一种新的非线性/非高斯滤波方法

自主滤波方法是一种递归式贝叶斯估计方法 ,该方法采用一组抽样值来近似目标状态的概率密度函数 ,可用于非线性系统模型和观测模型、非高斯观测噪声条件下的滤波。将该算法与扩展卡尔曼滤波方法进行了比较 ,仿真结果表明 。

基于高斯–广义双曲混合分布的非线性卡尔曼滤波

本文研究带非平稳厚尾非高斯量测噪声的非线性系统状态估计问题.考虑到广义双曲分布包含多种常见厚尾分布特例,且其混合分布为共轭的广义逆高斯分布,选用广义双曲分布建模厚尾噪声;进而引入伯努利变量构建高斯–广义双曲混合分布来建模非平稳厚尾噪声,并利用该分布的高斯分层结构得到系统的概率模型.随后采用变分贝叶斯方法实现对系统状态以及噪声参数的后验估计,得到针对此类噪声系统的卡尔曼滤波(Kalman filter,KF)框架,现有的几种鲁棒滤波算法均是本文算法的特例.机器人跟踪仿真实验表明,所提算法与同类算法相比具有更好的估计精度和数值稳定性,且对于初始参数具有较好的鲁棒性.

非线性非高斯结构系统识别的粒子滤波方法

采用粒子滤波方法(PF方法)在非高斯噪声条件下对非线性系统进行参数识别。传统扩展卡尔曼滤波(EKF)方法具有高斯噪声假设与非线性系统线性化的缺陷,PF方法可以克服EKF方法的缺点;因此在系统识别中具有很强的鲁棒性,更适合进行非线性结构系统参数识别。数值仿真结果发现PF方法的系统识别精度高于EKF方法,证明PF方法在非线性非高斯结构系统识别中的有效性。

粒子滤波非线性AVO反演方法

提出一种新的AVO非线性反演方法,即利用粒子滤波器来求解AVO非线性贝叶斯反演问题。利用随机带权样本逼近后验概率.论文首先论述了粒子滤波器的基本原理,包括状态转移模型与观测模型,权值预测与更新,重要性密度采样等粒子滤波器应用中的关键技术.然后建立了适合于AVO反演的粒子滤波器状态转移模型和观测模型.最后,利用该方法分别对模型数据和实际资料进行了反演计算.反演结果表明,该方法具有较好的稳定性,在AVO反演中具有的一定的应用潜力.同时对地球物理反演的其他问题求解也提供了一条新的途径.

非线性非高斯模型的高斯和滤波算法

通过将模型的状态噪声和观测噪声均表示成高斯和的形式,推导出非线性非高斯状态空间模型的高斯和递推算法,进一步提出了对应的扩展卡尔曼和滤波器(extended Kalman sum filter,EKSF)和高斯厄密特和滤波器(Gauss-Hermite sum filter,GHSF)。EKSF和GHSF分别用扩展卡尔曼滤波器(extended Kalman filter,EKF)和高斯厄密特滤波器(Gauss-Hermite filter,GHF)作为高斯子滤波器。分析的结果表明,现有的高斯和滤波算法是本文算法的特例;仿真结果表明,EKSF和GHSF能有效处理非线性非高斯模型的状态滤波问题,与高斯和粒子滤波器(Gaussian sum particle filter,GSPF)相比,EKSF和GHSF在保证精度的同时,大大降低了计算量,仿真时间分别约为GSPF的5%和6%。

非高斯噪声下基于U-粒子滤波器和似然比的非线性系统故障诊断

针对普通粒子滤波器在非线性系统随机系统故障诊断中的'退化'现象和估计精度的不足,进而影响诊断准确率的问题,提出应用U-粒子滤波器(Unscented particle filter,UPF)进行改进的方法。在建立正常/异常UPF滤波器模型的基础上,推导基于UPF的似然概率密度函数和似然比(Log likelihood ratio,LLR)计算方法,构造故障的检测律和诊断律,并给出完整的故障诊断算法,不仅能准确预报故障发生的时刻,而且可以诊断出故障的类型。最后在某直升机非线性舵回路上进行了试验验证,结果证明了该方法的有效性和优越性。

基于高斯和与SCKF的非线性非高斯滤波算法

针对均方根容积卡尔曼滤波(SCKF)对非高斯情况滤波效果差的问题,在分析SCKF和高斯和滤波基础上,提出一种高斯和均方根容积卡尔曼滤波新算法。算法采用高斯和形式来逼近非高斯后验概率密度,将SCKF作为子滤波器,对每个高斯分量进行时间和量测更新,使其有效解决非线性非高斯滤波问题。仿真结果表明,高斯和均方根容积卡尔曼滤波估计精度高于粒子滤波和高斯和扩展卡尔曼滤波算法,与容积粒子滤波精度相当,但耗时约为容积粒子滤波的15%,是一种较好平衡跟踪精度和实时性的非线性非高斯滤波算法。

免微分非线性Bayesian滤波方法评述

以非线性递推Bayesian滤波问题的求解及其历史渊源为起点,分两类对各种免微分非线性Bayesian滤波方法或免微分方法的原理和算法进行了评述:一类是以线性最小均方误差最优估计子为特点的免微分高斯滤波,包括无味卡尔曼滤波、均差滤波器、中心差分滤波器和Gauss-Hermite滤波器或积分卡尔曼滤波器;另一类是后验密度数值逼近免微分方法,包括栅格法(GBMs)与近似栅格法、矩近似法和以粒子滤波为代表的Monte Carlo方法。其中还包括了作者的一些最新研究成果,如迭代UKF算法、裂变自举PF算法和关于粒子滤波算法有限收敛界的概念等。之后从加权统计线性回归的角度对两类免微分方法进行了统一认识,统一为以数值方法为特点的广义PF。为了建立一个关于各种免微分算法性能的整体印象,论文还通过一个复杂的递推非线性滤波估计例子,用MonteCarlo仿真实验的方法对7种典型的免微分方法和和传统的EKF算法进行了比较研究。最后对两类免微分方法进行了简单的比较,并指出了进一步研究的方向。

非线性随机振动问题中的一种改进的非高斯矩方法

近年来非线性随机振动问题已越来越受到重视。本文提出非线性随机振动问题中非高斯矩方法的改进形式。其特点是计算简便,能适用于更为普遍的非线性情形,而其精度与现有的非高斯矩方法相接近。

一种新的非线性非高斯信号分离方法

提出一种基于粒子滤波的非线性非高斯信号分离方法.该方法依据状态空间模型把信号分离问题转化为信号的状态和参数的联合估计问题,利用粒子滤波方法,结合核平滑收缩技术拟合系统未知参数后验分布,以实现非线性系统中多路信号的分离.仿真结果表明,与现有分离算法相比,该方法能有效解决非线性非高斯系统中多路信号的分离问题,并提高未知参数的估计精度.

一种非线性非高斯随机系统的故障诊断方法

针对非线性非高斯随机系统在线故障诊断的问题,运用粒子滤波器提出了一种基于方差自适应粒子滤波器的非线性非高斯随机系统的故障诊断方法,可以用来解决系统的参数偏差型故障诊断问题。通过对连续搅拌釜式反应器(CSTR)的仿真研究,可以看出,该算法实现简单,易于对系统进行在线估计,对于发生缓变和突变的参数偏差型故障的检测与估计均较为有效。

非线性非高斯条件下基于粒子滤波的目标跟踪

针对传统卡尔曼滤波算法难以解决非线性非高斯系统目标跟踪的问题,采用重要性重采样方法对粒子滤波算法进行改进,给出了从高维概率密度函数中抽取粒子的详细方案,建立了一维强非线性UNGM模型以及非高斯机动目标模型,使用改进的滤波算法在非线性以及非高斯模型下进行了仿真研究,并与4种非线性滤波算法的性能进行了比较分析。实验结果表明,改进的粒子滤波算法在估计度和滤波稳定性方面具有明显优势,并且可以很好地处理非高斯条件下机动目标的跟踪问题。

非高斯噪声下非线性回声消除方法

小型、低成本器件引起的非线性回声和回声信道中广泛存在的非高斯噪声,是目前移动通信、视频电话等应用中的重要问题。基于无记忆非线性滤波器具有的计算量小、设计灵活等特点,将无记忆非线性滤波器和线性有限长脉冲响应(FIR)滤波器进行级联,实现了非高斯噪声下对非线性回声的抑制。在非线性滤波部分,采用基于泰勒级数的无记忆多项式滤波器对非线性系统进行建模;在线性滤波部分,考虑到现实生活中广泛存在的非高斯噪声会严重影响基于l2范数的自适应滤波算法的性能,而回声路径具有明显的稀疏特性,所以将比例矩阵的思想和符号算法(SA)相结合,提出了一种修正的改进比例归一化符号算法(MIPNSA)。该算法不仅能适应于不同的背景噪声,还增强了对稀疏系统的适应能力。大量的仿真结果表明,与现有的一些方法相比,所提方法具有更小的计算量、更好的收敛性和稳健性。

一种非线性非高斯滤波算法

通过将系统初始状态以及系统模型的状态噪声、量测噪声表示成高斯和的形式,推导出基于高斯和七阶容积卡尔曼滤波的非线性非高斯滤波算法(GS7thCKF)。GS7thCKF采用七阶容积卡尔曼滤波(7thCKF)作为高斯子滤波器,对各高斯分量进行更新。仿真的结果表明,GS7thCKF能有效处理非线性非高斯系统的状态估计问题,与高斯和容积卡尔曼滤波算法(GSCKF)相比,GS7thCKF算法提高滤波精度约为16%。

一种非高斯脉冲干扰下的混合线性和非线性自适应滤波算法研究

本文提出了一种结合仿射投影符号算法和核仿射投影符号算法结构的新方法,旨在改善核仿射符号算法在非高斯脉冲干扰中的收敛特性。本文所提出的方法在自适应学习的开始阶段利用了仿射投影符号算法的快速收敛率,随着迭代时间的增加,切换为核仿射符号算法来接近较低的稳态误差。该方法是基于两个自适应滤波器的仿射组合,计算机模拟验证了其有效性。

深空探测器的非线性非高斯自主导航分析

深空探测器自主导航任务中，基于日一地矢量方向及多普勒太阳径向测速的天文导航方案易实现精度高。然而，轨道确定过程中可能存在初始状态估计误差较大、状态及量测误差不服从高斯分布等问题，常规的EKF（Extended Kalman Filter）、UKF（Unscented Kalman Filter）及PF（Particle Filter）等滤波方案对系统模型做了高斯化近似处理，致使导航精度降低。本文将UPF（Unscented Particle Filter）引入导航方案中，利用其在处理非线性非高斯问题上的优势，克服了传统滤波方案对非线性非高斯状态模型、量测模型的近似处理所带来的精度影响。通过三种滤波方案的数值仿真比较，表明了UPF方案的可行性。

一种适于非线性非高斯目标跟踪的MRIMMPF算法

为解决粒子滤波应用到IMM算法时计算量过大的问题,融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(multirate interacting multiple modelparticle filter,MR IMMPF)算法。该算法采用多模型结构来跟踪任意机动的目标;使用一种3模型、one-third速率/全速率跟踪算法,一个one-third速率模型处理非机动或微弱机动,2个全速率模型用于机动模式,以处理非线性、非高斯问题。仿真结果表明,MR IMMPF算法在性能上并不低于交互多模型粒子滤波(IMMPF)算法,但是计算量明显减小。

非线性网络化控制系统的非脆弱耗散滤波器

针对非线性网络化控制系统中滤波器参数的摄动问题,考虑传感器-滤波器存在随机一步时延和丢包,设计了1种非脆弱耗散全阶滤波器。滤波器参数具有范数有界不确定性。通过构造Lyapunov函数,使用线性矩阵不等式方法推导出非脆弱耗散滤波器存在的充分条件。通过解矩阵不等式得到滤波器参数的求解表达式。该滤波器不仅是非脆弱的,而且滤波误差系统满足稳定性和耗散性能要求,同时减少了状态增广带来的计算负担。仿真算例验证了非脆弱耗散滤波器的有效性。

水平集高斯过程的非星凸形扩展目标跟踪算法

针对复杂环境下的非星凸形不规则形状扩展目标跟踪问题,该文提出基于能量泛函的水平集高斯过程扩展目标跟踪算法。首先,利用水平集随机超曲面模型(Level-Set RHM)通过多边形方法对形状内部进行建模。然后,用高斯过程(GP)学习Level-Set建模输入与输出的非线性映射关系,以求得边界函数最大值,并进一步推导Level-Set与GP相融合的非线性量测方程。在最优非线性滤波的框架下,最终推导得到水平集高斯过程(Level-Set GP)算法,并利用面积差作为不规则形状扩展目标形状估计的评价指标。仿真实验表明了所提算法对非星凸形不规则形状扩展目标形状估计的有效性。

一种改进的高斯近似滤波方法

提出了一种改进的高斯近似(Gaussian approximate,GA)滤波方法,推导了它的一般解和特殊解,并证明了现有的高斯近似滤波方法是所提出的方法的一种特例.在提出的方法中,不需要基于高斯假设重复地产生求积点,而是直接地更新求积点.与现有的高斯近似滤波方法相比,提出的方法利用了量测求积点修正状态求积点,从而可以更好地捕获状态一步预测密度和状态后验密度的非高斯信息和高阶矩信息.此外,提出的方法不仅适用于确定的系统模型而且还适用于随机的系统模型.单变量非平稳增长模型、垂直落体模型、再入飞行器目标跟踪的仿真验证了提出的高斯近似滤波方法的有效性和与现有方法相比的优越性.