自调整分层卡尔曼粒子滤波的快速目标跟踪(英文)

分层卡尔曼粒子滤波成功应用于目标跟踪,但其只对目标位置进行了优化,忽略了其他仿射参数,导致跟踪中的粒子数目仍然很大。为了实现复杂环境下的快速目标跟踪,提出一种带有自调整策略的分层卡尔曼粒子滤波方法。该方法将目标划分为线性和非线性状态空间,并通过少量粒子的迭代过程在非线性状态空间逐步搜索最优状态。其详细过程如下:首先,利用卡尔曼滤波预测目标位置,结合目标运动信息计算潜在目标区域;然后在该区域内生成一组随机粒子,通过在线姿态估计对粒子状态进行调整,并将观测结果与目标模板进行比较,修正粒子摄动的方向以逼近目标。把该方法应用于大机动目标的视频序列中,并与现有的跟踪方法进行了对比。结果表明,所提方法能够以少量粒子实现准确、稳定的目标跟踪,大大降低了跟踪算法的运算量,提高了跟踪效果。

卡尔曼粒子滤波中基于精确运动模型的局部区域估计（英文）

粒子滤波广泛应用于对精度和稳定性要求较高的目标跟踪,但其计算量大,并且计算复杂度随着状态量和粒子数目增长迅速增加。将目标跟踪转化为由粗到精的搜索过程,提出了一种基于精确运动模型的改进分层卡尔曼粒子滤波算法。该方法利用加速度的运动模型在真实目标位置的周围估计目标的散布范围,并在该范围内随机生成粒子,寻找精确的目标位置。文中引入加加速度模型主要是由于现有方法的状态量阶数不足,导致模型精确度较低,无法应对大机动目标的跟踪。因此,引入了高阶状态变量加加速度,并将其用于改进分层卡尔曼粒子滤波的运动模型。利用分层卡尔曼粒子滤波、粒子滤波以及提出的方法进行了跟踪试验,结果表明,基于精确运动模型的改进分层卡尔曼粒子滤波模型的跟踪方法能够提高线性运动的预测精度,实现复杂环境下精确稳定的跟踪。

基于动态生成树和改进不敏卡尔曼滤波的传感器网络目标跟踪算法研究

针对在传感器网络目标跟踪的实际应用中,节点感知的数据与目标真实状态之间通常呈现非线性的特点,提出了一种基于改进不敏卡尔曼滤波的传感器网络目标跟踪算法。通过引入粒子群技术对不敏卡尔曼滤波中δ采样点的分布和收敛速度进行优化,使得δ采样点的分布更加接近目标的真实状态,以提高目标跟踪精度。同时,构建了一个随目标移动而动态生成的树形结构作为算法的执行平台。仿真结果表明,采用动态生成树作为算法执行平台提高了节点资源的利用率,降低了网络能耗,采用粒子群优化后的不敏卡尔曼滤波提高了目标跟踪精度,减少了算法运行时间。

改进粒子滤波算法在组合导航中的应用

为了提高组合导航定位系统的定位精度和可靠性,分别对扩展卡尔曼滤波(EKF)、粒子滤波(PF)和U卡尔曼滤波(UKF)3种算法进行了分析。通过分析3种算法各自的特点,将PF算法和UKF算法的优点相结合,提出了一种新的粒子滤波算法——U粒子滤波(UPF)算法,并将其应用于GPS/DR组合导航系统中。通过对UPF算法与PF算法在GPS/DR组合导航系统中的仿真研究比较,进一步证实了UPF算法的可行性及计算的精确性。

双层无迹卡尔曼滤波

针对无迹卡尔曼滤波(Unscented Kalman fllter, UKF)在强非线性系统中估计效果差的问题,提出了双层无迹卡尔曼滤波(Double layer unscented Kalman filter, DLUKF)算法,该算法用带权值的采样点表征先验分布,而后用内层UKF算法对每个采样点进行更新,最后引入外层UKF算法的更新机制得到估计值和估计协方差.仿真结果表明,相比于传统算法,所提的DLUKF算法可以在较低计算负载下获得较高滤波估计精度.

对粒子滤波器的若干改进算法

近年，粒子滤波（Particle Filter，简称PF）备受关注，与传统滤波方法相比，它具有简单易行、适用于非线性及非高斯噪声环境的优点，因此被广泛应用于诸多工业领域，如计算机视觉、航空导航及过程监控等。除计算负担较大外，样本贫化现象是PF的最大缺点，尤其对较长时间内维持不变的量（如受故障影响的模型参数）进行估计时影响尤为突出，更易导致PF算法退化，极端情形会导致算法发散。这对将PF应用于故障诊断影响很大。减轻样本贫化影响的最简单方法是加大样本集，但一般难以做到。本文把扩展卡尔曼滤波（EKF）及正则采样算法引入粒子滤波，从而得到了改进算法。

基于多样性向导的自适应重采样粒子滤波研究

由于在非线性非高斯系统和多模处理能力上的优越性,粒子滤波算法已经被广泛应用。针对粒子滤波算法现有缺陷分析,提出一种基于多样性向导的自适应重采样粒子滤波。首先,基于多样性向导自适应调整重采样阈值。在基于有效样本大小的自适应重采样技术之上,借助了另一多样性测度即种群多样性因子来自适应地调整有效样本大小的阈值;而且,在重采样之后引入样本变异操作来确保样本的多样性。然后,提出了一种改进的部分分层重采样算法。该算法借鉴部分分层重采样执行快、时间短的优点,同时结合权重优化的思想改进重采样的样本权重计算。最后,通过仿真实验验证了所提粒子滤波算法的性能和有效性。

基于改进粒子群算法辨识电池参数估算SOC

针对电池模型多参数辨识的问题及传统辨识算法收敛精度差、收敛速度慢的问题,提出基于改进粒子群算法的参数辨识方法,并与无迹卡尔曼滤波(UKF)算法相结合,估算电池荷电状态(SOC)。根据一阶RC等效电路模型,采用双线性变换进行离散化处理得到辨识模型;引入学习因子(Pai)、非线性多尺度学习策略和免疫综合学习策略,改进算法,提高粒子群算法的全局寻优能力与收敛精度,实现在线辨识电池参数;根据电池综合状态系统估算SOC。仿真结果表明,相对于基本粒子群相对误差约为6%,该算法的相对误差约为3%,且波动较小,可更准确地估算电池的SOC。

基于粒子滤波的锂电池SOC二次滤波算法

荷电状态(State-of-Charge,SOC)估计作为电池管理系统的核心算法,是电池状态估计与保护控制的重要依据。基于改进PNGV模型,应用带有遗忘因子的递推最小二乘算法实现电池模型参数实时更新;在此基础上,提出了将粒子滤波与卡尔曼滤波相结合的SOC二次滤波算法,结合系统状态方程对粒子滤波结果进行卡尔曼二次滤波,从而在计算量接近粒子滤波的前提下提高估计精度,克服了拓展卡尔曼滤波算法必须对实际工况进行线性化,以及粒子滤波算法在信噪比较低时粒子不能准确描述后验概率而导致结果偏移的问题。通过电池实验仿真验证了模型参数识别以及SOC估计算法的优越性。

基于改进纯追踪模型的农机路径跟踪算法研究

为提高农机作业时直线行驶的精度,提出了一种基于改进纯追踪模型的农机路径跟踪算法。在建立了运动学模型和纯追踪模型的基础上,对农机直线跟踪方法进行研究;针对GPS导航精度易受噪声干扰的问题,通过卡尔曼滤波对航向误差以及横向误差进行了平滑处理,以获取更高精度的航向误差和横向误差;为提高纯追踪模型的自适应能力,以横向误差和航向误差的均方根误差为基础,构建适应度函数,并设计了权重函数,采用横向误差作为主要决策参数,通过粒子群优化(Particle swarm optimization,PSO)算法实时确定纯追踪模型中的前视距离;为使粒子群减少计算时间、尽快进行局部搜索,对PSO算法中惯性权重系数进行了改进。以东方红1104-C型拖拉机为试验平台,设计了农机自动导航控制系统,进行了农田播种试验。结果表明:当农机行驶速度为0.7 m/s时,采用基于改进纯追踪模型的农机路径跟踪算法,直线跟踪的最大横向误差为0.09 m;当行驶距离超过5 m后,最大横向误差为0.02 m,该算法能够有效地提高农机作业时的直线行驶精度。

一种用于RSS提取的改进粒子滤波算法

针对室内WiFi指纹位置定位中取RSS的平均值作为其定位特征值在室内环境的复杂性和动态性不能准确地反映RSS信号真值的问题,以及卡尔曼滤波和粒子滤波算法等用于RSS信号的提取只针对线性噪声或非线性噪声中的一种,在室内动态多变、干扰复杂多样的环境下鲁棒性不理想的问题,结合卡尔曼滤波和粒子滤波,提出一种用于RSS提取的改进的粒子滤波算法。给出了算法实现的步骤,并且在不同地点不同环境条件(静态环境和动态环境)下分别进行了指纹定位在线端的数据采集实验。实验结果表明:基于改进粒子滤波的RSS提取算法的定位精度和鲁棒性均优于均值算法、卡尔曼滤波算法、粒子滤波算法等已有算法。

基于IUPF算法的三维无人机毫米波波束跟踪

由于无人机毫米波通信技术具有高速数据传输和广域网络覆盖能力,因此在军用和民用领域中拥有广阔的应用前景。针对无人机毫米波通信需要进行精确的波束跟踪这一问题,提出一种基于改进无迹卡尔曼粒子滤波算法的三维波束跟踪方法。该方法首先利用无迹卡尔曼滤波建立建议密度函数并更新采样粒子;然后计算每一个采样粒子的权值,并在归一化后再次对粒子进行重采样;最后计算粒子均值,得到波束跟踪角度。仿真结果表明,该方法相较于以往毫米波波束跟踪方法大大降低了估计误差,显著提高了波束的跟踪精度。

改进渐消中心差分粒子滤波的单站无源定位算法

针对粒子滤波中存在的重要性密度函数难以选取和可能出现粒子退化的问题,提出了一种改进渐消中心差分粒子滤波算法.该算法从研究粒子滤波的建议分布出发,充分利用最新观测信息,通过引入改进的渐消因子实时调整增益阵,得到一种优化的建议分布函数,能够有效缓解粒子退化现象.同时,在粒子采样中,研究采用了多样化的采样方式减轻滤波中粒子枯竭的影响,进一步提高了滤波精度.将该算法应用到单站无源定位系统中进行仿真运算,仿真结果表明,在不同的观测精度环境下,该算法使得系统具有更好的自适应性和滤波精度.

余度MEMS-IMU/GPS组合导航系统

对采用余度配置的MEMS-IMU/GPS组合导航系统进行了研究。分析了微小型组合导航系统的特点和误差模型,针对惯性/GPS伪距组合导航模式下,卡尔曼滤波器需要对量测方程线性化的缺点,提出了基于改进平淡粒子滤波的滤波算法。该算法采用权值控制参数决定粒子是否进入平淡卡尔曼滤波器,有效降低了滤波计算量,并和UPF算法精度相当。研究表明,改进平淡粒子滤波算法对系统性能有明显提高,在GPS信号受到遮挡、暂时不可用的情况下,具有较好的抑制误差作用,适合余度微惯性/GPS组合导航系统的应用。

基于ESP模型的锂电池参数辨识和SOC估计

精准的电池模型是电动汽车电池管理系统的关键,它为准确估计电池荷电状态(SOC)提供保证。基于电化学反应机理,建立扩展单粒子(ESP)模型。基于ESP模型参数较多的特点,利用改进遗传算法分不同SOC阶段进行多组参数辨识,通过充放电实验验证模型的准确性。基于ESP模型和卡尔曼滤波算法,引入强跟踪滤波器和自适应滤波方法,且对模型状态方程进行修正,建立自适应强跟踪Sigma点卡尔曼滤波算法来进行SOC估计。结果表明,ESP模型有较高的精度,且基于此模型和所建立的算法可以实现对SOC的精确估计,其最大误差在2.3%以内。

基于控制分配的推力矢量短距起飞垂直降落飞机减速过渡控制

针对推力矢量型短距起飞垂直降落飞机由平飞到悬停的减速过渡过程中面临非线性、控制量冗余且耦合等问题,本文建立了含执行器约束的推力矢量短距起飞垂直降落飞机六自由度非线性数学模型,提出一种基于智能控制分配的减速过渡过程控制方法:以非线性增量动态逆方法设计控制律,获得虚拟控制指令。考虑执行器执行能力和过渡过程期望指标设计优化函数,使用改进的粒子群算法在线解算实际控制量。仿真实验验证了该方法在过渡过程中具有指令跟踪精度高,对气动参数摄动与外界风干扰鲁棒性强等优点。

基于IPSO-ASTUK的同步相量测量算法

为了进行快速并高精度的测量及跟踪电力信号的幅值、频率和相角信息,提出一种基于改进粒子群优化算法的自适应强跟踪无迹卡尔曼滤波(improved particle swarm optimization-adaptive strong tracking unscented Kalman filter,IPSO-ASTUKF)同步相量测量算法。首先利用IPSO-ASTUKF算法的比例采样修正算法参数,构建新的判定变量判定是否发生突变,根据状态变量是否突变自适应计算弱化因子;然后利用建立基波相量状态空间模型进行仿真验证。结果表明,所提算法具有更高的测量精度,在系统参数突变时具有更高的跟踪速度,使电网拥有更高的稳定性与可靠性。

基于IKF与FA-PF的井下超宽带定位算法

为提高井下超宽带定位的精度,提出一种基于改进卡尔曼滤波(improved Kalman filter, IKF)与萤火虫优化粒子滤波(FA-PF)的目标跟踪定位算法。首先利用IKF对标签与基站之间的测距值进行降噪处理;然后利用萤火虫算法改进粒子滤波的重采样过程,使算法在迭代过程中保持粒子的多样性,提高滤波的精度;最后使用FA-PF算法估计目标位置。仿真结果表明,相比传统卡尔曼滤波,IKF抑制非视距(non line of sight, NLOS)噪声的能力有所提高;在测量值相同的情况下,FA-PF算法具有更高的定位精度,定位误差相比粒子滤波算法和卡尔曼滤波算法分别降低了43.98%和32.50%。

一种面向中低速磁浮列车的新型速度测量系统及其算法

针对磁浮列车计数轨枕法测速存在的低速测不准和高速脉冲漏检等不足,提出了一种基于加速度补偿的速度测量系统和方法,其利用改进的粒子群算法对模糊系统参数进行最优化搜索,并将模糊系统用于卡尔曼滤波器中测量噪声参数的自适应调节,通过构建模糊规则自适应调整测量噪声矩阵中加速度和速度测量噪声,实现对列车速度的最优估计。在某国产中低速磁浮列车上进行了该系统的试验,通过与高精度雷达测得的车辆实际速度对比,证明了本文算法的有效性和可靠性。