基于粒子濾波的混合估計理論與應用.pdf

1、隨著科學技術的發(fā)展，系統(tǒng)規(guī)模及復雜性在不斷增加，對系統(tǒng)性能的要求在不斷提高，同時信息獲取的手段也在不斷增多，因而面向復雜系統(tǒng)、復雜環(huán)境、網(wǎng)絡化平臺的估計問題成為現(xiàn)代估計理論的前沿領域。本文基于粒子濾波方法，對混合系統(tǒng)以及復雜環(huán)境下動態(tài)估計中的若干關鍵問題，從理論和算法上進行了深入研究，主要工作如下： 1.在Bayes框架下，綜述了基于序貫MonteCarlo仿真方法的粒子濾波原理、收斂性、研究進展及其應用，討論了粒子方法的新發(fā)展

2、、新動態(tài)。 2.對多模型混合系統(tǒng)的狀態(tài)估計問題，利用模型的結構特點，結合Rao-Blackwellisation技術和Kalman濾波技術，分別提出了迭代粒子濾波器和固定區(qū)間、固定延遲粒子平滑器。算例分析結果表明，本文所提出的濾波器和平滑器是可行的，估計性能有明顯改善。 3.混合估計理論上的Cramér-Rao下界(CRLB)需要窮舉所有可能的模型序列，計算量隨時間指數(shù)增加。本文通過使用有限個模型序列假設子集，提出了一種

3、CRLB的近似表達式，并且基于粒子濾波器和MonteCarlo仿真方法，給出了CRLB的一種近似計算方法，算例分析表明了作者方法的可行性及有效性。 4.對具有未知轉(zhuǎn)移概率的混合系統(tǒng)，提出了一種基于粒子濾波器的自適應MonteCarlo估計算法，利用狀態(tài)空間的一組隨機樣本探索系統(tǒng)狀態(tài)和模型的演化，對模型轉(zhuǎn)移概率、系統(tǒng)狀態(tài)和模型概率同時進行在線估計。對模型中的未知參數(shù)提出一種基于粒子濾波和SPSA隨機逼近的自適應估計算法，實現(xiàn)了系統(tǒng)

4、狀態(tài)和參數(shù)的聯(lián)合估計，仿真結果表明了算法的有效性。 5.針對低探測概率下的估計問題，為了充分利用傳感器提供的一切信息，通過建立傳感器檢測概率模型，在Bayes框架下，將傳感器是否檢測到目標的檢測信息也進行融合，從而得到一種增強的粒子濾波器，仿真結果表明該方法可以提高估計精度。 6.基于粒子濾波和似然比方法提出了一種檢測跟蹤一體化算法。直接利用傳感器的原始數(shù)據(jù)，由粒子濾波器得到目標狀態(tài)的后驗概率分布，檢測是基于濾波器的輸出