论文部分内容阅读
自从20世纪50年代,滤波算法被提出以来,经过几十年的研究与发展,已经成为了现代社会非常重要的高端技术。滤波技术无论在日常生活还是在军事应用上,都发挥着广泛而重要的作用,并在很多领域都取得了丰硕的成果。随着模型复杂性的增强和对滤波精度需求的不断提高,传统的非线性滤波方法在有些应用中已不能满足要求,本文对非线性非高斯条件下的滤波算法中的若干问题进行了研究,主要贡献如下：(1)关于辅助粒子滤波器(APF)的几乎必然收敛性问题,本文首先提出了一种改进的辅助粒子滤波器(MAPF)。然后,分析了MAPF的几乎必然收敛性,并将此收敛性分析应用到APF中。通过证明,在感兴趣函数的自变量为扩展状态向量时,我们得知APF得出的估计几乎必然收敛于最优估计的充分条件是感兴趣函数的四次方在扩展状态后验概率分布下可积且递归次数有限。最后,本文通过仿真实验验证了APF的几乎必然收敛性。与Crisan的相关结论[67]相比较,本文对感兴趣函数所作的限制条件更弱,而与曲彦文的相关结论[218]相比较,由于一般性粒子滤波(GPF)可被视为是辅助粒子滤波器(APF)的特例形式[224,225],本文将其几乎必然收敛性分析从一般性粒子滤波(GPF)推广到了辅助粒子滤波器(APF)。(2)关于于粒子滤波器建议分布设计问题,本文在粒子滤波器基础上,借鉴改进的无迹粒子滤波(IUPF)算法的思想,提出了一种利用噪声空间上无迹变化来设计建议分布的滤波算法,称为改进的噪声空间无迹粒子滤波器(ENSGSUPF)。与无迹粒子滤波器(UPF)和无迹变换的辅助粒子滤波器(UTAPF)相比,ENSGSUPF、IUPF和ISUPF算法不需要假设状态转移概率分布已知；所需使用的Sigma点数目有所减少；不需要假设每个粒子均人工假设拥有一个从其父母粒子中继承下来的状态协方差。与IUPF、ISUPF算法相比,ENSGSUPF算法的建议分布是非高斯型的,使得ENSGSUPF算法能更有效的处理非线性非高斯模型的状态估计问题。最后,通过两组实验说明,ENSGSUPF具有较高的估计性能和较低的时间开销。(3)关于系统参数行为规律未知时的非线性非高斯滤波问题,本文在交互式多模型(IMM)基础上,提出了基于模型误差与高斯和SUKF的IMM模型(GSSME-IMM)。本文在最小距离设计方法(MDD)准则下提出了一种基于蒙特卡洛采样和K中心聚类的模型集合设计实现方法,并通过考虑模型误差并且引入高斯和SUKF (GSSUKF)作为每个模型的滤波算法。仿真实验结果表明,GSSME-IMM比IMM能更好的避免发散现象,同时具有较高的估计性能,实验中各RMSE (Root mean square error) GSSME-IMM要比IMM低2%-10%左右。(4)关于复杂环境下的多机动目标跟踪问题,将模型误差思想和交互式多模型(IMM)引入到粒子概率假设密度滤波器(PHDF),提出了一种基于模型误差的交互式多模型粒子概率假设密度滤波器(MEIMM-PHDF),来解决系统参数未知情况下的多目标跟踪问题。多模型粒子概率假设密度滤波器(MM-PHDF)算法仅使用多模型对概率假设密度(PHD)粒子进行采样,在处理模型无法与目标的真实运动模式匹配的机动运动时,滤波结果可能会产生较大误差,仿真实验结果表明,在处理机动目标跟踪问题时,MEIMM-PHDF算法的性能优于文献[221]中的MM-PHDF算法算法。。但计算时需付出一些时间代价。