非线性/非高斯序贯贝叶斯滤波

序贯Bayesian滤波为Bayesian滤波的递归实现,为在线估计系统状态提供了一个合理的框架。序贯贝叶斯滤波是基于状态—空间模型的。在线性高斯状态—空间模型下,最佳序贯贝叶斯滤波为大家熟知的卡尔曼滤波。在非线性/非高斯状态—空间模型下,最佳序贯贝叶斯滤波不存在通用的解析解,基于卡尔曼滤波的方法和质点滤波方法为比较常用的两类次最佳序贯贝叶斯滤波。它们各有各的优势,是相互补充的。该文采用扩展卡尔曼滤波和序贯重要性重采样质点滤波对两个非线性/非高斯系统的状态进行跟踪,仿真表明系统非线性/非高斯不严重时采用扩展卡尔曼比较合适,非线性/非高斯较严重时采用序贯重要性重采样比较合适。

运动目标状态序贯贝叶斯滤波

状态-空间模型是一个通用和宽容的模型,它包含了描述系统所要求的所有相关信息。贝叶斯滤波方法是解决状态估计问题的一般框架。当有新数据可用时,序贯滤波方法可以实现估计和更新待估参量。对于运动目标状态跟踪问题,利用状态-空间模型进行建模,并采用序贯贝叶斯方法进行处理,如扩展卡尔曼滤波、unscented卡尔曼滤波和质点滤波。该文给出了这3种方法的仿真结果,从而实现目标状态跟踪。

非寻复域状态-空间滤波

针对实际非平稳海洋声数据存在非寻和非圆特性,在状态-空间模型下,对复信号作增广表示,建立复域状态-空间模型.从观察者的角度,推导了复高斯条件下的最佳瞬变观察者的线性表达式,即复域卡尔曼滤波器.当状态-空间模型为非线性非高斯时,最佳瞬态观察者须通过线性化或数值近似的方法近似得到.给出一种数值近似的方法——复域质点滤波,通过计算机仿真和波导实验证明了在信号非寻的情况下,复域卡尔曼滤波和复域质点滤波比常规的卡尔曼滤波和质点滤波具有更好的估计性能.