基于重要密度的非高斯状态空间模型的线性化

本文对系统矩阵随时间变化的非中心化状态空间模型,利用其近似模型的重要密度导出了线性化的一般方法,并对三类观察扰动和状态扰动有着不同分布的非高斯模型给出了具体线性化的模型结构。

结构可靠性灵敏度分析的方向(重要)抽样法

方向抽样法是在标准正态空间极坐标系下,通过对矢径的方向进行随机抽样来分析结构可靠度的.但是当极限状态面接近平面时,方向抽样法就没有优势了.为了提高方向抽样法的效率,提出了三种基于方向(重要)抽样法的可靠性灵敏度分析方法.根据独立标准正态空间中基本变量的2χ分布特性及矢径与随机变量分布参数的关系,推导失效概率对基本随机变量分布参数的可靠性灵敏度分析的计算公式.该文所提的可靠性及灵敏度计算方法有较高的计算效率和精度,对于高度非线性极限状态方程问题亦有很强的适应性.

湘南新型城镇化建设中重要设施的监测与分析

本文以湘南地区15个典型县(市、区)作为研究区,收集、整理、制作研究区内影像数据、地理国情监测数据、社会经济等数据,从交通路网通达性与人均拥有量、教育设施与医疗机构的密度与人均拥有量等方面监测分析湘南地区重要设施情况,从而进一步分析湘南新型城镇化建设质量与水平。

基于容积粒子滤波的配电网动态状态估计

配电网中分布式电源的渗透率逐渐升高,为确保配电网安全稳定的运行,需要对配电网运行状态进行准确的感知。针对容积卡尔曼滤波(Cubature Kalman Filter,CKF)算法对强非线性非高斯系统滤波精度有限、标准粒子滤波(Particle Filter,PF)选取重要性密度函数不准确的问题,提出了基于容积粒子滤波(Cubature Particle Filter,CPF)的配电网动态状态估计模型,利用CKF算法设计PF的重要性密度函数。既克服了CKF算法要求噪声为高斯分布的限制,又保留了PF算法的强抗干扰能力。仿真结果表明,在高斯噪声和非高斯噪声下,CPF算法比CKF算法滤波精度更高、更灵活。

马尔可夫链蒙特卡罗容积粒子滤波器

针对非线性、非高斯系统状态估计问题,提出了一种基于重要密度函数的改进粒子滤波器—马尔可夫链蒙特卡罗容积粒子滤波器。在状态转移概率的基础之上综合考虑了当前的量测信息,利用容积卡尔曼滤波对每个采样粒子进行估计,使得重要密度函数更加贴近于真实后验;同时为避免粒子贫乏,在重采样后加入马尔可夫链蒙特卡罗步骤。理论分析和实验仿真表明:马尔可夫链蒙特卡罗容积粒子滤波器的性能要优于容积粒子滤波器以及其他参照滤波器。

粒子滤波算法的关键技术应用

针对基于贝叶斯原理的序贯蒙特卡罗粒子滤波器出现退化现象的原因,以无敏粒子滤波(UPF)、辅助粒子滤波(ASIR)及采样重要再采样(SIR)等改进的粒子滤波算法为例,对消除该缺陷的关键技术(优化重要密度函数及再采样)进行了分析研究。说明通过提高重要密度函数的似然度、引进当前测量值、预增和复制大权值粒子等方式,可以有效改善算法性能。最后通过对一无源探测定位问题进行仿真,验证了运用该关键技术后,算法的收敛精度和鲁棒性得到进一步增强。

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。

约束仅方位跟踪粒子滤波器研究

该文研究了杂波干扰下适用于平面机动目标实时定位的粒子滤波器的设计和实现。运用贝叶斯递推方法,分析了通用粒子滤波算法。应用马尔可夫链理论,建立了目标机动的多模式模型。针对约束仅方位跟踪(CBOT)的实际条件,推导了粒子滤波器中的最优重要密度公式。综合粒子滤波算法和约束仅方位跟踪理论,得出了约束仅方位跟踪粒子滤波器的伪码。对约束仅方位跟踪粒子滤波器的研究表明:在目标受到道路图之类的约束假设下,可以去除对本站作特定机动的要求;可在杂波环境中、目标作任意非线性机动的情况下,实现仅方位跟踪;跟踪定位距离大、角度宽;采用最优重要密度,可大大减少粒子数,降低计算量。

复杂背景下运动目标的实时跟踪

复杂背景下的实时目标跟踪是计算机视觉领域的热点问题。提出了一种融合均值平移和粒子滤波的方法,综合了二者的效率和可靠性等优点。实验结果表明,该融合算法在复杂背景下的跟踪具有较好的实时性和可靠性。

基于增强的粒子滤波算法的医学图像动态轮廓跟踪新方法

关于医学图像的研究,感兴趣区的运动估计和跟踪是一个深受关注的领域。鉴于医学图像质量低、噪声大的普遍特点,从状态变量的非线性、非高斯分布前提出发,利用粒子滤波技术解决该类跟踪问题是一种具有挑战性的技术:由于经典粒子滤波器的权值计算,尤其是重要密度函数的构造方法严重影响了粒子滤波器的性能,本文提出了重要改进。针对用粒子滤波方法估计动态轮廓线这一特殊应用,构造了具有特色的似然和先验概率密度算法。结合客观的理论评价标准和大量比较试验,该方法为精确估计动态轮廓线提供了较好的解决对策。

平坦衰落信道下的粒子滤波算法

粒子滤波器能够处理非线性和非高斯的问题,所以引起了人们的关注。当重要函数分别选取先验重要密度函数和混合重要密度函数时,对于平坦瑞利衰落信道下粒子滤波算法,仿真试验结果表明,无论是在高斯噪声还是非高斯噪声环境中,混合重要密度函数要优于先验重要密度函数。

基于贝叶斯原理的粒子滤波技术概述

针对现有非线性滤波算法收敛性及鲁棒性较差的问题 ,重点论述了基于贝叶斯原理的序贯蒙特卡罗粒子滤波器 ,指出其可能存在退化现象 。

一种基于改进粒子滤波的运动目标跟踪

基于传统粒子滤波的运动目标跟踪方法中存在重要密度函数选择困难、缺乏通用性、重采样设计难度大、粒子退化现象难以有效解决等问题。因此提出了一种改进的粒子滤波运动目标跟踪方法,该方法采用人工鱼群算法改进重要密度函数,通过粒子间的不断交互及协调行为,使其状态接近后验分布,从而提高重要密度函数的通用性。在此基础上,结合人工免疫算法的免疫算子改进重采样,平衡粒子群的收敛性和多样性,抑制早熟现象。实验结果表明,与传统粒子滤波算法相比,该方法通过参数调节,提高了运动目标跟踪的准确性和抗干扰能力,并能有效地抑制粒子退化现象。

一种优化高斯粒子滤波的载波频偏估计算法

针对单载波频域均衡系统中载波频偏估计问题,建立非线性状态空间模型,提出Unscented高斯粒子滤波(UGPF)频偏估计算法.在时间更新中,利用高斯粒子滤波(GPF)对待估状态变量的状态后验及预测概率分布进行高斯近似,压缩重采样处理环节,能有效缓解粒子退化对滤波性能影响;量测更新中,引入Unscented卡尔曼构造重要密度函数,融合最新观测值对粒子样本进行修正,优化滤波算法性能.仿真结果表明,该算法较最大似然(ML)、标准粒子滤波(SPF)及高斯粒子滤波算法具有更高的估计精度与更快的收敛速度,在非高斯噪声条件下仍具有较好的频偏跟踪性能.

迭代扩展卡尔曼粒子滤波器

提出了一种基于迭代扩展卡尔曼的粒子滤波新方法.该方法利用迭代扩展卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,使重要性密度函数能够融入最新观测信息的同时,更加符合真实状态的后验概率分布.仿真结果表明,提出的迭代扩展卡尔曼粒子滤波的估计性能要明显优于标准的粒子滤波、扩展卡尔曼粒子滤波和unscented粒子滤波.

改进粒子滤波算法的比较

重要性密度函数的选择对粒子滤波至关重要,围绕重要性密度函数的选择,已提出许多改进粒子滤波算法,典型的有扩展卡尔曼粒子滤波(EPF),不敏卡尔曼粒子滤波(UPF)、辅助粒子滤波(APF)及正则化粒子滤波(RPF)。详细讨论了4种改进粒子滤波算法的基本思想、性能特点及主要步骤。通过对一典型标量非线性系统的滤波实验,对4种改进算法的性能进行了仿真比较,实验结果表明,4种改进算法都从不同程度上改善了粒子滤波器的性能,其中,UPF的性能最优。最后,分析了各算法的改进原因。

粒子滤波算法

粒子滤波算法逐渐成为科学领域的研究热点.文章首先阐述了粒子滤波算法的提出背景,根据m阶马尔科夫假设,分析算法基本原理并推导后验概率密度及权值更新公式.分析了基本粒子滤波算法中存在的问题以及解决方法.针对粒子滤波算法重要性采样密度的选择问题,综述了重要性采样密度选择方法.对重采样技术及样本匮乏问题进行了深入的分析,讨论了算法收敛性分析的最新进展.对自适应粒子滤波算法以及粒子滤波算法在各主要应用领域的进展进行了论述.最后对粒子滤波算法的研究前景提出了展望.

毫米波/红外多传感器融合跟踪算法研究

毫米波/红外(MMW/IR)传感器是各国发展多模复合制导技术的重点.针对平方根无迹卡尔曼滤波(SR-UKF)的估计算法存在线性化误差及粒子滤波中得到优化的重要性密度函数比较困难的问题,将平方根无迹卡尔曼滤波与粒子滤波相结合,提出一种序贯融合的平方根无迹卡尔曼粒子滤波(SR-UK-PF)算法.利用平方根无迹卡尔曼算法得到的状态更新矩阵和误差协方差矩阵,构造粒子滤波的重要性密度函数,这样重要性密度函数能够融入最新观测信息,进而更加符合真实状态的后验概率分布.为验证算法的有效性,以地空导弹中MMW/IR传感器复合制导为背景进行仿真研究与分析,结果表明,该算法克服了粒子滤波法难以得到优化重要性密度函数的缺陷,能有效提高多传感器系统状态估计的精度.

一种补偿的扩展KALMAN粒子滤波

设计合适的重要性概率密度函数是粒子滤波中的一个重要问题。首先分析了扩展Kalman滤波器的线性化误差,然后加入调节因子,采用补偿的方法减小线性化误差,并用此方法获取粒子滤波中的重要性概率密度函数,同时该概率密度函数参考了最新的观测量,因此提议分布产生的粒子更能反映系统状态的后验概率分布。实验结果表明新算法的估计性能优于标准粒子滤波和Kalman粒子滤波,与UnscentedParticleFilter相比,新算法降低了计算复杂度。

一种改进的UGPF算法及其在导航问题中的应用

通过对高斯粒子滤波(GPF)算法的分析与总结,提出了一种基于无味卡尔曼滤波(UKF)方法的改进GPF算法(改进UGPF算法)。该方法主要利用UKF获取更优的重要性抽样函数,同时优化GPF滤波的算法流程结构。最后通过二维目标跟踪过程中位置导航参数估计问题,对该算法进行了仿真分析,所得结果验证了该算法的有效性。