Monte Carlo滤波新进展及其应用

非高斯、非线性的状态空间模型研究近年来有很多新的进展,在许多领域得到应用, 其中用Monte Carlo方法进行滤波是一种简洁、方便的新方法,本文介绍这方面的新进展以及应用 情况,包括本研究组的研究成果.

高斯-厄米特粒子滤波器

针对非线性、非高斯系统状态的在线估计问题 ,本文提出一种新的基于序贯重要性抽样的粒子滤波算法 .在滤波算法中 ,我们用一簇高斯 厄米特滤波器 (GHF)来产生重要性概率密度函数 .此概率密度在系统状态的转移概率的基础上融入最新的观测数据 ,因此更接近于系统状态的后验概率 .理论分析与实验结果表明 :在观测模型具有高精度的场合或似然函数位于系统状态转移概率的尾部时 ,用GHF产生重要性概率密度函数的粒子滤波即高斯 厄米特粒子滤波 (GHPF)的性能要明显地优于标准的粒子滤波、扩展的卡尔曼滤波、GHF .

混合退火粒子滤波器

针对非线性、非高斯系统状态的在线估计问题,提出一种新的基于序贯重要性抽样的粒子滤波算法.在滤波算法中,用状态参数分解和退火系数来产生重要性概率密度函数,此概率密度函数综合考虑了转移先验、似然、噪声的统计特性以及最新的观察数据,因此更接近于系统状态的后验概率.理论分析与仿真实验表明该粒子滤波器的性能明显优于标准的粒子滤波器和扩展卡尔曼滤波器.