基于观测似然重要性采样的粒子滤波算法

针对粒子滤波中如何来设计重要性采样函数进行动态粒子传播这个重要问题,提出了一种新的基于观测似然重要性采样的粒子滤波算法,该算法打破了常规粒子滤波先按某一重要性采样函数进行采样,再用观测似然进行粒子权重更新的思路,而是直接根据观测似然进行采样,然后再用先验转移概率进行粒子权重更新。由于算法在采样的过程中用到了观测似然函数,这样保证大多数粒子点都分布在高观测似然区域,极大提高了粒子的利用效率,实验证明基于观测似然重要性采样粒子滤波的性能明显优于当今流行的标准粒子滤波,扩展Kalman粒子滤波以及unscented粒子滤波。

基于概率核函数的改进粒子滤波算法研究

针对组合导航系统中粒子滤波算法出现的粒子退化现象,在粒子滤波应用过程中引入概率核函数,通过概率核函数在粒子滤波计算过程中的应用来解决粒子衰减退化问题,同时保持粒子集合的多样性。首先对重要性采样函数进行改进设计,利用状态估计概率和量测估计概率提高重要性采样函数的信息采样全面性;然后设计随机概率统计的核函数并将其应用在重采样计算过程中;最后建立改进的粒子滤波算法并将其应用到组合导航系统工作过程中。仿真结果表明,基于概率核函数的改进粒子滤波算法可以有效地降低系统误差,提高组合导航系统导航精度。

一种改进的容积信息粒子滤波多目标跟踪算法

为了解决传统的自举式粒子滤波采用状态转移密度作为重要性采样函数呈现粒子退化、跟踪精度差等问题,文中采用后验概率作为重要性采样函数并提出其估计方法。通过容积信息滤波和Gating技术,估计重要性采样函数对应的均值和方差,完成重要性采样函数设计。使用改进后的粒子滤波方法,在非线性场景下对多个目标的状态和目标数目进行了估计。仿真结果表明,本算法在非线性多目标跟踪场景下具有估计精度高、稳定性好的优点。

非线性交互粒子滤波算法

在非线性非高斯系统状态估计问题中,后验概率密度函数的解析形式难以获得,标准粒子滤波算法采用状态转移概率函数代替后验概率作为重要性采样概率密度函数,而未考虑当前观测数据的影响.针对该问题,首先提出了非线性交互多模型算法;然后应用该算法产生重要性采样概率密度函数,设计了新的非线性交互粒子滤波器.新的概率密度函数融入最新观测数据,更接近系统状态后验概率.比较实验表明了所提出算法的有效性.