UKF、PF与UPF跟踪性能的比较

无迹卡尔曼滤波器(UKF)是用一系列确定样本来逼近状态的后验概率密度,对任何非线性高斯系统都有较好的跟踪性能。粒子滤波器(PF)是用随机样本来近似状态后验概率密度函数,适用于任何非线性非高斯系统,但当似然函数出现在转移概率密度函数的尾部或者在高精度测量的场合,PF的跟踪性能降低。针对强非线性、非高斯系统、高精度测量的环境,文中提出采用UPF算法进行跟踪,并对PF、UKF和UPF三种跟踪算法进行了仿真,结果表明,UPF的跟踪精度要远高于PF、UKF的精度。

基于HMM和优化的PF的数控转台精度衰退模型

针对数控转台精度衰退状态缺乏有效的评估方法的问题,提出一种数控转台重复定位精度衰退趋势预测模型,该模型结合了隐马尔科夫(Hidden Markov Model,HMM)算法和粒子滤波(Particle Filtering,PF)算法,其中粒子滤波算法使用粒子群算法(Particle Swarm Optimization,PSO)优化了初始参数。选择了从数控转台精度衰退加速寿命试验中获得的振动信号作为研究数据。通过聚合经验模态与主成分分析(EEMD-PCA)算法对原始信号降噪,并提取含有故障特征的信号进行信号重构;使用统计特征量作为观察值训练获得HMM模型,对数控转台精度衰减做出早期诊断,并由此获得数控转台精度健康状态指标;使用粒子滤波算法建立数控转台精度衰退预测模型,并预测精度的剩余寿命。在以第50组数据为预测起始点时,预测的剩余寿命为21,实际测量的结果为17,相差4,比较接近。综合分析模型计算与试验测量的结果表明。

过滤速度对DPF内颗粒沉积特性影响的试验研究

基于柴油机颗粒过滤器(DPF)沉积过程可视化台架,在不同过滤速度下研究颗粒物在DPF载体切片上的堆积密度、颗粒层渗透系数及孔隙率。研究结果表明:在自然堆积状态或过滤速度<0.15m/s时,碳黑的堆积密度分布在90kg/m3左右;当过滤速度<0.15m/s时,ZS1100与DK4A柴油机颗粒物的堆积密度大于碳黑堆积密度,分布在100kg/m3左右;随过滤速度的增大、颗粒粒径减小及SOF含量的增加,颗粒的堆积密度先快速增大,后逐渐趋于稳定值;随颗粒层厚度的增加,过滤压降呈现典型的三阶段变化;随过滤速度的增加,颗粒层渗透系数和孔隙率呈先快速降低,后逐渐趋于稳定值的趋势。

EKF、UKF、PF目标跟踪性能的比较

雷达系统的非线性目标跟踪已被人们广泛重视。扩展卡尔曼滤波器(EKF)是将卡尔曼滤波器(KF)局部线性化,其算法简单、计算量小,适用于弱非线性、高斯环境下。不敏卡尔曼滤波器(UKF)是用一系列确定样本来逼近状态的后验概率密度,在高斯环境中,对任何非线性系统都有较好的跟踪性能。粒子滤波器(PF)是用随机样本来近似状态后验概率密度函数,适用于任何非线性非高斯系统。文中通过仿真实验,对三者的性能进行了仿真比较,结果证明在复杂的非高斯非线性环境中,粒子滤波器的性能明显优于另外两种滤波器,但计算复杂,耗时长。

基于EKPF的GPS导航模型研究

通过模拟GPS卫星系统的运行以及接收机的运动轨迹,采用11状态PVA(Position-Velocity-Acceleration)导航模型进行导航定位分析,并分别采用扩展卡尔曼粒子滤波和扩展卡尔曼滤波计算导航解,结果表明两种滤波均能得出较好导航解,并且前者削弱了多路径效应的影响,进一步提高了导航定位精度,尤其在高程方向精度提高更为明显。

修正的EKPF算法在固定单站被动目标跟踪中的应用

基于以角度、角度变化率、多普勒频率变化率信息为观测量的固定单站被动目标跟踪系统,引入扩展卡尔曼粒子滤波(EKPF)算法对定位结果进行滤波处理。理论分析和仿真实验证明了其滤波性能在该系统中的优越性。针对EKPF算法运算量大、实时性差的问题,通过对部分粒子进行间隔EKF采样,将EKPF算法进行修正。修正的EKPF算法既有效降低了运算量,又增加了粒子的多样性,使粒子集更加逼近真实的后验概率密度函数。计算机仿真表明,与传统的EKPF算法相比,修正算法在保证滤波性能基本不变的前提下,算法实时性得到了有效提高。

改进权值计算的EPF算法及在目标跟踪中的应用

扩展卡尔曼粒子滤波(EPF)在预测阶段通过EKF选取重要性函数而优化了粒子选取,但是传统EPF算法中粒子权值一般是通过正态分布的概率密度函数计算的。此方法没有突出不同噪声粒子的权值差别,在计算中引入了较大的相对误差。通过在更新阶段对权值计算所依赖的概率密度函数做出改进,得到改进的EPF算法。同时采用实际目标跟踪数据进行仿真对比实验,结果验证了此方法有效可行,并且减小了预测误差。

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法:融合了交互式多模型(IMM)、粒子滤波(PF)和无迹卡尔曼滤波(UKF)的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。

改进的SRCDKF-PF算法及在BOT系统中的应用

针对纯方位目标跟踪(Bearing-Only Tracking,BOT)系统强非线性特点,提出一种新的解决方案:采用平方根中心差分卡尔曼滤波器(Square-RootCDKF,SRCDKF)产生粒子滤波提议分布,融入最新的观测数据影响;增加改进措施以提高滤波性能,如采用系统重抽样算法减少方差、应用马尔可夫链模特卡罗(Markovchain Monte Carlo,MCMC)方法消除粒子贫乏等。仿真表明该算法是有效的,针对当前BOT系统,比传统EKF、PF算法可靠性更好,跟踪精度更高。

基于EPF滤波的单站无源定位算法及性能分析

为了实现快速高精度单站无源定位,研究了定位算法,提出了相位变化率(PRC)与扩展卡尔曼粒子滤波(EPF)算法相结合的一种新的单站无源定位方法。该方法通过相位变化率(PRC)法得出了目标辐射源的粗略位置,然后采用EPF滤波算法对粗略定位结果进行了修正和平滑,逐步估计出目标的精确位置,实现了对辐射源目标的快速高精度无源定位。仿真结果表明,与传统的EKF滤波算法相比,基于EPF滤波的单站无源定位算法收敛更快、更稳定,滤波效果更好,定位精度更高。

基于OOSM-PF的微弱目标检测前跟踪

由于量测数据预处理以及通信延迟等因素的影响,集中式融合跟踪系统面临着无序量测的问题。针对低信噪比和无序量测情况下的微弱目标检测与跟踪,提出了一种基于无序量测和粒子滤波的检测前跟踪方法,然后将该方法的性能与顺序量测滤波方法以及丢弃无序量测方法的性能进行分析对比。仿真结果表明,该算法可以有效处理无序量测问题,实现对微弱目标的有效检测和跟踪,其目标跟踪精度接近顺序量测滤波的跟踪精度。

基于IMM-PF的惯性/地磁组合导航算法

根据惯性/地磁组合导航系统中系统噪声不确定问题建立了系统的非线性模型集,并采用粒子滤波(PF)作为IMM匹配滤波器(IMM-PF算法),直接使用非线性的观测方程,避免了线性化误差,解决了系统噪声不确定的问题。仿真结果表明,与传统EKF算法相比,IMM-PF算法在系统噪声不确定情况下可自动调整系统模型,保证系统快速收敛,提高了导航精度。

LOS_NLOS下基于PF和最大似然的TDOA定位算法

室内定位复杂环境中存在LOS和NLOS场景相互切换问题,对定位算法的连续性和精度提出了更高的要求。针对上述问题,提出一种基于粒子滤波和最大似然的TDOA定位算法:首先不区分LOS和NLOS场景的采用近似最大似然TDOA算法,获取一个初步的定位结果;然后对初步获取的结果用粒子滤波进行纠正,以减少LOS和NLOS场景切换下的引起的定位误差增大和定位结果不一致的问题。仿真结果表明,同样场景下,采用粒子滤波+TDOA定位算法,优于无迹卡尔曼滤波+TDOA算法的定位结果,在LOS和NLOS场景下都能获取较高的定位精度。

闪烁噪声环境下基于PF的机动多目标跟踪算法研究

为了能够解决非线性非高斯环境中的多目标跟踪问题,提出了一种基于粒子滤波器和联合概率数据关联算法。该算法是在粒子滤波方法的基础上,应用联合概率数据互联的思想计算每个量测值对各个粒子的更新权值,从而获得最终的滤波结果。仿真结果表明,该方法可以同时很好地解决非线性非高斯系统环境下多目标机动性和数据关联问题,具有较好的跟踪性能。

三相变流器PFC和APF组合实现研究

三相变流器在有源电力滤波器(APF)和功率因数校正(PFC)中有着广泛的应用。本文在建立三相变流器数学模型的基础上,分析了主电路参数对系统稳定性的影响。结合分析现有的三相变流器作为PFC和APF的主电路参数选择方法,提出了新的设计方法,以适用于三相变流器同时作为APF和PFC的场合。文中给出了相关的实验结果。

改进PF算法对红外图像中瞳孔的跟踪

提出一种基于粒子滤波的红外目标跟踪的新算法.用该算法对采样粒子进行优化,改进了重采样环节,在不影响跟踪准确率的条件下,提高了算法的速度.实验结果表明,将此算法运用到瞳孔跟踪中,跟踪比较准确有效.同时,将Hough变换应用到了瞳孔边缘的定位领域中,此算法有效改进了红外图像中眼睛瞳孔的跟踪效果.

改进的GNSS/INS列车组合定位PF算法

针对列车组合定位融合估计的非线性问题,结合GNSS/INS(Global Navigation Satellite System/Inertial Navigation System)列车组合定位当前发展的方向,给出了一般无迹粒子滤波(UPF)的基本过程。针对传统PF(Particle Filter)缺乏量测信息且计算量大而难以应用于GNSS/INS组合导航中的问题,提出一种新的IUPF(Iterative Unscented Particle Filter)算法。它通过将IKF(Iterative Kalman Filter)的思想融入UKF(Unscented Kalman Filter),得到比较健壮的迭代无迹Kalman滤波(IUKF),由IUKF(Iterative Unscented Kalman Filter)产生的分布与真实的后验分布有更大的支撑重叠区域,提高了精度。并且运用全局采样到PF中,结合当前最新观测值对粒子集整体采用一次IUKF来产生建议性分布,减少了计算量。仿真模拟结果表明,IUPF与一般的UPF、PF相比,精度更高,算法计算量更小。

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波(PF)与径向基函数(RBF)神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。

基于GPU的BBPSO-PF算法及其在故障检测中的应用

针对粒子滤波算法在重采样环节出现粒子贫乏导致算法精度不高的问题,通常采用在状态估计过程中增加粒子数量,但这种方法会降低算法实时性,提出了基于图形处理单元(GPU)的骨干粒子群算法优化粒子滤波算法。首先利用骨干粒子群算法优化粒子滤波重采样,解决了粒子贫化的缺点。利用骨干粒子群算法中粒子群体之间相互独立运行的特点,在GPU上并行实现骨干粒子群优化的粒子滤波算法,解决粒子滤波算法在重采样过程中因数据关联而无法充分并行计算的问题。最后,将其应用到变桨距系统的故障检测中,提高故障检测的准确度和实时性。实验结果表明:该方法相较于随机重采样的粒子滤波算法误差降低了31.2%,实时性提高了82.7%。

改进鸟群算法优化PF的双馈发电机故障诊断

针对粒子滤波(PF)在处理非线性、非高斯复杂动态系统故障诊断过程中,由于样本贫化所导致的故障诊断准确度低的问题,提出了一种改进鸟群算法优化粒子滤波的新算法。针对标准鸟群算法容易陷入局部最优问题,引入动态自适应系数和自适应步长,把每只鸟的位置和全局最优位置信息引入到自适应变化控制中,从而改善陷入局部最优的问题;采用改进后的鸟群算法优化粒子滤波重采样过程,即通过模拟鸟群的觅食、警戒和飞行行为使得粒子移向高似然区域;通过对双馈发电机定子电流传感器故障诊断的仿真分析,验证了算法的有效性。实验结果表明此算法可有效提高故障诊断的准确度。