基于高斯混合无迹粒子滤波的地形辅助导航算法

地形辅助导航是一种利用地形高度信息定位的导航技术,由于地形高度起伏是非线性的,因此地形辅助导航本质是非线性、非高斯贝叶斯后验概率估计问题。粒子滤波因为适合非线性、非高斯估计问题,被引入地形辅助导航领域得到广泛研究和应用,但粒子滤波算法存在粒子匮乏的问题,会影响定位精度。针对此问题,将高斯混合无迹粒子滤波(GMUPF)用于地形辅助导航,该算法用高斯混合模型(GMM)近似粒子分布,用无迹卡尔曼滤波(UKF)估计重要密度函数,不需要做重采样。通过用实际地形数据做飞行仿真实验,结果显示相比粒子滤波,不仅没有粒子匮乏问题,而且所用粒子数更少时估计精度略好。

基于无迹变换的多目标高斯混合粒子PHD滤波

针对在杂波环境下,一般的高斯混合粒子PHD出现滤波精度不高、滤波发散的问题,提出了一种基于无迹变换的高斯混合粒子PHD。该算法在高斯混合粒子PHD预测的基础之上,采用无迹变换进行重要性采样,结合观测值对采样粒子进行更新,获得重要性密度函数,然后对PHD进行更新。最后,将该算法与高斯混合粒子PHD进行比较;仿真结果表明,该算法在有效提高高斯混合粒子PHD精度的同时,还能提高系统的稳定性。

桥梁极值应力的改进高斯混合粒子滤波器动态预测

为合理地动态预测在役桥梁的极值应力信息,应用桥梁健康监测(BHM)系统的长期日常监测极值应力数据,建立非线性动态模型,引入扩展卡尔曼滤波器(EKF)与高斯混合粒子滤波器(GMPF)相结合的改进高斯混合粒子滤波器(IGMPF)预测算法,对监测极值应力的一步向前预测分布参数及其状态变量的后验分布参数进行预测分析,并进行了实例验证.IGMPF不仅可以得到实测极值应力状态的合理重要性函数,还可以解决传统预测方法的短期性和精度不高的问题,为实际BHM系统的动力响应预测提供了理论基础.

改进高斯混合粒子滤波的纯方位目标跟踪算法

针对纯方位跟踪系统非线性较强、传统跟踪滤波方法收敛速度慢且容易发散的问题,提出了一种基于改进高斯混合粒子滤波的纯方位跟踪算法。该算法基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。利用贪心EM算法实现模型的降阶,一定程度上克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点和可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在纯方位跟踪领域,与传统粒子滤波(PF)和基于EM的高斯混合粒子滤波相比,该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。

混合线性/非线性模型的准高斯Rao-Blackwellized粒子滤波法

针对混合线性/非线性模型,提出一种新的递推估计滤波算法,称为准高斯Rao-Blackwellized粒子滤波器(Q-GRBPF)。算法采用Rao-Blackwellized思想,将线性状态与非线性状态进行分离,对非线性状态运用准高斯粒子滤波(Q-GPF)算法进行估计,并将其后验分布近似为单个高斯分布,再利用非线性状态的估计值对线性状态进行卡尔曼滤波(KF)估计。将Q-GRBPF应用于目标跟踪的仿真结果表明,与Rao-Blackwellized粒子滤波器(RBPF)相比,Q-GRBPF在保证估计精度的前提下有效降低了计算复杂度,计算时间约为RBPF的58%;与Q-GPF相比,x坐标与y坐标的估计精度分别提升了45%和30%,而计算时间也节省了约30%。

基于改进粒子滤波的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命预测精度低、泛化能力差等问题,提出基于改进粒子滤波的预测方案。首先,提出双高斯模型作为退化经验模型,拟合锂离子电池的容量退化过程。然后,通过先验知识设置退化模型的初始参数,并利用粒子滤波方法进行参数更新。针对预测过程中出现的粒子退化问题,提出高斯混合方法进行粒子重采样,拟合重采样过程中粒子复杂的非线性分布和长尾分布,保证预测结果的概率密度分布状况均匀且集中。最后在不同的数据集上进行了实验验证,结果表明所提出的改进粒子滤波方案具有较高的精度和较强的鲁棒性。

改进高斯混合粒子滤波被动目标跟踪算法

针对被动传感器跟踪系统非线性较强问题,提出了一种基于改进高斯混合粒子滤波的被动传感器目标跟踪算法。该算法基于Sigma点卡曼滤波和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。然后结合遗传算法和EM算法来实现模型的降阶,克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在被动传感器跟踪领域,与传统粒子滤波、基于EM的高斯混合粒子滤波和基于贪心EM的高斯混合粒子滤波相比,该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。

应用高斯粒子群优化的无迹粒子滤波

针对粒子滤波算法中存在的粒子退化与粒子匮乏的缺陷,提出了利用高斯粒子群优化无迹粒子滤波的新算法。算法使用无迹粒子滤波进行重要性采样,并将高斯粒子群优化算法融入重采样过程中。该算法选取的概率密度更加接近系统真实状态,有效增加了粒子的多样性,提高了抽样效率,降低了粒子退化程度,缓解了粒子匮乏现象。试验结果表明,该算法的滤波精度明显优于粒子滤波与无迹粒子滤波算法所得到的滤波精度。

基于高斯混合概率假设滤波的水下目标跟踪算法

为了解决传统水下目标跟踪中目标数目估计不准确、状态估计误差增长过快的问题,提出了一种基于高斯混合概率假设滤波的水下目标跟踪算法。该算法基于双基地观测模型,采用高斯混合概率假设滤波算法处理方位和时延信息,利用粒子群算法处理多普勒频率获得矢量速度,进一步提升算法的跟踪精度。结果表明,该算法能完成在杂波环境下对目标的跟踪,相比传统的关联算法,能够有效地实现目标个数估计和抑制状态误差增长的目的。

双站纯方位空时软约束无迹粒子滤波算法

针对双站纯方位机动目标跟踪中由信息不完全和非结构化测量环境导致的有界混合似然问题,提出空时软约束无迹粒子滤波算法。针对目标先验未知,利用光电经纬仪对极几何约束测量空间点,预测空间曲面中心计算转弯率;为覆盖多域似然,采用无迹变换技术更新目标状态,引入模糊测度调制重要性函数;为保持估计方差维数不变性,根据狄拉克后验采样提取目标状态。仿真结果表明,对于典型的双站经纬仪跟踪空域点目标,相比于Rao-Blackwell多模型粒子滤波,提出算法的计算复杂度与单模型粒子滤波量级相当;相比约束辅助粒子滤波算法,提出算法的滤波精度提高了27%~41%。

基于高斯混合模型的粒子滤波时频分析算法

根据有限高斯混合模型可以逼近任意概率分布密度函数的思想,提出了一种基于高斯混合模型的非平稳信号粒子滤波时频分析算法。本方法兼顾了算法在频率缓变时的估计精度和频率突变时的动态性能,并结合一种简化的TVAR模型,通过降低估计量维度,较大幅度地改善了计算性能,满足了对非平稳信号进行在线时频分析的要求。实测数据的时频分析试验证明了本方法的优良效果。

基于混合高斯模型和SIR粒子滤波的运动目标检测与跟踪研究

针对视频监控系统中运动目标的检测与跟踪技术进行深入研究，采用高斯背景模型的背景差法实现对运动目标的检测，基于SIR粒子滤波算法，利用颜色直方图信息与目标的运动状态信息实现对运动目标的跟踪。采用DaVinci技术对目标检测和目标跟踪算法进行封装和优化，实测结果表明，该算法能够对监控场景中的运动目标进行检测和跟踪，实现对视频图像的实时处理。

水下滑翔器位姿估计的改进高斯混合粒子滤波器设计与验证（英文）

近年用于水下滑翔器的低成本导航系统成为研究热点,导航器件的成本与精度之间的折中问题仍然是目前的难题。针对因使用低成本的导航元件而造成低精度位姿估计的问题,提出用于位姿估计的改进高斯混合粒子滤波(IGMPF)方法。用高斯混合模型来估计非高斯噪声,改进的粒子滤波进一步提高位姿估计精度。为了验证其效果,该方法应用于自主设计的水下滑翔器导航系统中并做了车载实验,实验结果表明所提IGMPF方法在实际应用中比传统的EKF和UKF表现更优,姿态角和位移误差比EKF和UKF减小了至少30%。

基于二阶中心差分滤波的高斯混合粒子PHD多目标跟踪算法

针对杂波环境下高斯混合粒子PHD面临的跟踪精度低、滤波发散等问题,提出基于二阶中心差分滤波的高斯混合粒子PHD算法。该算法在传统的高斯混合粒子PHD滤波的基础上,采取二阶中心差分滤波方法来得到最优的重要性密度函数,充分利用了量测信息对采样粒子进行更新,使得粒子分布更加接近目标真实的后验分布,然后对PHD进行更新。仿真结果表明,该算法能在杂波环境下有效地跟踪多个目标,与高斯混合粒子PHD算法相比,状态估计更加接近真实值,大大提高了跟踪精度和系统稳定性。

基于模糊混合退火分布的多目标高斯混合粒子PHD滤波算法

针对杂波环境下高斯混合粒子PHD跟踪精度低,滤波发散的问题,提出基于模糊混合退火分布的高斯混合粒子PHD。所提算法在传统的高斯混合粒子PHD滤波的基础上,采取状态变量分解和引入退火参数产生建议分布函数,同时采用模糊推理系统产生最优的退火系数,有利于提高粒子滤波的稳定性和精度,然后对PHD进行更新。仿真结果表明:该算法能在杂波环境下有效跟踪多个目标,与高斯混合粒子PHD滤波相比,状态估计更加接近真实值,大大提高了跟踪精度和系统稳定性。

基于混合高斯模型及粒子滤波的球体跟踪方法

为提高目标跟踪的准确性和鲁棒性,提出一种结合混合高斯模型和粒子滤波的球类跟踪算法。对视频流提取出图像的每一帧,对每一帧的像素点建立高斯模型,采用初始化模型和更新模型排除噪声干扰,通过阈值的比较提取前景和背景区域;完成目标检测,将检测的前景像素点归为重要性粒子,增加它们的权值。对比均值漂移(Mean-shift)目标跟踪算法,实验结果表明,该算法能使用少量粒子实现球类跟踪,提高目标跟踪的实时性与鲁棒性。

应用高斯粒子滤波器的桥梁可靠性在线预测

为采用实时监测信息对桥梁结构构件的可靠性进行动态预测分析,应用健康监测系统的长期大量监测数据,建立了基于监测数据的动态模型(监测方程与状态方程),引入混合高斯粒子滤波器(MGPF),基于粒子滤波方法、贝叶斯方法以及动态模型,对监测信息状态变量的后验分布参数和监测值的一步向前预测分布参数进行预测分析.混合高斯粒子滤波方法通过重抽样技术,提高了动态模型的预测精度.基于实时监测信息可以不断修正抽样粒子的权重,进而解决粒子退化问题.最后基于实时预测的分布参数,结合一次二阶矩(FOSM)方法,对桥梁结构构件的可靠性进行在线动态预测分析.

非平稳非高斯测量噪声条件下改进差分粒子滤波算法研究

针对非平稳非高斯测量噪声(NSNGN)条件下差分粒子滤波(DDPF)算法状态估计精度低、易发散的问题,提出了一种改进DDPF(IDDPF)算法.IDDPF算法采用高斯混合密度函数近似估计测量噪声,替代传统算法中测量噪声的高斯密度函数近似估计,采用似然函数的对数最大化法求解高斯混合密度函数模型参数,并将该模型应用于粒子权值计算,避免了高斯密度函数近似估计噪声模型所易于导致的粒子退化问题;通过建立水下目标纯方位角跟踪系统模型,将IDDPF算法应用于闪烁测量噪声条件下水下目标纯方位角跟踪问题的求解。50次Monte Carlo对比仿真实验结果表明:在NSNGN条件下IDDPF算法具有跟踪响应快、估计精度高、鲁棒性较好等优点。

基于高斯混合模型的抗差Bayes滤波在动态导航中的应用

在动态环境下导航定位受到很多因素影响,且异常噪声会严重影响导航滤波结果。通过研究Bayes滤波的抗差方法,在导航观测方程中采用高斯混合模型,对混合模型不确定度参数采用层次模型实时估计。借助指示变量进行模型变换,削弱导航过程中异常噪声的影响。并采用Rao-Blcakwellized粒子采样方法,求取复杂、非标准形式的状态后验分布。最后通过卫星导航以及组合导航实验算例,分析验证了基于高斯混合模型的Bayes滤波在动态导航定位中的抗差性能。

基于改进高斯混合粒子滤波新算法的桥梁极值应力动态预测

将极值应力数据视为时间序列,提出了桥梁结构极值应力的改进高斯混合粒子滤波(IGMPF)动态预测新方法。首先,利用桥梁健康监测极值应力数据建立动态非线性模型,将其作为粒子滤波算法的状态方程和监测方程;然后,引入最大期望(EM)算法来估计目标状态的概率分布,并嵌入高斯混合粒子滤波器中,进而利用改进高斯混合粒子滤波算法,结合应力监测数据实现结构极值应力的动态预测;最后,通过在役桥梁监测数据对本文模型和方法的合理性进行验证。结果表明:本文方法预测精度高,可用于工程实际应用中。