基于智能手机的粒子滤波室内融合定位方法

室内定位需求急剧增加,普及的智能手机带来了解决问题的一种方法。本文提出了一种基于智能手机的粒子滤波室内融合定位方法。利用三轴加速计和三轴罗盘等微机电系统(micro-electromechinical system, MEMS)传感器数据估计目标的运动状态信息,利用WiFi数据更新运动状态,实现融合定位。室内动态环境下实验结果表明,融合定位方法平均定位误差小于2 m,其有效利用智能手机平台获取多种传感器数据,很好地结合了行人航迹推算方法和K加权最近邻方法的优势,在定位精度和稳健性方面均有良好表现。     

一种基于改进粒子滤波的动态精密单点定位算法

提出一种改进的粒子滤波,试图提高粒子滤波的收敛速度,减弱非线性模型线性化误差和非正态分布随机误差对动态单点定位结果的影响.首先固定单差无电离层模糊度,以减少状态参数向量的维数,提高初始定位的精度和粒子滤波的收敛速度;采用Kalman滤波作为粒子滤波的预滤波,以提高粒子滤波的重点采样效率,并提高采样粒子精度,减缓粒子退化.利用一个实测动态GPS数据验证表明,改进的粒子滤波可以提高动态GPS的定位精度.     

基于粒子群优化算法的多因子自适应滤波

在抗差多因子自适应滤波的基础上,提出基于粒子群优化智能算法进一步搜索自适应因子的优化值,提高自适应因子的可靠性。在基于状态不符值构造的自适应因子的基础上,构造适应性函数,采用粒子群优化算法搜索更有效的自适应多因子。利用动态导航数据进行验证,结果表明,基于粒子群优化的多因子自适应滤波能更有效地控制异常影响,提高动态导航精度。     

一种多特征自适应融合的粒子滤波红外目标跟踪方法

提出了一种自适应融合颜色特征和边缘特征的粒子滤波跟踪算法。首先,利用粒子滤波的天然框架,选择在红外条件下最能代表目标信息的颜色特征和边缘特征构造目标的多特征模型;然后,根据不同特征对目标与背景的可分性,对多特征模型中各特征分量的权值进行自适应调节;最后,借助动态空间模型,对粒子滤波跟踪算法进行改进,预测粒子的运动状态,从而克服环境突变对跟踪稳定性的影响。实验结果表明,本文算法能克服各种背景杂波及噪声的干扰,并能很好地解决目标在复杂背景下的尺度变化和突变运动带来的困难,保证了跟踪的鲁棒性和稳定性。     

改进的自适应滤波算法在BDS／INS组合导航中的应用

针对目前北斗与惯性导航系统的组合导航系统的导航性能和鲁棒性较差,基于衰减因子和噪声加权的自适应卡尔曼滤波技术,研究了组合导航系统在不确定性噪声干扰下的组合新算法。并在Matlab中进行了仿真实验,通过对比传统卡尔曼滤波技术,验证了新算法的有效性。并在Matlab中进行了无人机数据后处理实验。结果表明,改进的自适应滤波算法可以有效地降低不确定性干扰对组合导航系统的影响,从而提高了系统的导航性能和鲁棒性。      

顾及有色噪声的自适应粒子滤波UWB定位算法

传统卡尔曼滤波算法要求噪声模型符合高斯分布,在UWB室内定位中,由于载体本身的机制等干扰,观测噪声不仅仅是白噪声,也存在有色噪声的情况,而粒子滤波可以处理有色噪声的问题。本文通过增加似然分布自适应调整来改进粒子滤波用于目标跟踪的精度,同时研究在白噪声、有色噪声下似然分布自适应调整粒子滤波和拓展卡尔曼滤波在UWB中的优势与不同。试验结果表明：观测噪声为白噪声时,拓展卡尔曼滤波和粒子滤波均可以较好地实现对行人的定位跟踪;观测噪声为有色噪声时,自适应粒子滤波定位效果优于粒子滤波、拓展卡尔曼滤波。     

处理有色观测噪声的粒子滤波算法

针对经典Kalman滤波无法直接处理有色噪声的问题,采用多项式长除法将有色观测噪声模型展开成无穷级数,截断取其有限项获得有色噪声的先验信息,然后利用粒子滤波能够处理非高斯噪声的特点对有色观测噪声进行处理.通过一个GPS定位算例,将此新方法与观测扩增方法进行了分析和比较.结果证明,利用该方法能有效地控制有色观测噪声的影响.     

融合地磁/WiFi/PDR的自适应粒子滤波室内定位

随着国民经济的快速发展,人们在室内活动的时间越来越长,室内空间环境也越来越复杂,对室内环境的位置与导航服务的需求也越来越高。由于地磁信号具有稳定性的特点,且Wi Fi技术已得到广泛部署,融合使用地磁和Wi Fi定位具有一定的优势。因此,本文基于Android系统智能手机作为接收设备,融合地磁、Wi Fi及行人航迹推算(PDR)技术,通过自适应粒子滤波模型和随机抽样一致性算法对采集的信号进行处理。试验证明,地磁、Wi Fi、PDR三者融合进行室内定位的方法与其他单类方法相比,实现了将室内定位精度的误差最小降低到1.02 m。     

一种迭代的GPS／INS组合导航滤波算法

简要介绍了GPS/INS松组合导航系统状态方程和观测方程。针对标准Kalman滤波算法存在的状态方程截断误差、噪声统计特性的不确定性以及状态扰动异常的影响,给出了一种应用于GPS/INS组合导航系统的迭代滤波算法。该算法采用迭代策略,不断利用观测信息实时修正状态预报值。实测数据计算结果表明,通过对状态预报值的实时修正,该算法能够很好地抑制状态预报信息的不确定性和扰动异常等对导航解的影响。其滤波解精度明显优于标准Kalman滤波。     

处理有色观测噪声的粒子滤波算法

针对经典Kalman滤波无法直接处理有色噪声的问题,采用多项式长除法将有色观测噪声模型展开成无穷级数,截断取其有限项获得有色噪声的先验信息;然后利用粒子滤波能够处理非高斯噪声的特点对有色观测噪声进行处理。通过一个GPS定位算例,将此新方法与观测扩增方法进行了分析和比较。结果证明,利用该方法能有效地控制有色观测噪声的影响。     

观测值含有粗差的抗差粒子滤波算法

作为非线性滤波的代表,粒子滤波得到广泛应用。该算法通过随机生成的具有权重的样本（粒子）来计算后验概率密度。其中赋权的过程需要综合系统信息和观测信息,当观测值含有粗差时,会使粒子错误赋权影响滤波结果。提出一种新的基于抗差估计的抗差粒子滤波算法,通过计算粒子等价权,抑制观测值粗差的影响。模拟计算分析表明,当观测值含有粗差时,与标准粒子滤波相比,该方法能有效提高滤波精度。     

粒子滤波在高动态GPS定位中的应用

针对高动态GPS定位系统的特点,引入了一种基于粒子滤波的高动态GPS定位系统滤波算法。借助于移动目标的速度矢量模型建立了系统状态方程,论文给出了标准的卡尔曼滤波算法模型,重点讨论了粒子滤波算法在高动态GPS定位中的应用,详细描述了算法的推导过程。对算法进行仿真,结果表明当GPS接收机作大范围机动或GPS信号受到干扰时,粒子滤波要优于标准的卡尔曼滤波。     

基于粒子滤波的PDR/地磁指纹室内定位

针对行人航位推算(PDR)定位存在误差累积和地磁指纹不唯一导致的误匹配问题,本文改进了基于粒子滤波的PDR/地磁指纹室内定位方法.在PDR定位过程中利用地图信息控制粒子权重更新,得到较为准确的位置信息后,利用动态时间规整(DTW)算法在PDR推算位置基础上进行快速序列匹配,获取最优位置估计.试验结果表明,融合定位方法有...     

粒子-平滑变结构滤波相位解缠算法

为了有效提升干涉图相位解缠精度,提出粒子-平滑变结构滤波相位解缠算法：(1)把融入残差因子的平滑变结构滤波算法应用于干涉图相位解缠,结合局部相位梯度估计技术,构建粒子-平滑变结构滤波相位解缠程序;(2)把干涉图相位微分偏差图作为质量图,嵌入堆排序路径跟踪策略指导相位解缠路径;(3)利用归一化的干涉图相位微分偏差图把干涉图划分为3个不同质量层级的缠绕像元集,粒子-平滑变结构滤波相位解缠程序沿第1质量层级→第2质量层级→第3质量层级的顺序依次解缠干涉图缠绕像元,获得干涉图所有缠绕像元的解缠相位值。模拟和实测数据实验结果表明与一些代表性算法相比,上述方法能较好地执行干涉图相位解缠任务,显现了较好的鲁棒性,有效提升了干涉图相位解缠精度。     

应用高斯粒子群优化的无迹粒子滤波

针对粒子滤波算法中存在的粒子退化与粒子匮乏的缺陷,提出了利用高斯粒子群优化无迹粒子滤波的新算法。算法使用无迹粒子滤波进行重要性采样,并将高斯粒子群优化算法融入重采样过程中。该算法选取的概率密度更加接近系统真实状态,有效增加了粒子的多样性,提高了抽样效率,降低了粒子退化程度,缓解了粒子匮乏现象。试验结果表明,该算法的滤波精度明显优于粒子滤波与无迹粒子滤波算法所得到的滤波精度。     

基于权重滤波的时空融合算法对比分析

多源遥感数据时空融合技术可生成高空间高时间分辨率的图像数据,有效解决了遥感应用中的遥感图像"时空矛盾"问题。ESTARFM和STNLFFM是目前常用的两种基于权重滤波的时空融合模型,本文对上述方法进行了对比分析,为模型选择提供依据。通过两组不同地表覆盖类型变化的实验,开展了模型精度对比分析,结果表明:当地表覆盖物时相变化属于物候变化时,两种算法融合结果均能还原出较为丰富的空间细节信息,且算法融合精度差异较小,效果相当;而当地表覆盖类型发生较大突变时,两种算法融合结果空间细节信息还原较少,同时,相比于ESTARFM,STNLFFM融合结果能够获取较高精度。     

多传感器融合导航方法的比较

多源传感器融合导航有多种算法，但不同算法之间存在理论和计算方面的差异。本文试图从理论上探讨联邦滤波融合法、动静态滤波融合法、基于观测信息的融合法以及基于各传感器几何导航解融合法的基本原理，分析各种方法的优劣，为多传感器融合导航的应用打下基础。     

改进的粒子滤波及其在GPS动态定位中的应用

针对城市环境中GPS动态定位系统的特点,提出了一种基于粒子滤波的GPS动态定位算法。与传统卡尔曼滤波算法相比,该算法利用观测伪距误差分布建立重要的密度函数,能够处理噪声符合非高斯分布的情况,且无需对观测方程线性化,提高了GPS动态定位的精度。通过实际算例分析,验证了该算法的有效性。     

一种基于分步式滤波的多传感器组合导航系统算法研究

提出了一种多传感器组合导航系统的分步滤波算法。当所有传感器的观测值到来时,首先对该时刻的系统状态进行预测,然后利用常规卡尔曼滤波器和各导航传感器的观测值依次对该时刻的状态向量估计值进行更新,进而得到该时刻状态向量基于全局信息的最优融合估计。最后利用GPS/SST/高度表/SINS多组合导航系统对上述算法进行验证。仿真结果表明,该算法与集中式卡尔曼滤波算法的估计精度相同,但计算量得到降低。     

粒子滤波算法在GPS/DR组合导航中的应用

针对建议分布函数的选择问题,系统地分析比较了改进的粒子滤波算法.在此基础上提出了一种新的粒子滤波算法--自适应渐消扩展Kalman粒子滤波方法.该方法用渐消扩展Kalman滤波产生建议分布函数,由于参数的可在线调节性,使得系统具有更好的自适应性和鲁棒性.与用转移先验、扩展Kalman滤波、自适应扩展Kalman滤波、迭代扩展Kalman滤波以及无迹Kalman滤波产生建议分布函数的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度.通过对GPS与航位推算(DR)组合导航系统GPS/DR的试验,验证了该方法的有效性.