渐消自适应Unscented粒子滤波及其在组合导航中的应用

提出一种新的渐消自适应Unscented粒子滤波算法,通过Sigma点来获取状态估值和协方差阵,利用渐消因子自适应的调节权值大小,得到一种参数可调节的重要性密度函数。该重要性密度函数考虑了最新量测的影响,更合理地利用有效信息,保证了粒子多样性,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,与扩展Kalman滤波和渐消自适应扩展Kalman滤波比较,仿真结果表明,提出的滤波算法能提高导航解算的精度,其性能明显优于扩展Kalman滤波和渐消自适应扩展Kalman滤波。

一种新的抗差自适应Unscented粒子滤波

针对粒子滤波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。提出了一种新的抗差自适应Unscented粒子滤波算法。该算法不但能利用等价权函数和自适应因子合理的分配信息,提高滤波精度,而且具有Unscented粒子滤波的优点,更好的适用于非线性、非高斯系统模型的计算。仿真结果表明,文中提出的抗差自适应Unscented粒子滤波算法,滤波性能明显优于扩展卡尔曼滤波和粒子滤波算法,并且能提高组合导航系统的定位精度。

基于预测残差的自适应Unscented粒子滤波

针对经典粒子滤波的样本退化问题,提出了基于预测残差的自适应Unscented粒子滤波。该方法将自适应因子与无迹卡尔曼滤波相结合构造粒子滤波的建议分布,即通过UT变化构造建议分布函数,利用预测残差作为自适应因子,在线调整测量预测协方差、状态测量互协方差和状态更新协方差的实时变化,从而调整其在滤波中的作用。非线性状态估计仿真实验表明,该算法具有较强的自适应性和较高的滤波精度。

基于双自适应扩展粒子滤波器的锂离子电池状态联合估计

为了更好地优化电池的能量管理,提高电池的利用效率,加强电池的安全性能,有必要对锂离子电池的荷电状态(SOC)和健康状态(SOH)进行精确估计。为解决噪声协方差取值和粒子采样分布问题,该文首先提出自适应扩展粒子滤波(AEPF)算法,根据状态向量预测的准确度自适应调整噪声协方差,并利用扩展卡尔曼滤波实现粒子分布函数的局部线性化。随后利用双自适应扩展粒子滤波(DAEPF)算法进一步实现电池SOC和SOH的联合估计,避免电池使用过程中模型参数变化对SOC估计的影响,并结合多时间尺度的方法节约所需的计算资源。最后在动态工况条件下对不同电池模型与算法进行对照实验,结果表明,改进后的算法收敛速度明显提升,且能够显著地提高电池的SOC与SOH的估计精度。

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。

权值自适应调整Unscented粒子滤波及其在组合导航中的应用

针对粒子滤波存在的重要性密度函数难以选取和粒子退化问题,提出了一种新的权值自适应调整Unscented粒子滤波算法。该算法在Unscented粒子滤波的采样过程中吸收权值自适应调整的优点,考虑最新量测影响,通过欧氏距离和反映量测噪声统计特性的精度因子来自适应的调整粒子对应权值分布,增加有用粒子的权值,降低粒子退化程度,保持粒子多样性。同时Unscented变换提高了滤波精度,使该算法能更好地适用于非线性、非高斯系统模型的计算。将提出的算法应用于GPS/DR组合导航系统进行仿真验证,结果表明,提出的权值自适应调整Unscented粒子滤波算法得到的东向定位误差控制在±5.5 m附近,北向定位误差则在±5.2 m附近,滤波性能明显优于扩展卡尔曼滤波和Unscented粒子滤波,能提高GPS/DR组合导航系统解算精度。

自适应平方根Unscented粒子滤波算法研究

针对粒子滤波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,在吸收平方根滤波、自适应滤波和粒子滤波优点的基础上,提出了一种新的UPF算法。该算法由UKF算法得到重要性密度函数,通过自适应因子实时控制动力学模型误差,采用平方根分解法抑制系统状态协方差矩阵的负定性。仿真结果证明,文中所提出的自适应平方根UPF算法,不但适用于非线性、非高斯动态系统的滤波计算,而且能有效地改善滤波性能,提高SINS/SAR组合导航系统的定位精度。

采用自适应Unscented Kalman的粒子滤波

针对粒子滤波的粒子退化问题,使用自适应UKF进行重点采样。该方法使用自适应因子调整Unscented Kalman滤波的观测信息与动力学信息之间的权比,使滤波预测值的协方差更趋向真实值。与扩展Kalman滤波、自适应扩展Kalman滤波、Unscented Kalman滤波重点采样方法相比,自适应UKF重点采样进一步提高了粒子滤波的精度。

基于自适应渐消无迹粒子滤波的Unscented FastSLAM算法

针对机器人导航无迹快速同步定位与地图构建(Unscented Fast SLAM)算法由于重采样造成样本粒子退化,进而导致估计精度下降的问题,提出一种基于自适应渐消无迹粒子滤波的Unscented Fast SLAM算法。该算法将无迹粒子滤波与渐消滤波相融合产生自适应建议分布函数,同时将粒子根据权值进行优化组合,仅对组合后的部分不稳定的粒子进行系统重采样。通过这两方面使得系统在具有高度自适应性的同时保证粒子的多样性,缓解粒子的退化现象。仿真实验表明,提出算法与Unscented Fast SLAM算法相比,可以用较少的粒子实现更高的SLAM的估计精度,很大程度上降低了SLAM算法的复杂度。

基于自适应粒子滤波的WiFi与PDR融合定位算法

针对室内复杂环境下单一定位算法精度低的问题,提出基于自适应粒子滤波的WiFi与行人航位推算(PDR)融合定位算法。针对WiFi定位固定K最近邻(KNN)导致精度变差的问题,采用优选动态KNN进行加权KNN(WKNN)算法定位估计;对于PDR定位累积误差的问题,通过动态阈值的波峰波谷步频检测、最小二乘法拟合修正非线性步长模型进行改善;在此基础上,采用自适应粒子滤波进行WiFi与PDR融合定位。实验结果表明:所提算法在3 dBm噪声标准差条件下,均方根误差(RMSE)为0.95 m,精度达到0.89 m,可有效改善在室内环境下定位系统的定位精度和鲁棒性。

Unscented粒子滤波在静基座捷联惯导系统大方位失准角初始对准中的应用研究

静基座大方位失准角的捷联惯导系统误差方程是非线性的,Unscented粒子滤波从非线性系统状态向量概率分布出发,结合Unscented卡尔曼滤波和粒子滤波的特点,无需对非线性系统模型进行处理而能达到较高的滤波精度。本文对Unscented粒子滤波进行了研究,并结合重采样算法,运用于捷联惯导系统静基座大方位失准角初始对准中,计算结果验证了该方法的有效性与优越性。

非高斯噪声下基于Unscented粒子滤波器的非线性系统故障诊断方法

非高斯噪声下非线性系统的故障诊断中,一般是基于粒子滤波器的方法,但普通粒子滤波器通常会发生“退化”现象,严重影响故障的检测和诊断品质。本文通过引入Unscented粒子滤波器方法,利用Unscented变换对随机分布的非线性概率传递能力来产生建议分布,能明显地改善普通粒子滤波器的性能;然后,提出了基于该滤波器的序贯式故障诊断策略,采用负对数似然比方法监控系统的运行状态,故障发后利用状态联合估计器进行故障隔离。计算实例表明,该新方法能实时检测诊断出非线性系统的故障,同时能抑制非高斯噪声的影响。

Unscented粒子滤波器及其在纯方位跟踪中的应用

为处理纯方位跟踪(BOT)中的非线性问题,提出了一种Unscented粒子滤波(UPF)跟踪方法。在使用Unscented变换的基础上,利用UPF来加入最新的观测量并产生非线性粒子滤波(PF)的建议分布。结合纯方位跟踪模型,推导了UPF应用的具体算法步骤,使用匀速运动和机动目标两个BOT仿真实例,与其它滤波器进行了仿真对比,分析了跟踪性能和误差。仿真结果表明,对于纯方位跟踪问题,UPF不仅解决了扩展卡尔曼滤波器的线性化损失难题,而且与PF等粒子滤波器相比,具有更高的跟踪精度。

基于粒子群优化的Unscented粒子滤波算法

针对Unscented粒子滤波(UPF)算法中的粒子退化及重采样引起的粒子枯竭等问题,利用粒子群优化算法使粒子通过比较其当前值与最优粒子的适应度值调整自身速度,向高似然域移动,寻找最优位置,并对重采样过程进行优化,以缓解粒子的退化及枯竭问题。实验结果证明,该算法提高了UPF算法的状态估计精度。

有色噪声下基于Unscented粒子滤波的语音增强方法

针对含有色噪声的语音,提出了一种基于Unscented粒子滤波的单通道语音增强方法。采用时变自回归模型(TVAR)对干净语音建模,通过Unscented粒子滤波器估计AR模型的参数并滤除有色噪声。与大多数常用的粒子滤波选择的建议分布不同,Unscented粒子滤波器采用Unscented卡尔曼滤波器生成粒子滤波的建议分布。由于在粒子的更新过程中考虑了最近的观测值,Unscented粒子滤波器能够在粒子数少于传统粒子滤波算法所需粒子数目的基础上改善估计的性能。仿真实验结果表明,在有色噪声背景下该算法具有良好的语音增强效果。

基于Unscented粒子滤波的无序观测下水下无线传感器网络目标被动跟踪

为提高水下无线传感器网络(UWSN)中的目标被动跟踪性能,提出了一种新的无序观测量(OOSM)处理算法.利用节点动态分簇建立分布式跟踪结构,簇头节点收集子节点的观测量形成本地估计.基于这种分布式结构,利用Unscented粒子滤波(UPF)结合新观测量,产生粒子滤波的建议密度分布,处理OOSM问题.详细推导了基于UPF的OOSM处理算法(OOSM-UPF)的具体实现步骤.利用转弯率建立机动目标跟踪模型,构建虚拟三维WSN仿真环境,比较了几种OOSM算法的性能.仿真结果表明,与其它算法相比,分布式OOSM-UPF算法的跟踪性能有了明显的提高.

基于Unscented四元数粒子滤波的微小卫星姿态估计

针对基于微小卫星姿态确定系统精度低和噪声存在非高斯分布的情况,研究了适用于该定姿系统的Unscented粒子滤波(UPF,Unscented Particle Filter)算法.UPF方法结合了Unscented卡尔曼滤波(UKF,Unscented Kalman Filter)与粒子滤波(PF,Particle Filter)的特点,用UKF得到PF的重要采样函数,从而克服了PF没有考虑最新量测信息、扩展卡尔曼滤波(EKF,Extended Kalman Filter)和UKF只能应用到噪声为高斯分布的不足.以MEMS(Mi-cro Electronic Mechanical System)陀螺和CMOS APS(Complementary Metal Oxide Semiconductor Active Pixel Sensors)星敏感器为姿态敏感器件,将UPF与基于误差四元数的卫星姿态运动学方程结合,构建了UPF定姿滤波器,并用MEMS陀螺采集的随机噪声数据进行了半物理仿真,对其特性进行了分析与比较.仿真比较结果表明:在敏感器精度较差并且系统噪声非高斯分布的情况下,这种基于UPF的姿态估计方法在计算粒子数目相对于PF较少的情况下,可以取得比UKF更好的滤波精度,从而有效地提高了定姿性能.

基于Unscented粒子滤波的传感器管理算法

传感器管理是信息融合技术的重要研究方向,以往的传感器管理算法主要是针对线性融合系统,现实中非线性系统更为普遍,而针对非线性融合系统的传感器管理算法研究较少。粒子滤波是目前非线性领域中应用最广的滤波算法,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度。U nscen ted粒子滤波采用U nscen ted卡尔曼滤波计算提议概率密度分布,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。针对非线性系统,提出了一种基于U nscen ted粒子滤波的传感器管理算法。首先利用U nscen ted粒子滤波对目标进行状态估计,求出目标的协方差;然后利用信息熵计算目标的信息增量;最后利用信息增量最大对传感器资源进行分配,并对该算法进行了仿真。

基于奇异值分解的Unscented粒子滤波及其应用研究

针对粒子滤波存在重要性密度函数难以选取和系统状态协方差阵可能出现负定性的问题,提出一种新的奇异值分解Unscented粒子滤波(SVDUPF)算法。该算法采用自适应因子调节动力学模型误差,通过奇异值分解抑制系统状态协方差矩阵的负定性,并以改进的UKF算法产生重要性密度函数,以弥补粒子滤波重要性密度函数难以选取的缺陷。将提出的算法应用到单变量非静态状态增长模型中并进行仿真验证,结果表明,提出算法的滤波精度明显优于EKF和UPF算法,能提高模型的解算精度。

基于自适应门限及分层容量的粒子滤波算法

为了解决传统粒子滤波算法在重采样过程中因粒子匮乏而导致滤波精度降低的问题,提出基于自适应门限(T)及分层容量(C)的粒子滤波(particle filtering,PF)算法,简称TCPF算法。利用无迹变换在建议分布中融入最新量测信息,使得建议分布贴近概率密度函数的真实分布;构造自适应门限,减少在高斯混合中对相似组件单元聚类的运算步骤,提高聚类效率;设置分层采样比例容量,对连续概率密度函数进行分层,并对劣势层粒子权值进行优化组合,提高粒子多样性。6组系统模型测试结果表明,与其他滤波算法相比,TCPF的均方根误差均值和标准差均值分别平均下降29%和25%,从而验证了其在抑制粒子退化、避免样本匮乏上的优势,提高了滤波精度。