基于改进高斯粒子滤波的船舶非线性状态估计

针对标准粒子滤波的粒子贫化问题,提出一种基于改进高斯粒子滤波(Improved Gaussian Particle Filter,IGPF)的船舶非线性状态估计器。首先基于序贯重要性采样(Sequential Important Sampling,SIS)的理论框架,给出标准粒子滤波(Particle Filter,PF)算法,然后在此基础上用高斯分布来作为重要性分布给出高斯粒子滤波(Gaussian Particle Filter,GPF),并将Unscented卡尔曼滤波用于重要性密度函数形成IGPF,应用于动力定位船的状态估计。仿真结果表明,基于IGPF的非线性状态估计器能有效避免粒子贫化、估计船舶状态,并对观测野值有一定的鲁棒性。

组合导航系统中自适应迭代粒子滤波

提出一种自适应迭代粒子滤波算法,利用自身迭代实时更新重要密度函数,快速将粒子推到高似然区,让粒子权重分散均匀,提高采样效率。运用模拟退火算法来解决粒子权重很小、不易归一化的问题,仿真结果可知,自适应迭代粒子滤波算法在SINS/GPS组合导航中有更好的实用性。

基于辅助粒子滤波波动率估计算法

针对标准粒子滤波在资产收益率的波动率估计中,因使用转移密度作为重要性采样密度,导致抽样粒子在更新后大量丢失低权重粒子,进而造成估计效果不佳的问题,提出一种基于辅助粒子滤波波动率估计(auxiliary particle filter volatility estimation,简称APFVE)算法。在APFVE算法预测阶段,采用双因子非对称已实现随机波动(two-factor asymmetric realized stochastic volatility,简称2FARSV)模型对当前波动率进行估计,在APFVE算法更新阶段,充分利用了当前时刻的量测信息,对重要性采样密度进行实时调整,将抽样粒子引入高似然区域,使得更新后粒子权重更稳定。仿真实验表明,相对于标准粒子滤波波动率估计(particle filter volatility estimation,简称PFVE)算法,无论是在波动率变化特征估计上,还是在波动率估计精确度上,APFVE算法都具有更好的效果。

一种面向弹道再入目标跟踪的HPD-SRCQSPF算法

针对弹道再入目标轨迹跟踪问题,提出基于混合建议分布的平方根容积求积采样粒子滤波(HPDSRCQSPF)算法,该算法以混合建议分布为框架,由两个基本建议分布组成。其中一个基本建议分布为先验分布,另一个基本建议分布为平方根容积求积卡尔曼滤波估计后的值。该混合建议分布与真实的后验分布很接近,因此有着高效性、高精度等特点。仿真结果表明,对于弹道再入目标轨迹跟踪模型,相比于标准粒子滤波(SPF)算法和平方根容积求积粒子滤波(SRCQPF)算法,HPD-SRCQSPF算法可以在较低运算负载的情况下获得更好的跟踪性能。特别是在弹道目标变轨机动的情况时,所提出算法的性能增益更为显著。

基于簇相似度的实时多尺度目标跟踪算法

针对目标跟踪中跟踪实时性和适应目标尺度变化的问题,提出在粒子滤波框架内基于簇相似度测量的实时目标跟踪算法,算法的外观模型使用改进的均值类哈尔特征表示.首先,根据采样半径采集目标簇和背景簇.然后,定义粒子与簇之间的相似度.当新帧到来时计算每个粒子与目标簇和背景簇的相似度,并将相似度最高的粒子作为目标在该帧的位置.在每帧跟踪结束时,更新目标簇和背景簇的统计特征,并对粒子进行重采样防止退化.与当前通用的跟踪算法对比体现文中算法的优越性.

基于PSO-HMM的CSI的被动式室内定位算法

针对隐马尔科夫(HMM)算法中的鲍姆—韦尔奇算法(BW)预测模型参数,难以找到全局最优解的问题,提出了一种融合粒子滤波与隐马尔科夫的粒子群优化—隐马尔科夫(PSO-HMM)算法。对于BW算法学习环节的初值选定问题,增加了粒子群优化(PSO)算法优化过程,量化的初值选定对于信道状态信息(CSI)无线信号的定位数据处理更加合理,从而增加了定位的精准性。同时,为了克服HMM算法存在的统计约束问题,加入了重标准化和重映射机制。由于PSO收敛速度较快,从宏观现象观察,提高了定位实时性。实验结果表明:与传统的HMM算法、支持向量机(SVM)算法相比,PSO-HMM算法很大程度上提高了室内定位的精准性和实时性。