粒子濾波算法研究及應用.pdf

1、目前,在信息融合領域廣泛使用的融合算法是卡爾曼濾波,它在線性高斯模型下能得到最優(yōu)估計,但在非線性非高斯模型下則效果很差。在這種情況下,粒子濾波因其適用面廣而備受關注。 粒子濾波是一種基于蒙特卡羅模擬和遞推貝葉斯估計的濾波方法。這種濾波和其他濾波一樣,可以通過模型方程由測量空間遞推得到狀態(tài)空間。它采用粒子描述狀態(tài)空間,用由粒子及其權重組成的離散隨機測度近似真實的狀態(tài)后驗分布,并且根據(jù)算法遞推更新離散隨機測度。它可以處理模型方程為非

2、線性、噪聲分布為非高斯分布的問題,在許多領域得到了成功的應用。 (1)本文用粒子濾波算法研究了噪聲為非高斯噪聲的隨機系統(tǒng)最優(yōu)控制問題。 (2)研究了狀態(tài)空間模型的未知靜態(tài)參數(shù)的估計問題,并把該方法用于不同的模型中,得到了較理想的結果。 (3)研究了幾種不同的粒子濾波,對粒子濾波跟蹤方法進行了深入的研究,證明了在非線性非高斯環(huán)境下PF-EKF,PF-EKF-MCMC,PF-UKF,PF-UKF-MCMC的跟蹤效果優(yōu)

3、于EKF,UKF。重要性函數(shù)的選取直接影響粒子濾波性能的高低,仿真結果表明UKF,PF-UKF,PF-UKF-MCMC算法在目標跟蹤性能上優(yōu)于EKF和PF-EKF,PF-EKF-MCMC濾波器,尤其是加馬爾科夫鏈的PF-UKF濾波(即PF-UKF-MCMC)得到了相對于PF-UKF濾波更好的估計。 (4)研究了針對機動目標的IMM算法,比較了交互式多模型粒子濾波器(IMM ParticleFilter)算法和交互式多模型Kalm