给出了面部特征提取的随机描述,打破了确定性方法对单高斯分布和轮廓形状线性变化的依赖性,实现了轮廓的准确可靠提取.对100幅正面人脸图像的实验结果表明,轮廓定位相对误差仅为2 7%.对标准人脸检测数据库中传统算法很难处理的复杂背景和部分遮挡情况,该方法能够正确定位面部特征轮廓.

机动目标跟踪的非线性算法

卡尔曼滤波器对线性高斯滤波问题能提供最优解,而对目标运动模型、观测方程等要求的非线性就不再适合,提出了一种机动目标自适应非线性粒子滤波算法-“粒子滤波器”(Particle Filters PF)法,这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型,分析比较了粒子滤波(PF)与扩展卡尔曼滤波算法(EKF)的滤波精度、运算量等方面指标。给出了基于典型非线性模型的算法仿真,仿真结果表明粒子滤波新方法优于EKF对机动目标跟踪。

基于近似贝叶斯的模型选择

讨论了近似贝叶斯计算(ABC)方法的改进算法ABC-SMC在实际建模过程中的模型选择和参数估计问题.ABC算法是一个似然自由的算法.当似然函数难以计算或没有精确解析形式的情形时,ABC算法规避了似然函数的计算,转而关注模型的生成模拟,这也是该算法的核心.ABC-SMC在经典的ABC框架上改造了抽样过程,利用序列蒙特卡罗策略逐步减小阈值,从而达到模型选择和参数估计的目的,避开了贝叶斯因子的计算.通过两个模型的模型选择和参数估计的详细阐述,将算法分析结果与真实情况相比较,表明ABC算法处理模型选择和参数估计问题的有效性.