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。

神经网络训练中的迭代扩展卡尔曼粒子滤波算法

基本粒子滤波算法已被成功用于训练神经网络,但该算法在建议分布的选择上并没有考虑当前时刻观测值的影响,针对该问题提出在神经网络训练中,使用迭代扩展卡尔曼滤波器来生成建议分布.由于迭代扩展卡尔曼滤波器在传递近似建议分布的均值和协方差的过程中,充分利用了观测值信息,从而可以更好地描述神经网络权值的后验概率分布.实验结果表明,在训练神经网络时,迭代扩展卡尔曼滤波器作为建议分布的粒子滤波算法训练性能明显优于基本粒子滤波算法及扩展卡尔曼粒子滤波算法(EKPF).

基于迭代卡尔曼粒子滤波器的锂电池SOC估算算法研究

荷电状态(SOC)估算是电动汽车电池管理系统中最为核心的一个参数,对其精确估计能有效提高锂电池寿命及使用效率。考虑到基于扩展卡尔曼滤波(EKF)波算法存在的不足,应用粒子滤波算法对锂电池SOC进行在线估计,有效降低EKF过程中高阶损失误差。针对粒子退化问题,提出基于IEKF算法在采样阶段对每个粒子计算其均值及协方差以优化建议密度函数,随后利用该均值及协方差指导粒子重采样。采用1C恒流工况及动态测试工况(DST)对实验结果进行分析验证,实验结果表明相比于粒子滤波(PF)及扩展卡尔曼滤波算法(EKF),改进的粒子滤波具备更好的估算精度。

基于迭代卡尔曼粒子滤波的目标跟踪算法研究

粒子滤波在基于图像序列的目标跟踪中获得了广泛应用.针对其计算量较大的问题,提出一种迭代卡尔曼粒子滤波算法,将非线性跟踪问题分解为线性子结构的全局状态空间模型和非线性子结构的局部状态空间模型,利用粒子滤波在卡尔曼滤波估计值的局部范围内搜索目标,逼近真实目标状态.将实验结果与粒子滤波进行比较,结果表明,迭代卡尔曼粒子滤波减少了粒子数,降低了计算量,能够对高机动目标进行实时稳定的跟踪.

迭代容积粒子滤波算法在SINS初始对准中的应用

在大方位失准角误差的条件下,捷联惯导系统(SINS)初始对准误差模型是非线性的,可以采用粒子滤波(PF)方法进行处理。针对标准PF算法中存在的重要性密度函数难以选取的问题,提出了一种新的迭代容积粒子滤波(ICPF)算法。将Gauss-Newton迭代和容积卡尔曼滤波(CKF)算法相结合,得到迭代CKF(ICKF)算法。该算法利用最新量测信息改进迭代过程中产生的新息方差和协方差,可获得较高的估计精度。由ICKF算法获得粒子滤波算法的重要性密度函数,有效地抑制了粒子退化现象。SINS大方位失准角初始对准的仿真结果和实验结果表明:该算法的滤波精度高于标准PF算法和容积PF(CPF)算法,是一种非常有效的非线性滤波算法。

强噪声环境下基于改进粒子滤波的麦克风阵列定位

针对噪声和混响环境下说话人定位不准确的问题,提出了一种基于迭代无味粒子滤波的麦克风阵列声源定位方法.利用迭代无味卡尔曼滤波产生的建议分布函数对粒子滤波算法进行改进形成迭代无味粒子滤波,在该算法的框架下通过计算麦克风阵列波束形成器的输出能量构造似然函数.实验结果表明,该方法提高了说话人的定位精度,增强了说话人跟踪系统的抗噪声和抗混响能力.

基于IEPF序贯融合的多传感器管理方法

针对主被动传感器信息融合的特点,提出了一种在IEPF序贯融合基础上进行传感器管理的方法。工程常采用的传统扩展卡尔曼滤波融合算法滤波精度不高,因此结合采用了粒子滤波方法。先对主被动传感器采用迭代扩展卡尔曼滤波集中式序贯融合,利用融合后的信息进行粒子更新,提高滤波精度,在此基础上采用分辨力增益的方法对传感器进行管理。仿真结果表明该方法能够提高对目标的跟踪精度,增强多传感器对环境变化的适应能力。

捷联惯导系统初始对准中IUPF的应用与设计

针对大失准角条件下捷联惯导系统误差模型的非线性引起的初始对准误差问题,引入了粒子滤波技术.首先,利用加性四元数误差建立了大失准角条件下的系统误差模型.然后,将无迹变换算法和迭代算法引入粒子滤波方法中,提出了迭代无迹粒子滤波算法.并且,为了解决迭代无迹粒子滤波算法中由于粒子数量所导致的算法精度和算法实时性的矛盾,采用采样重要性重采样的方法对迭代无迹粒子滤波算法进行修正,提出了一种既具有迭代无迹粒子滤波精度又计算量较小的新的非线性滤波算法.最后,进行了半物理仿真和数字仿真,比较了经典粒子滤波、无迹粒子滤波和修正后的迭代无迹粒子滤波等多种方案的滤波效果.仿真结果表明,在大失准角条件下,采用修正后的迭代无迹粒子滤波方法可以有效提高初始对准精度和算法的实时性.

改进的GNSS/INS列车组合定位PF算法

针对列车组合定位融合估计的非线性问题,结合GNSS/INS(Global Navigation Satellite System/Inertial Navigation System)列车组合定位当前发展的方向,给出了一般无迹粒子滤波(UPF)的基本过程。针对传统PF(Particle Filter)缺乏量测信息且计算量大而难以应用于GNSS/INS组合导航中的问题,提出一种新的IUPF(Iterative Unscented Particle Filter)算法。它通过将IKF(Iterative Kalman Filter)的思想融入UKF(Unscented Kalman Filter),得到比较健壮的迭代无迹Kalman滤波(IUKF),由IUKF(Iterative Unscented Kalman Filter)产生的分布与真实的后验分布有更大的支撑重叠区域,提高了精度。并且运用全局采样到PF中,结合当前最新观测值对粒子集整体采用一次IUKF来产生建议性分布,减少了计算量。仿真模拟结果表明,IUPF与一般的UPF、PF相比,精度更高,算法计算量更小。