递归贝叶斯估计框架下的非线性滤波算法综述

对递归贝叶斯估计框架下的非线性滤波(Nonlinear Filter,NF)算法进行分类,根据NF算法设计思想的不同把它们分为基于函数拟合/变换的NF算法、基于矩拟合的NF算法和基于条件后验概率密度函数拟合的NF算法。同时,还论述了线性回归卡尔曼滤波算法、二阶分离差分卡尔曼滤波算法、Unscented Kalman Filter算法和高斯-厄米特滤波算法四者间的共性与区别,指出了基于NF算法间相互融合的新NF算法设计的不足,分析了上述三类NF算法设计思想的完备性,发现了一些NF算法设计思想中的不足,明确了NF算法将来的突破方向。

非线性贝叶斯滤波算法综述

滤波的目的是从序贯量测中在线、实时地估计和预测出动态系统的状态和误差的统计量。从递归贝叶斯估计的框架出发,对非线性滤波算法作了统一描述,并根据对后验概率密度的近似方法的不同,把非线性滤波划归为3类:基于函数近似的滤波方法、基于确定性采样的滤波方法和基于随机采样的滤波方法。对这些非线性滤波的原理、方法及特点做了分析和评述,最后介绍了非线性滤波研究的新动态,并对其发展作了展望。

粒子滤波综述

主要对粒子滤波算法进行综述。首先详细描述了递归贝叶斯估计的基本原理和基于蒙特卡罗方法的重要性采样/重采样技术,在此基础上引出了粒子滤波标准算法——序贯重要性采样算法和序贯重要性重采样算法。针对这两个算法在应用中存在的问题,从提高算法的有效性和实时性两个方面,对近年来国内外在粒子滤波理论及应用研究方面开展的工作进行了介绍、分析归纳了改进粒子滤波算法及其主要改进思想。最后,对粒子滤波算法的研究方向进行了展望。