基于序列重要性重采样算法的MIMO时变信道半盲估计

粒子滤波可以用来处理非线性非高斯问题,而序列重要性重采样算法能较好地解决粒子滤波中的粒子退化问题,由此将序列重要性重采样算法运用于MIMO时变信道进行半盲估计.实验结果表明:与使用传统的粒子滤波方法相比,基于序列重要性重采样算法的MIMO时变信道半盲估计方法均方误差和误码率降低,从而改善了接收端的符号检测性能.

融合ADMM相关滤波器与序列重要性重采样的时间序列预测

针对序列重要性采样方法中粒子权值计算中存在系统误差的问题,提出一种新的时间序列预测方法,首先由交替方向乘子优化计算相关滤波器,再通过对偶优化变量的计算进而获取目标响应图,然后结合响应图与当前状态量的观测共同引导粒子集的准确定位.对比时间序列预测的序列重要性采样、序列重要性重采样和所提ACSIR方法的实验数据,所提方法有效地降低目标状态估计过程带来的误差.横向对比目前主流的时间序列预测方法,在VOT图像数据集上测试的结果也充分表明:所提方法显著提高了对运动目标的预测成功率.对于城市道路上的交通视频流管理和分析领域,借助所提方法可以有效地对路面车辆进行预测与通行轨迹跟踪,进而为城市交通系统分析与交通需求预测提供关键数据支持.

基于RBPF和数据关联的多目标跟踪

粒子滤波用一组带有权值的随机采样点近似后验概率密度函数,实现对任意状态模型的精确估计。把Rao-Blackwellized粒子滤波与多假设跟踪算法相结合,将多目标跟踪问题分为2个部分,即数据关联中后验概率分布的估计和基于数据关联的单个目标跟踪估计。前者通过序列重要性重采样实现,后者使用卡尔曼滤波进行最小均方误差估计。实验结果表明,采用最优重要性分布可以减少计算所需粒子数和计算量。

基于UKF的Rao-Blackwellized粒子滤波器多传感器多目标跟踪算法研究

在纯方位多传感器多目标跟踪问题中,状态的测量通常是来源未确定的观测量,在杂波环境尤为如此,需要同时解决多个目标的测量和目标之间的关联问题。本文提出一种新的基于Rao-Blackwellized思想的RBPF-UKF算法。该算法利用Rao-Blackwellized将多目标跟踪问题转化为2个子问题:数据关联及单目标跟踪问题,利用粒子滤波中的序列重要性重采样原理解决多目标跟踪的数据关联问题,用UKF滤波器实现单目标跟踪。仿真结果表明,RBPF-UKF算法能很好地解决多目标数据关联问题,与RBPF-EKF算法相比具有更高的滤波精度及稳定性,体现了该算法的优越性。