辅助粒子滤波算法及仿真举例

被引：14

作者：

赵梅

张三同

朱刚

机构：

[1] 北京交通大学电子信息工程学院

来源：

北京交通大学学报 | 2006年 / 02期

关键词：

贝叶斯估计; 重抽样; 采样重要性重抽样; 辅助粒子滤波;

D O I：

暂无

中图分类号：

TN713 [滤波技术、滤波器];

学科分类号：

080902 ;

摘要：

粒子滤波算法是近年来提出的一种较新的算法.通常的粒子滤波利用采样重要性重抽样算法,该算法选用先验分布,但它易受外部观测量的影响,因而会导致权值变化较大,并且引起较高的蒙特卡罗方差以致会使滤波性能较差.为此,本文引入一个辅助变量,利用一种新的使用二次加权操作的粒子滤波算法———辅助粒子滤波算法来对采样重要性重抽样算法进行改进.最后,通过两个仿真实例一维非线性追踪模型和二维纯方位目标追踪模型,进一步分析指出辅助粒子滤波算法比采样重要性重抽样算法更有效.

引用

页码：24 / 28

页数：5

共 8 条

[1]

Particle Filtersfor Positioning,Navigation and Tracking. Fredrik G,Niclas B,Urban Forssell,et al. IEEE trans-actions on signal processing . 2002

[2]

A Novel Ap-proach to Nonlinear/non-Gaussian Bayesian State Estima-tion. Gordon N J,Salmond D J,Smith A F M. Proc.Inst.Elect.Eng.Radar Signal Process . 1993

[3]

Gaussian Sum Particle Filtering. Jayesh H K,Petar M D. IEEE Transactions on Signal Processing . 2003

[4]

Gaussian Sum Particle Filtering. Jayesh H K,Petar M D. IEEE Transactions on Signal Processing . 2003

[5]

Finite Precision Effecton Performance and Complexity of Particle Filters for Bear-ing-Only Tracking. Miodrag B,Hong S J,Petar M D. Department of Electrical and Com-puter Engineering Stony Brook . 2002

[6]

Markov Chain Monte Carlo DataAssociation for Target Tracking. Bergman N,Doucet A. Proc.IEEE Conf.A-coust.Speech,Signal Process . 2000

[7]

Nonlinear Target Tracking Base onParticle Filter. Deng X L,Xie J Y. Proc.of the fifth World Congress on In-telligent Control and Automation . 2004

[8]

Filtering Via Simulation:Auxil-iary Particle Filtering. Pitt M K,Shephard N. American Statistical Association . 1999

← 1 →