基于粒子濾波的參數(shù)和狀態(tài)聯(lián)合估計(jì)算法設(shè)計(jì)及實(shí)現(xiàn).pdf

1、狀態(tài)濾波一直是一個(gè)備受關(guān)注的研究課題，它的主要任務(wù)是從觀測(cè)值中估計(jì)系統(tǒng)的狀態(tài)。但是當(dāng)系統(tǒng)狀態(tài)空間方程中存在未知參數(shù)時(shí)，系統(tǒng)的估計(jì)任務(wù)就變?yōu)橥瑫r(shí)估計(jì)系統(tǒng)的參數(shù)和狀態(tài)。
　　在這篇文章中我們主要研究基于粒子濾波算法的參數(shù)和狀態(tài)的聯(lián)合估計(jì)問(wèn)題，本文的主要工作包括:
　　1、介紹了粒子濾波算法的原理及一些改進(jìn)的粒子濾波算法;介紹了基于粒子濾波的參數(shù)和狀態(tài)聯(lián)合估計(jì)的算法。
　　2、RBPF(Rao-Blackwellizatio

2、n Particle Filter)算法是解決混合系統(tǒng)狀態(tài)估計(jì)的有效方法之一，但是將該算法直接用于參數(shù)估計(jì)時(shí)，存在嚴(yán)重的粒子退化問(wèn)題。在離散狀態(tài)和連續(xù)狀態(tài)混合估計(jì)算法中，SMA(Stochastic M-Algorithm)算法比RBPF算法更加有效，它可以降低RBPF算法中存在的粒子退化問(wèn)題，但是它是以算法計(jì)算復(fù)雜度增大為代價(jià)的。本文在SMA算法的基礎(chǔ)上，通過(guò)將未知參數(shù)離散化為若干個(gè)典型數(shù)值，并對(duì)離散后的參數(shù)進(jìn)行分組來(lái)對(duì)SMA算法進(jìn)行

3、改進(jìn)，并將改進(jìn)的SMA算法用于參數(shù)和狀態(tài)的聯(lián)合估計(jì)。改進(jìn)的算法可以有效的降低算法的計(jì)算復(fù)雜度。本文使用MATLAB對(duì)改進(jìn)的SMA算法進(jìn)行了仿真驗(yàn)證。
　　3、針對(duì)采用RBPF算法估計(jì)擴(kuò)展?fàn)顟B(tài)時(shí)存在的粒子退化問(wèn)題，本文提出了基于隨機(jī)數(shù)搜索的RBPF算法，該算法將用于參數(shù)離線估計(jì)的隨機(jī)數(shù)搜索算法與用于混合系統(tǒng)狀態(tài)估計(jì)的RBPF結(jié)合，利用隨機(jī)搜索算法的逐漸縮小參數(shù)的搜索范圍及在參數(shù)搜索范圍內(nèi)隨機(jī)采樣的思想，有效地緩解了RBPF算法存在的