学位论文 > 优秀研究生学位论文题录展示

基于粒子滤波的混合估计理论与应用

作　者: 杨小军
导　师: 张洪才；潘泉
学　校: 西北工业大学
专　业: 控制理论与控制工程
关键词: Bayes最优估计 Monte Carlo粒子滤波多模型混合估计检测跟踪一体化传感器网络
分类号: TN911.23
类　型: 博士论文
年　份: 2006年
下　载: 1610次
引　用: 8次
阅　读: 论文下载

内容摘要

随着科学技术的发展，系统规模及复杂性在不断增加，对系统性能的要求在不断提高，同时信息获取的手段也在不断增多，因而面向复杂系统、复杂环境、网络化平台的估计问题成为现代估计理论的前沿领域。本文基于粒子滤波方法，对混合系统以及复杂环境下动态估计中的若干关键问题，从理论和算法上进行了深入研究，主要工作如下： 1．在Bayes框架下，综述了基于序贯Monte Carlo仿真方法的粒子滤波原理、收敛性、研究进展及其应用，讨论了粒子方法的新发展、新动态。 2．对多模型混合系统的状态估计问题，利用模型的结构特点，结合Rao-Blackwellisation技术和Kalman滤波技术，分别提出了迭代粒子滤波器和固定区间、固定延迟粒子平滑器。算例分析结果表明，本文所提出的滤波器和平滑器是可行的，估计性能有明显改善。 3．混合估计理论上的Cramér-Rao下界(CRLB)需要穷举所有可能的模型序列，计算量随时间指数增加。本文通过使用有限个模型序列假设子集，提出了一种CRLB的近似表达式，并且基于粒子滤波器和Monte Carlo仿真方法，给出了CRLB的一种近似计算方法，算例分析表明了作者方法的可行性及有效性。 4．对具有未知转移概率的混合系统，提出了一种基于粒子滤波器的自适应Monte Carlo估计算法，利用状态空间的一组随机样本探索系统状态和模型的演化，对模型转移概率、系统状态和模型概率同时进行在线估计。对模型中的未知参数提出一种基于粒子滤波和SPSA随机逼近的自适应估计算法，实现了系统状态和参数的联合估计，仿真结果表明了算法的有效性。 5．针对低探测概率下的估计问题，为了充分利用传感器提供的一切信息，通过建立传感器检测概率模型，在Bayes框架下，将传感器是否检测到目标的检测信息也进行融合，从而得到一种增强的粒子滤波器，仿真结果表明该方法可以提高估计精度。 6．基于粒子滤波和似然比方法提出了一种检测跟踪一体化算法。直接利用传感器的原始数据，由粒子滤波器得到目标状态的后验概率分布，检测是基于滤波器的输出，利用Bayes似然比作为检测的判决准则。该方法较好地利用了先验信息和量测信息，将目标检测和跟踪过程统一为一个整体，仿真结果表

全文目录

摘要  4-6
ABSTRACT  6-11
第一章绪论  11-35
  1.1 引言  11-12
  1.2 Bayes估计理论  12-19
    1.2.1 Bayes推理  12-13
    1.2.2 迭代Bayes估计  13-16
    1.2.3 最优估计  16-17
    1.2.4 次优估计  17-19
  1.3 Monte Carlo粒子滤波综述  19-29
    1.3.1 粒子滤波原理  20-25
    1.3.2 粒子滤波器研究进展  25-29
  1.4 多模型混合估计  29-33
    1.4.1 多模型算法原理  29-32
    1.4.2 混合估计研究进展  32-33
  1.5 论文章节安排  33-35
第二章混合估计的粒子滤波和平滑算法  35-54
  2.1 引言  35
  2.2 现有估计算法存在的问题  35-38
  2.3 RB高斯混合粒子滤波器  38-42
  2.4 混合系统固定区间粒子平滑器  42-46
  2.5 混合系统固定延迟粒子平滑器  46-51
  2.6 算例分析  51-53
  2.7 小结  53-54
第三章混合估计的性能边界分析  54-65
  3.1 引言  54
  3.2 混合估计的后验Cramér-Rao下界  54-59
    3.2.1 混合估计理论上的Cramér-Rao下界  55-57
    3.2.2 混合估计Cramér-Rao下界的近似表达式  57-59
  3.3 混合估计CRLB的近似计算方法  59-61
  3.4 算例分析  61-64
  3.5 小结  64-65
第四章参数未知的动态系统自适应Monte Carlo估计  65-79
  4.1 引言  65-66
  4.2 转移概率自适应的Monte Carlo混合估计  66-73
    4.2.1 问题描述  66
    4.2.2 混合系统的转移概率在线自适应估计  66-69
    4.2.3 算例分析  69-73
  4.3 基于粒子滤波和随机逼近的参数和状态联合估计  73-78
    4.3.1 问题描述  73-75
    4.3.2 算法步骤  75-76
    4.3.3 算例分析  76-78
  4.4 小结  78-79
第五章融合检测信息的增强粒子滤波器  79-88
  5.1 引言  79
  5.2 问题描述  79-82
    5.2.1 传感器检测概率模型  80-81
    5.2.2 传感器信息的融合似然度  81-82
  5.3 基于粒子滤波和检测信息的融合估计  82-83
  5.4 仿真分析  83-87
  5.5 小结  87-88
第六章基于粒子滤波的检测跟踪一体化  88-102
  6.1 引言  88-89
  6.2 基于粒子滤波和似然比的检测跟踪一体化  89-93
    6.2.1 问题描述  89-90
    6.2.2 算法步骤  90-93
  6.3 序列图像运动目标的检测和跟踪  93-98
  6.4 算法性能分析  98-101
  6.5 小结  101-102
第七章传感器网络下混合估计的协同自组织算法  102-113
  7.1 引言  102-103
  7.2 问题描述  103-104
  7.3 传感器网络下混合系统动态协同跟踪算法  104-109
    7.3.1 多传感器粒子滤波  104
    7.3.2 混合高斯粒子滤波器  104-105
    7.3.3 估计精度和能量约束下的传感器选择  105-107
    7.3.4 算法步骤  107-109
  7.4 仿真分析  109-112
  7.5 小结  112-113
第八章总结与展望  113-116
  8.1 本文工作总结  113-114
  8.2 展望  114-116
参考文献  116-130
攻读博士学位期间发表论文和参加科研情况说明  130-131
致谢  131-132

基于粒子滤波的混合估计理论与应用

内容摘要

全文目录

相似论文