一种限定记忆的自适应扩展Kalman滤波器

为解决扩展卡尔曼滤波器(EKF)鲁棒性差,且无法实时精确跟踪系统突变状态的问题,研究一种基于限定记忆滤波的自适应EKF算法。算法将EKF与限定记忆滤波器相融合,减小旧量测数据对滤波效果的影响,提高估计精度;引入自适应因子与渐消因子,通过实时调节新旧滤波增益阵以及预测状态值,精确地跟踪系统突变状态。仿真实例表明,强跟踪算法与经典EKF算法相比,自适应EKF算法鲁棒性好,滤波精度高,能够有效地跟踪系统突变状态。

基于Student’st分布的自适应重采样粒子滤波算法

针对粒子滤波在跟踪非线性状态突变系统的隐状态时,因粒子贫化导致估计精度下降的问题,提出一种基于Student’s t分布的自适应重采样粒子滤波算法.首先,将Student’s t分布作为采样尺度转移方程,再自适应地将粒子依据权值大小分为两个子集;然后,对子集执行自适应交叉和变异操作,得到新生粒子集,从而自适应地提升粒子多样性,达到提升估计精度的目的.实验结果验证了所提出算法的可行性和有效性.