高斯粒子流滤波器

粒子流滤波器以粒子流速度场描述随机样本从先验分布到后验分布的演化,实现对系统状态的贝叶斯估计.针对其一般解计算复杂、难于滤波求解的问题,导出一种高斯假设条件下的粒子流滤波器.在线性高斯条件下推导了速度场的解析解;证明了当演化步长趋近于0时,该解析解与Kalman-Bucy滤波器的解具有一致的形式;基于该解导出了非线性高斯系统速度场的表达式,并进一步利用Unscented变换近似求解.通过若干仿真算例表明,高斯粒子流滤波器放宽了系统噪声为高斯型的限制,其精度优于经典非线性高斯滤波器,计算复杂度低于一般粒子滤波器,且具有良好的稳定性.

利用粒子流滤波的单通道BPSK信号盲分离算法

由于粒子滤波本身的"粒子贫化"问题,导致基于传统粒子滤波的单通道信号盲分离算法分离性能恶化以及计算量较大,本文提出了一种基于粒子流滤波的单通道BPSK信号盲分离新算法。根据由两路BPSK信号混合的单通道信号,构造了测量方程和状态方程。然后,通过将状态空间中服从先验分布的粒子移动到其对应的后验分布上,实现了粒子更新,其不同于粒子滤波采用重采样来更新粒子,避免了"粒子贫化"现象发生。最后,采用一种基于弱解形式的粒子流滤波器实现BPSK信号的盲分离。计算机仿真结果表明,与粒子滤波算法相比本文算法具有更低的误码率和计算复杂度。

OFDM时变信道的粒子流滤波估计算法

粒子滤波是一种基于序贯重要性采样原理的蒙特卡罗方法,其重采样步骤将导致"粒子贫化",传统的基于粒子滤波的OFDM时变信道估计算法精度较低、计算复杂度较高。本文从消除"粒子贫化"角度出发,用粒子流的方法取代了重采样。通过建立微分方程实现贝叶斯估计,采用粒子流将粒子平滑移动到状态空间中的后验分布上,实现从先验粒子到后验粒子的更新,提出了一种基于粒子流滤波的OFDM时变信道估计算法。与基于粒子滤波的信道估计方法相比,本方法计算复杂度低,估计精度高,对环境噪声具有较好鲁棒性。

混合粒子流滤波的非线性系统参数估计算法

为了提高强环境噪声下非线性系统估计性能,基于粒子流滤波对非线性系统估计能力强的特点,文中首先利用粒子流滤波粗估计状态向量;然后,利用卡尔曼滤波平滑由强环境噪声所导致的状态向量估计误差;最后,得到混合粒子流滤波算法。对转移方程为线性而测量方程为非线性的系统估计仿真实验表明:文中算法的参数估计精度高于普通粒子流滤波算法和粒子滤波算法,计算复杂度和普通粒子流滤波算法相当且低于粒子滤波算法。

基于“新息误差”的粒子流滤波算法

在粒子滤波(PF)过程中存在粒子权值退化、维度灾难、计算成本高等问题。粒子流滤波通过构造对数同伦函数避免了粒子权值退化问题,但是在求解边值问题时过于依赖观测方程,当噪声较大时效果较差。针对上述问题,提出了一种改进的粒子流滤波算法。首先,该算法在粒子流动的过程中引入了一种“新息误差”结构,使每个粒子的更新相互独立;其次,利用Galerkin有限元法求得边值问题的数值解,从而消除了拟合样本先验可能导致的数值不稳定问题;最后,分别在通用非线性滤波模型和机动目标跟踪模型中对改进的算法进行了性能测试。仿真结果表明,改进的算法可以抑制系统对观测信息的依赖性,在噪声增大的情况下也能得到相对较好的结果,有效改善了滤波精度,而在多维目标跟踪情况下算法的计算效率与滤波精度高于标准粒子滤波。

基于粒子流滤波的视觉定位算法

针对基于粒子滤波的视觉定位算法存在的粒子需求量大以及重采样中粒子贫化而导致的计算量大、定位精度差等问题,提出了一种采用粒子流滤波进行优化的视觉定位算法。该算法通过一个微分方程进行粒子的移动,利用粒子流完成随机样本集从先验分布到后验分布的更新,进而避免了“粒子退化”现象,最后利用参量近似法来求解粒子流滤波,实验结果证明,该算法减少了算法计算量和运行时间,提高了系统的精度。

基于弱形式解的粒子流滤波器

针对粒子流滤波器中粒子速度场计算复杂,难以滤波求解的问题,提出一种基于弱形式解的粒子流滤波器.通过将粒子速度场等效为势函数的梯度,推导该速度场所满足的偏微分方程的弱形式;应用Galerkin有限元法和蒙特卡罗积分法,推导出一个易于计算的弱形式常数近似解.仿真算例表明,在一定初始条件下,多峰型后验分布会使高斯假设滤波器局部收敛,而粒子流滤波器是有效的,且具有较高的跟踪精度和较好的鲁棒性.

粒子滤波综述

基于固定点采样的滤波方法在解决非线性问题时会引入较大的线性化误差,为了解决这一问题,基于蒙特卡洛思想的粒子滤波算法近年来备受关注。首先在递推贝叶斯理论的框架下,分析粒子滤波的基本思想和原理,并对其性能特点进行了简单介绍;其次,从重要性密度函数、重采样、结合智能优化算法和相关扩展算法等4个方面分析并归纳了粒子滤波的改进算法;然后介绍了粒子滤波算法在各个领域方面的应用;最后对粒子滤波进行展望,指出未来的研究方向。