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 .

闪烁噪声环境下机动目标跟踪的改进的高斯-厄米特粒子滤波

针对闪烁噪声环境下机动目标跟踪的非线性、非高斯问题,提出了一种改进的高斯-厄米特粒子滤波算法。和传统的高斯-厄米特粒子滤波算法相比,在生成粒子集时,改进的高斯-厄米特粒子滤波算法采用高斯-厄米特滤波对当前时刻的各个粒子进行估计,将得到的估计值和协方差直接作为粒子滤波算法的粒子集及相应的协方差。仿真结果表明,改进的高斯-厄米特粒子滤波算法对闪烁噪声环境下的机动目标能够进行有效的跟踪,提高了跟踪精度。

机动目标跟踪的高斯-厄米特粒子滤波算法

闪烁噪声环境下的机动目标跟踪实质上是一个非线性非高斯系统滤波问题,为了提高跟踪精度,应用高斯-厄米特滤波方法来产生粒子滤波器(PF)的重要密度函数,解决了PF算法的粒子退化问题,并给出了基于高斯-厄米特粒子滤波器(GHPF)的闪烁噪声机动目标跟踪算法。仿真结果表明,各种PF算法对闪烁噪声机动目标的跟踪精度远远好于卡尔曼滤波方法;同时GHPF不仅提高了估计精度,而且减少了粒子数目,降低了算法的复杂度,因此其综合性能要好于其他PF算法,具有较高的跟踪精度和较好的实时性。

自适应高斯厄米特粒子PHD滤波多目标跟踪算法

针对高斯厄米特粒子概率假设密度(probability hypothesis density,PHD)算法可能导致滤波计算复杂度较高、精度不强,性能较差的问题,提出一种自适应高斯厄米特粒子PHD的改进算法,该算法通过在高斯变换的过程中引入阈值,以该阈值为界剔除权值较小的积分点,对大于阈值的积分点进行归一化处理,在保证滤波精度的基础之上,减小权值较小点在计算上带来的冗余;另外在高斯厄米特滤波的过程中引入了自适应因子,适当调整高斯厄米特滤波过程中的增益,自适应调节滤波的均值与方差,以提高滤波过程的精度。仿真结果表明:改进后的算法相比于高斯厄米特粒子PHD算法在精度上有明显提高,同时简化了计算复杂度,达到预期的目的。

基于自适应高斯-厄米特滤波的锂电SOC估算研究

对锂电池荷电状态(state of charge,SOC)进行准确地估算十分重要。由于SOC呈非线性特征,并且受多种因素的动态影响,准确估计困难。本文利用高斯-厄米特滤波(Gauss-Hermite filter,GHF)的思想,结合Thevenin等效电路模型,提出一种自适应高斯-厄米特滤波(adaptive Gauss-Hermite filter,AGHF)算法对SOC实时估计更新。利用MATLAB/Simulink建立仿真模型,并与扩展卡尔曼滤波(extended Kalman filter,EKF)算法及传统的高斯-厄米特滤波算法相比较。通过分析对比可以发现该算法的估算精度较高,可以有效地控制滤波发散。

自适应高斯—厄米特滤波器

针对带有未知统计特性噪声的非线性系统,提出了一种新型的自适应滤波器——自适应高斯—厄米特滤波器(AGHF),其过程是通过将Sage-Husa噪声估计器推广到非线性系统,得到更为一般的噪声估计的递推形式,它与高斯—厄米特滤波器(GHF)相融合,得到适用于带有未知统计特性噪声的非线性系统的高精度自适应滤波器.仿真结果表明,当非线性系统存在一类未知统计特性噪声(系统噪声或测量噪声)时,与扩展卡尔曼滤波器(EKF)、GHF和自适应扩展卡尔曼滤波器(AEKF)相比,AGHF滤波器可显著提高对噪声统计特性和系统状态的估计精度.

基于高斯-厄米特粒子漂移的机动目标跟踪算法

为了提高对机动目标跟踪的实时性,提出了一种将均值漂移嵌入高斯-厄米特粒子滤波器的目标跟踪算法.通过粒子滤波产生一组带权粒子,在高斯-厄米特预测的基础上利用基于颜色直方图分布的均值漂移算法对各粒子进行迭代优化,由于在提高粒子质量的同时有效降低了维持"多峰"假设所需的粒子数,从而保证了算法的精度和效率.实验结果表明文中算法在保持较高精度的同时,大大提高了跟踪的实时性.

基于PNGV模型和高斯-厄米特滤波的SOC估算研究

为解决锂离子电池荷电状态(SOC)估算精度不高和初值鲁棒性差的问题,提出了一种基于新一代汽车伙伴计划(PNGV)等效电路模型和高斯-厄米特滤波(GHF)算法的锂离子电池SOC估算方法。首先,建立PNGV模型来模拟电池的动静态工作特性,列出该等效电路模型的状态空间方程;然后,利用混合动力脉冲能力特性测试试验,对模型中的动态参数进行辨识,并通过电流激励下的电压响应对比验证了模型及参数的有效性;最后,结合GHF算法得出了算法的系数矩阵和递推过程。在Matlab/Simulink平台上,对该SOC估算方法的估算效果进行了仿真分析与验证。结果表明,无论是在恒流、周期恒定电流和周期变电流工况下,还是在城市道路循环(UDDS)变电流工况下,SOC都能实时跟踪真实值的变化。同时,该算法对初值有较好的鲁棒性。在初始SOC为0.8的情况下,SOC估算最大误差不超过3.7%,具有较高的精度。该算法为锂离子电池SOC的估算提供了一种新的思路。

基于高斯厄米特粒子滤波算法的多用户检测

标准粒子滤波存在粒子退化的缺陷,高斯厄米特粒子滤波算法可以缓解这个缺陷。新算法中,利用高斯厄米特滤波来产生重要性概率密度函数,该概率密度函数在系统状态的转移概率基础上加入新的观测数据,更接近于系统状态的后验概率。理论分析和实验结果表明:在相同的情况下,高斯厄米特粒子滤波算法优于标准粒子滤波算法。

高斯粒子滤波器及其在非线性估计中的应用

为了解决非线性、非高斯系统估计问题,讨论了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。在符合高斯假设和一定的粒子数的情况下,谈算法可以获得近似最优解。与粒子滤波算法相比,其优点是不需要重采样步骤和不存在粒子退化现象。在滤波精度、运算时间等方面与扩展卡尔曼滤波、Unscented滤波、高斯厄米特滤波及一般的粒子滤波进行了比较分析,仿真结果表明该算法性能优于其他算法。

自适应非线性GM-PHD滤波及在无源跟踪中的应用

首先针对无源传感器目标跟踪中的非线性问题,将高斯-厄米特求积分规则运用于高斯混合概率假设密度滤波,提出一种求积分卡尔曼概率假设密度滤波。其次,针对未知时变过程噪声,将基于极大后验估计原理的噪声估计器运用到概率假设密度滤波中,同时依据目标状态一步预测与状态滤波结果之间的残差,提出一种对滤波发散情况判断和抑制的算法。最后通过无源传感器双站跟踪仿真表明:相较于已有的非线性高斯混合概率假设密度滤波,所提算法有更高的精度,并且在未知时变噪声环境中具有较好跟踪效果。

分维自适应稀疏网格积分非线性滤波器

针对含加性高斯噪声的非线性离散系统,提出了可分别根据各维状态及量测方程的非线性函数特性来确定采样点及其权重的积分滤波器.设计了基于嵌入式高斯采样积分和稀疏网格法则的自适应多变量采样积分方法,可在匹配函数高阶泰勒展开项时,利用低阶采样点,提出了高效的数据结构和遍历算法,便于采用该积分方法分别估计系统状态/量测的预测均值和协方差矩阵.该滤波器既能根据各维非线性函数的特性确定采样点,又实现了对采样值和权重的完全复用,保证了算法效率.理论分析和仿真表明,该滤波算法中自适应调整的运算量小于计算非线性函数采样值.该滤波器与无迹卡尔曼滤波相比,提高了滤波精度,与固定形式的稀疏网格滤波器相比,提高了采样效率,且该方法为两者的广义形式.仿真实验也验证了状态估计的精确性和函数采样的高效性.

雷达多目标跟踪的关联粒子滤波研究

在整个导弹防御系统中,多目标跟踪是很重要的一项技术,要求系统快速机动地跟踪导弹目标,但系统存在非线性问题,使用传统方法使跟踪偏差大。为解决上述问题,提出在非高斯条件下,把高斯-厄米特粒子滤波算法和联合概率数据关联方法相结合,对多目标跟踪的数据进行关联处理并进行状态估计。利用高斯-厄米特滤波计算的均值、协方差产生密度函数,并生成具有后验特征的粒子。用联合概率数据关联方法进行杂波剔除和数据关联,并对综合的关联粒子滤波算法进行仿真。仿真结果表明,改进方法可以有效解决多目标的准确跟踪问题。

条件线性高斯模型的Gauss Hermite filter-Kalman filter算法

针对条件线性高斯状态空间模型,提出了高斯厄密特滤波-卡尔曼滤波(Gauss Hermite filter-Kalmanfilter,GHF-KF)滤波算法。算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,由GHF获得非线性状态的估计;再将非线性状态的估计均值代入线性状态方程与观测方程,由KF获得线性状态的估计;获得的非线性状态估计方差还用于修正由KF估计的线性状态,以提高精度。将GHF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器RBPF相比,新方法在保证估计精度的同时,明显提高了实时性,计算时间仅约为RBPF的5%。

基于统计线性回归的粒子滤波方法

针对非线性、非高斯系统的状态估计问题,该文提出了一种基于统计线性回归的粒子滤波算法。在该算法中,首先对非线性函数基于统计线性回归展开,并利用高斯积分估计回归系数,依此产生重要性密度函数。该密度函数融入了最新的观测信息,扩大了与系统真实后验密度的重叠区域。理论分析和实验结果表明,该算法具有较高的估计精度,与一般的粒子滤波算法相比,有较好的稳定性和较低的计算量。

高斯-厄米特滤波器在捷联惯导系统初始对准中的应用

为提高静基座初始对准精度,缩短对准时间,采用了基于大方位失准角的对准模型,引入了高斯-厄米特滤波器(GHF)。针对GHF中均值和协方差阵的多元非线性高斯积分求解问题,利用初始对准误差方程的非线性是由大方位失准角导致的特点,通过状态的线性变换,求其线性状态解析解,将高维积分转化成一元数值积分,在不损失精度的前提下,解决了GHF在对准应用的"维数灾难"问题。将此算法用于实际系统,对比于扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF),结果表明在大方位失准角条件下,GHF方法偏航角的对准精度提高了16%,对准时间缩短了75%。

自适应GHPF及其在组合导航中的应用

研究组合导航系统精度优化问题,针对粒子滤波存在重要性密度函数难以选取的问题,提出一种新的自适应GHPF算法,通过高斯-厄米特滤波来获取状态均值和协方差阵,计算自适应因子并利用自适应因子调节均值和方差,得到一种参数可调节的重要性密度函数。重要性密度函数考虑了最新量测的影响,提高了滤波精度,使滤波性能明显改善,能更好地解决非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,仿真结果表明,提出的滤波算法能提高导航计算的精度,定位性能明显优于与扩展Kalman滤波、粒子滤波以及高斯-厄米特粒子滤波。

稀疏网格平方根求积分非线性滤波器

针对具有加性噪声的非线性高斯动态系统的状态估计问题,本文提出一种新的基于稀疏网格法的平方根求积分滤波器(SSRQF),该滤波器通过稀疏网格取点来近似计算多维积分并进行平方根滤波.与常规QF的积分点数随着维数呈指数增长相比,该方法的积分点数随着维数呈多项式增长,减少了计算量;理论分析表明,无味卡尔曼滤波器(UKF)只是稀疏网格求积分滤波器(SQF)的一个特例,因此SSRQF在精度和取点上比UKF更为灵活.仿真实验表明,SSRQF的滤波精度均高于UKF和扩展卡尔曼滤波器(EKF),是一种效率较高的高精度非线性滤波算法.

平方根求积分卡尔曼滤波器

针对具有加性噪声的非线性高斯动态系统的状态估计问题,本文提出一种近似递归的高斯滤波器:平方根求积分卡尔曼滤波器(SRQKF).该滤波器是在求积分卡尔曼滤波器(QKF)基础上的平方根实现形式,使用统计线性回归的方法,通过一套参数化高斯密度的高斯-厄米特积分点来线性化非线性函数的;滤波器采用平方根的实现方法,不仅增强了数值的鲁棒性,确保了状态协方差矩阵的半正定性,而且在一定程度上提高了滤波精度.仿真实验表明,SRQKF的滤波精度比QKF提高约12%,且均高于无味滤波器(UF)和扩展卡尔曼滤波器(EKF),但这二者的计算复杂度均比UF和EKF大.对滤波精度要求比较高的非线性场合,新滤波器是一种很有效的非线性滤波算法.

基于强跟踪GHF的里程计辅助SINS动基座对准研究

为提高车载捷联惯导系统动基座初始对准精度,提出了一种强跟踪降维高斯-厄米特非线性动基座初始对准算法。里程计辅助捷联惯导粗对准后水平姿态误差角为小角度,里程计辅助捷联惯导动基座对准模型简化为大方位失准角非线性模型,采用降维高斯-厄米特滤波(GHF),以少数非线性状态积分点估计整个系统状态,减少计算量,应用强跟踪滤波,提高系统对突变的滤波状态的跟踪能力。实验表明,应用强跟踪降维高斯-厄米特滤波提高了动基座初始对准精度,减少了计算量,提高了滤波的稳定性。