论文部分内容阅读
目前,在信息融合领域广泛使用的融合算法是卡尔曼滤波,它在线性高斯模型下能得到最优估计,但在非线性非高斯模型下则效果很差。在这种情况下,粒子滤波因其适用面广而备受关注。粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法。这种滤波和其他滤波一样,可以通过模型方程由测量空间递推得到状态空间。它采用粒子描述状态空间,用由粒子及其权重组成的离散随机测度近似真实的状态后验分布,并且根据算法递推更新离散随机测度。它可以处理模型方程为非线性、噪声分布为非高斯分布的问题,在许多领域得到了成功的应用。(1)本文用粒子滤波算法研究了噪声为非高斯噪声的随机系统最优控制问题。(2)研究了状态空间模型的未知静态参数的估计问题,并把该方法用于不同的模型中,得到了较理想的结果。(3)研究了几种不同的粒子滤波,对粒子滤波跟踪方法进行了深入的研究,证明了在非线性非高斯环境下PF-EKF,PF-EKF-MCMC,PF-UKF,PF-UKF-MCMC的跟踪效果优于EKF,UKF。重要性函数的选取直接影响粒子滤波性能的高低,仿真结果表明UKF,PF-UKF,PF-UKF-MCMC算法在目标跟踪性能上优于EKF和PF-EKF,PF-EKF-MCMC滤波器,尤其是加马尔科夫链的PF-UKF滤波(即PF-UKF-MCMC)得到了相对于PF-UKF滤波更好的估计。(4)研究了针对机动目标的IMM算法,比较了交互式多模型粒子滤波器(IMM ParticleFilter)算法和交互式多模型Kalman滤波器(IMM Kalman Filter)算法。最后验证了交互式多模型粒子滤波器(IMM Particle Filter)算法在非高斯非线性系统中的有效性优于交互式多模型Kalman滤波器(IMM Kalman)算法。