一种融合UKF和EKF的粒子滤波状态估计算法_于洪波

合集下载

一种改进的粒子滤波算法

Ａｎｅｗｍｏｄｉｉｅｆｄｕｎｓｃｅｎｔｅｄｐａｒｔｉｃｌｅｉｌｆｔｅｒ
ＮＩＣｈｕｎ－ｇｕａｎｇ
（Ｎｏ９１３８８ＵｉｎｔｏｆＰＬＡ，Ｚｈａｎｊｉａｎｇ５２４０２２，Ｃｈｉｎａ）
密度函数：ｑ（ｌ：一，Ｙ。：）＝Ｎ（，Ｐ），其中 Ⅳ （・）表示高斯函数。
令Ｗ（。）为重要性权值：
，
（５）
３一种新的ＵＰＦ滤波算法
称式（１）和式（２）为主模型，这里主要介绍一种
２ＵＰＦ原理
在粒子滤波器中，关键问题是对建议分布的选
最优的状态估计。对于非高斯非线性系统，如何快速计算积分是研究滤波算法的核心问题。
１．２粒子滤波算法
择。当ｑ（ｌ：一１，Ｙ）＝Ｐ（ｌ：一１，Ｙ０：）时，重要性权值条件方差最小，为最优重要性函数，但实际上很难对它进行采样。在应用中更常使用先验概率密度来作为建议分布：
ｇ（Ｉ：一１，Ｙ０：）Ｐ（Ｉ：一１）。
ＰＦ是通过蒙特卡罗方法实现贝叶斯递归估计。从待估计的后验分布Ｐ（。：ｌＹ。：）中抽样出 Ⅳ个独立
同分布的粒子和相应的归一化权值（），则分

滚动时域估计与扩展卡尔曼滤波-概述说明以及解释

滚动时域估计与扩展卡尔曼滤波-概述说明以及解释1.引言1.1 概述概述：滚动时域估计是一种基于时间序列数据的估计方法，它能够实时地对数据进行连续的估计和预测。

相较于传统的批量估计方法，滚动时域估计具有更高的实时性和适应性，可以应用于各种领域的数据处理和分析中。

扩展卡尔曼滤波是一种常用的信号处理和状态估计方法，它可以应对非线性和非高斯的系统模型。

扩展卡尔曼滤波通过不断更新系统状态的估计值和协方差矩阵，能够较准确地估计系统的状态并实现滤波、预测和数据关联等功能。

本文将对滚动时域估计和扩展卡尔曼滤波进行详细讨论和比较。

首先，我们将介绍滚动时域估计的定义和原理，包括滚动窗口、递推估计和预测等关键概念。

然后，我们会探讨滚动时域估计的应用领域，例如信号处理、时间序列分析、金融数据预测等。

接着，我们会分析滚动时域估计的优势和挑战，包括实时性、适应性、计算复杂度等方面的考虑。

在扩展卡尔曼滤波部分，我们将介绍扩展卡尔曼滤波的基本原理，包括状态空间模型、观测方程、状态估计和协方差更新等关键过程。

然后，我们会探讨扩展卡尔曼滤波的应用场景，例如导航系统、机器人定位、传感器数据融合等。

最后，我们将介绍扩展卡尔曼滤波的改进和发展，包括无迹卡尔曼滤波、粒子滤波等扩展方法。

文章的结论部分将对滚动时域估计和扩展卡尔曼滤波进行比较和总结，讨论它们在实践中的优劣和适用性。

同时，我们将展望滚动时域估计和扩展卡尔曼滤波的未来发展方向，讨论它们在各个领域的应用前景和挑战。

通过本文的探讨和比较，读者将能够全面了解滚动时域估计和扩展卡尔曼滤波的原理、应用和发展趋势，为相关领域的研究和实践提供参考和指导。

1.2文章结构文章结构部分的内容可以包括以下内容：在本文中，我们将探讨滚动时域估计与扩展卡尔曼滤波两种方法的原理、应用领域、优势和挑战，以及它们之间的比较和应用前景。

文章将由以下几个部分组成：第一部分是引言部分。

在这一部分，我们将对整篇文章进行一个概述，介绍滚动时域估计和扩展卡尔曼滤波的基本概念，以及文章的目的和结构。

imu 抗震动算法

imu 抗震动算法IMU（Inertial Measurement Unit，惯性测量单元）是一种利用加速度计、陀螺仪等惯性传感器测量载体运动状态的装置。

在实际应用中，IMU受到各种震动的影响，导致测量结果出现误差。

为了提高IMU在抗震动环境下的测量精度，研究人员提出了一系列抗震动算法。

本文将详细介绍这些算法。

1. 滤波算法滤波算法是提高IMU抗震动性能的一种常用方法。

其中，最经典的滤波算法是卡尔曼滤波（Kalman Filter，KF）。

卡尔曼滤波器通过建立状态方程和观测方程，对IMU测量数据进行递推处理，从而实现对载体运动状态的准确估计。

然而，在剧烈震动环境下，卡尔曼滤波器的性能可能会受到影响。

为了提高滤波器的抗震动性能，研究人员提出了许多改进算法，如扩展卡尔曼滤波（Extended Kalman Filter，EKF）、无迹卡尔曼滤波（Unscented Kalman Filter，UKF）和粒子滤波（Particle Filter，PF）等。

2. 状态估计与误差补偿算法状态估计与误差补偿算法是通过估计IMU的误差状态，对测量结果进行补偿，从而提高抗震动性能。

其中，一种典型的算法是自适应误差补偿算法。

该算法通过实时估计IMU的偏差和噪声特性，对测量结果进行补偿。

此外，还有基于神经网络的状态估计算法，通过学习IMU的测量数据，建立输入输出关系，实现对测量误差的补偿。

3. 数据融合算法数据融合算法是将IMU与其他传感器（如视觉、激光雷达等）的数据进行融合，从而提高抗震动性能。

其中，最常用的融合算法是多传感器融合算法。

该算法将不同传感器的数据进行整合，充分利用各传感器的优势，提高整体测量精度。

例如，将IMU与视觉传感器融合，可以通过图像处理技术消除视觉传感器的畸变，提高整体测量精度。

4. 抗震动算法抗震动算法是针对震动环境下的IMU测量问题提出的专门算法。

其中，一种典型的抗震动算法是震动抑制算法。

捷联惯导与组合导航系统高精度初始对准技术研究

捷联惯导与组合导航系统高精度初始对准技术研究捷联惯导与组合导航系统高精度初始对准技术研究引言捷联惯导与组合导航系统是一种集捷联惯导和其他导航传感器（如GPS、气压计、陀螺仪等）的优势于一体的导航系统，具有在惯导滞后情况下实现导航信息快速、准确更新的优势。

为了确保导航精度和可靠性，捷联惯导与组合导航系统的初始对准是不可或缺的关键技术之一。

本文将重点探讨捷联惯导与组合导航系统高精度初始对准技术的研究。

一、捷联惯导与组合导航系统概述捷联惯导与组合导航系统是一种通过融合多种导航传感器测量数据来计算导航解的导航系统。

其中，捷联惯导通过惯性导航算法利用加速度计和陀螺仪提供的姿态、速度和位移信息进行导航计算，而组合导航则通过融合GPS和其它传感器的信息来修正惯导的误差，提供更准确的导航结果。

二、初始对准技术的研究现状初始对准技术在捷联惯导与组合导航系统中起到了决定性的作用，对其精度和可靠性具有重大影响。

目前，针对初始对准技术的研究主要集中在以下几个方面：1. 惯性传感器标定：惯导系统的精度和准确性直接依赖于惯性传感器的性能。

因此，对于惯导系统而言，惯性传感器的标定至关重要。

传感器标定主要涉及惯性传感器的误差估计、参数校准和标定方法等。

2. 导航状态估计算法：捷联惯导与组合导航系统的核心是导航状态估计算法。

目前常用的算法包括扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）以及粒子滤波（PF）等。

这些算法通过融合多种传感器的信息，实现对导航状态的准确估计。

3. 高精度传感器融合：为了提高初始对准的精度和可靠性，可以考虑使用更高精度的传感器，如高精度的加速度计和陀螺仪。

此外，对于GPS系统而言，使用双频技术和高精度的差分GPS技术可以进一步提高导航精度。

三、捷联惯导与组合导航系统高精度初始对准技术研究在捷联惯导与组合导航系统高精度初始对准技术的研究中，可以采用以下方法来提高初始对准的精度和可靠性：1. 多目标标定方法：采用多目标标定方法来标定捷联惯导系统中的惯性传感器。

ekf姿态融合算法

ekf姿态融合算法EKF姿态融合算法概述：EKF（Extended Kalman Filter）姿态融合算法是一种常用的用于估计物体姿态的滤波算法。

它通过融合不同传感器（如加速度计、陀螺仪和磁力计）的测量数据，提供准确的姿态估计结果。

本文将介绍EKF姿态融合算法的原理和应用。

一、算法原理EKF姿态融合算法基于卡尔曼滤波理论，通过状态估计和测量更新两个步骤，实现对姿态的估计。

1. 状态估计状态估计是指根据系统的动力学模型和当前状态的估计值，预测下一时刻的状态。

在EKF姿态融合算法中，根据角速度测量值和上一时刻的姿态估计值，使用四元数或欧拉角等姿态表示方法，通过积分计算出当前时刻的姿态预测值。

2. 测量更新测量更新是指根据传感器的测量值，修正状态估计值。

在EKF姿态融合算法中，通过加速度计和磁力计的测量值，校正姿态预测值，得到最终的姿态估计值。

二、应用领域EKF姿态融合算法在许多领域都有广泛应用，特别是机器人、飞行器和虚拟现实等领域。

1. 机器人在机器人领域，EKF姿态融合算法用于估计机器人的姿态，帮助机器人实现精准的定位和导航。

通过融合多种传感器的测量数据，可以提高机器人的自主导航能力和环境感知能力。

2. 飞行器在飞行器领域，EKF姿态融合算法被广泛应用于飞行器的姿态控制和导航系统中。

通过融合加速度计、陀螺仪和磁力计等传感器的测量数据，可以提高飞行器的稳定性和飞行精度。

3. 虚拟现实在虚拟现实领域，EKF姿态融合算法用于追踪用户的头部姿态，实现对虚拟场景的交互控制。

通过融合陀螺仪和加速度计等传感器的测量数据，可以实时准确地捕捉用户的头部运动。

三、优缺点分析EKF姿态融合算法具有以下优点：1. 算法简单，计算效率高。

2. 能够校正传感器的误差，提高姿态估计的准确性。

3. 适用于多种传感器的融合，具有较好的通用性。

然而，EKF姿态融合算法也存在一些缺点：1. 对传感器的误差和噪声敏感，需要进行精确的误差建模和校准。

EKF、UKF、PF组合导航算法仿真对比分析

EKF、UKF、PF组合导航算法仿真对比分析摘要随着人类对海洋探索的逐步深入，自主式水下机器人已被广泛地应用于海底搜救、石油开采、军事研究等领域。

良好的导航性能可以为航行过程提供准确的定位、速度和姿态信息，有利于AUV精准作业和安全回收。

本文介绍了三种不同的导航算法的基本原理，并对算法性能进行了仿真实验分析。

结果表明，在系统模型和时间步长相同的情况下，粒子滤波算法性能优于无迹卡尔曼滤波算法，无迹卡尔曼滤波算法性能优于扩展卡尔曼滤波算法。

关键词自主式水下机器人导航粒子滤波无迹卡尔曼滤波扩展卡尔曼滤波海洋蕴藏着丰富的矿产资源、生物资源和其他能源，但海洋能见度低、环境复杂、未知度高，使人类探索海洋充满了挑战。

自主式水下机器人（Autonomous Underwater Vehicle，AUV)可以代替人类进行海底勘探、取样等任务[1]，是人类探索和开发海洋的重要工具，已被广泛地应用于海底搜救、石油开采、军事研究等领域。

为了使其具有较好的导航性能，准确到达目的地，通常采用组合导航算法为其导航定位。

常用的几种组合导航算法有扩展卡尔曼滤波算法（Extended Kalman Filter，EKF）、无迹卡尔曼滤波算法（Unscented Kalman Filter，UKF）和粒子滤波算法（Particle Filter，PF）。

1扩展卡尔曼滤波算法EKF滤波算法通过泰勒公式对非线性系统的测量方程和状态方程进行一阶线性化截断，主要包括预测阶段和更新阶段。

预测阶段是利用上一时刻的状态变量和协方差矩阵来预测当前时刻的状态变量和协方差矩阵；更新阶段是通过计算卡尔曼增益，并结合预测阶段更新的状态变量和当前时刻的测量值，进而更新状态变量和协方差矩阵[2]。

虽然EKF滤波算法在非线性状态估计系统中广泛应用，但也凸显出两个问题：一是由于泰勒展开式抛弃了高阶项导致截断误差产生，所以当系统处于强非线性、非高斯环境时，EKF算法可能会使滤波发散；二是由于EKF算法在线性化处理时需要用雅克比(Jacobian)矩阵，其繁琐的计算过程导致该方法实现相对困难。

一种融合UKF和EKF的粒子滤波状态估计算法

ｔｉｏｎｉｓｇｅｎｅｒａｔｅｄｂｙｍｅａｎｓｏｆａｆｕｓｉｏｎａｌｇｏｒｉｔｈｍ．Ｔｏｄｅｒｉｖｅｔｈｅｉｍｐｏｒｔａｎｃｅｄｅｎｓｉｔｙｏｆｓａｍｐｌｅｓ，ｔｈｅｓｔａｔｅｏｆｅａｃｈｐａｒｔｉｃｌｅｉｓｐｒｅｄｉｃｔｅｄｓｅｐａｒａｔｅｌｙａｃｃｏｒｄｉｎｇｔｏＥＫＦａｎｄＵＫＦ．ＡｎａｐｐｌｉｃａｔｉｏｎｅｘａｍｐｌｅｉｓｇｉｖｅｎｔＯｄｒａｗａｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｔｈｉｓｎｅｗａｌｇｏｒｉｔｈｍａｎｄｔｈｅｅｘｉｓｔｉｎｇｐａｒｔｉｃｌｅｆｉｌｔｅｒ（ＰＦ）ａｌｇｏｒｉｔｈｍ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｎｅｗａｌｇｏ — ｒｉｔｈｍｏｕｔｐｅｒｆｏｒｍｓｔｈｅｅｘｉｓｔｉｎｇｐａｒｔｉｃｌｅｆｉｌｔｅｒａｌｇｏｒｉｔｈｍｉｎａｌｌａｓｐｅｃｔｓ．Ｋｅｙｗｏｒｄｓ：ｓｔａｔｅｅｓｔｉｍａｔｉｏｎ；ｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇ（ＰＦ）ａｌｇｏｒｉｔｈｍ；ｆｕｓｉｏｎａｌｇｏｒｉｔｈｍ；ｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒ

贝叶斯滤波研究及其应用

贝叶斯滤波研究及其应用摘要：滤波的目的是从序贯量测中在线、实时地估计和预测出动态系统的状态和误差的统计量。

贝叶斯滤波被成功地应用在信号处理、目标跟踪、金融等诸多领域，然而其依然面临一些问题有待解决对贝叶斯滤波过程中存在的目标跟踪问题，提出几种典型的贝叶斯滤波方法，如EKF,UKF，PF和UPF等，基于这些方法所构建的框架，对它们进行性能测试和比较。

关键字：贝叶斯滤波；目标跟踪；非线性滤波方法ABSTRACT: The purpose of filtering online from sequential measurements in real time to estimate and predict the dynamic system of state statistics and errors. Bayesian filtering has been successfully applied in signal processing, target tracking, finance and many other areas, but it still faces a number of problems to be solved target tracking Bayesian filtering process, and put forward several typical Bayesian filtering methods such as EKF, UKF, PF and UPF, etc., to build the framework of these methods based on their performance testing and comparison.KEYWORDS: Bayesian filtering;Target tracking; Nonlinear filtering method1 引言贝叶斯方法将未知参数看作是随机变量，使用先验概率和当前观测信息计算后验概率。

gnss 和 uwb 信号的融合算法卡尔曼滤波

gnss 和 uwb 信号的融合算法卡尔曼滤波GNSS (Global Navigation Satellite System)和UWB (Ultra-Wideband)是两种常用于定位和导航的无线通信技术。

它们在不同的应用场景中有着各自的优势和限制。

为了克服各自的局限性，并提高定位精度和可靠性，研究者们将这两种技术进行融合，通过使用卡尔曼滤波算法来估计位置信息。

首先，我们来介绍一下GNSS和UWB技术的基本原理和特点：GNSS是一种使用卫星进行全球定位的技术，由多颗卫星组成的卫星系统向地球上的接收器发送信号，接收器通过测量这些信号的时间差来计算自身的位置。

GNSS系统包括美国的GPS、俄罗斯的GLONASS、欧洲的Galileo以及中国的北斗等。

GNSS具有全球覆盖的优势，但在城市峡谷效应等复杂环境中容易受到信号遮挡和多径效应的影响，导致定位误差较大。

UWB技术是一种通过测量信号的时间延迟和幅度来实现高精度测距的技术。

UWB信号的带宽非常宽，常常超过500 MHz，这样可以实现高度分辨率的测距。

由于UWB信号具有较强的穿透力和抗干扰能力，所以在室内、城市环境和多路径等复杂环境中有较好的定位性能。

但UWB 技术的定位范围相对较短，通常在10-100米之间。

将GNSS和UWB进行融合可以充分利用它们各自的优势。

融合算法一般需要通过卡尔曼滤波来估计位置信息。

卡尔曼滤波是一种递归的状态估计算法，通过组合测量数据和系统动态模型的信息来估计未知状态的最优解。

在将GNSS和UWB信号进行融合时，通常使用扩展卡尔曼滤波(EKF)或无迹卡尔曼滤波(UKF)算法。

融合算法的基本步骤如下：1. GNSS和UWB测量数据的预处理：包括去除错误数据、滤波和分段等操作，以提高数据质量。

2. GNSS和UWB的初始位置估计：使用GNSS测量数据估计初始位置，可以通过将多个GNSS卫星的测量结果进行平均得到较准确的位置估计。

EKF、UKF、PF混沌同步性能分析

EKF、UKF、PF混沌同步性能分析袁国刚;陈鹏;王永川;闫云斌【摘要】针对离散混沌系统同步问题,分析扩展卡尔曼滤波(extended Kalman filter,EKF)、无损卡尔曼滤波(unscented Kalman filter,UKF)和粒子滤波(particle filter,PF)这3种同步算法的同步性能.混沌系统的非线性程度及噪声状态分布会影响算法同步性能,根据非线性程度对混沌系统进行分类,在此基础上比较3种算法在高斯和非高斯噪声干扰下的同步性能.引入克拉美罗界(Cramér-Rao lower bound,CRLB)作为高斯噪声下同步误差的下限标准,并分析了3种同步算法的时间复杂度.仿真结果表明,在同步Ⅰ型高斯系统时EKF性能最优,在同步Ⅱ型高斯系统时UKF性能最优,当系统受非高斯噪声影响时,PF算法精度最高.【期刊名称】《计算机工程与设计》【年(卷),期】2019(040)007【总页数】6页(P1835-1839,1933)【关键词】混沌同步;扩展卡尔曼滤波;无损卡尔曼滤波;粒子滤波;克拉美罗界【作者】袁国刚;陈鹏;王永川;闫云斌【作者单位】陆军工程大学石家庄校区无人机工程系,河北石家庄050003;陆军工程大学石家庄校区无人机工程系,河北石家庄050003;陆军工程大学石家庄校区无人机工程系,河北石家庄050003;陆军工程大学石家庄校区无人机工程系,河北石家庄050003【正文语种】中文【中图分类】O415.50 引言离散混沌信号是非周期非二值信号，且易于计算机产生与复制，在保密通信领域有良好的运用前景[1-3]。

混沌同步是实现混沌保密通信的前提[4]。

目前，扩展卡尔曼滤波(extended Kalman filter，EKF)[5,6]、无损卡尔曼滤波(unscented Kalman filter，UKF)[6,7]、粒子滤波(particle filter，PF)[3,8,9]等贝叶斯滤波方法是解决离散混沌同步问题的主要技术手段。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

［］８９－（，、辅助粒子滤波ｕｎｓｃｅｎｔｅｄＫａｌｍａｎａｒｔｉｃｌｅｆｉｌｔｅｒＵＰＦ）ｐ
；修回日期：；网络优先出版日期：。收稿日期：２０１２０１１７２０１３０３２２２０１３０６０５－－－－－－：／／／／／网络优先出版地址：ｈｔｔｗｗｗ．ｃｎｋｉ．ｎｅｔｋｃｍｓｄｅｔａｉｌ１１．２４２２．ＴＮ．２０１３０６０５．１３４１．００８．ｈｔｍｌｐ）基金项目：国家自然科学基金（资助课题６１１７９０１８，６１１０２１６５，６１１０２１６７
０引言
，Ｋ是线性高斯系统中利ＫａｌｍａｎｆｉｌｔｅｒＦ）卡尔曼滤波（用最小均方根误差准则进行目标状态估计的最优滤波方法
［１］
［］１０１２－（，等。ａｕｘｉｌｉａｒｆｉｌｔｅｒＡＰＦ）ａｒｔｉｃｌｅｙｐ
第３５卷第７期２０１３年７月
）文章编号：１００１５０６Ｘ（２０１３０７１３７５０５－－－
系统工程与电子技术ＳｓｔｅｍｓＥｎｉｎｅｅｒｉｎａｎｄＥｌｅｃｔｒｏｎｉｃｓｙｇｇ
（１．ＩｎｓｔｉｔｕｔｅｏＩｎｏｒｍａｔｉｏｎＦｕｓｉｏｎ，ＮａｖａｌＡｅｒｏｎａｕｔｉｃａｌａｎｄＡｓｔｒｏｎａｕｔｉｃａｌＵｎｉｖｅｒｓｉｔＹａｎｔａｉ２６４００１，Ｃｈｉｎａ；ｆｆｙ，，，）２．ＬｉｂｒａｒｏＮａｖａｌＡｅｒｏｎａｕｔｉｃａｌａｎｄＡｓｔｒｏｎａｕｔｉｃａｌＵｎｉｖｅｒｓｉｔＹａｎｔａｉ２６４００１Ｃｈｉｎａｙｆｙ
Ｖｏｌ．３５Ｎｏ．７Ｊｕｌ０１３ｙ２
网址：ｗｗｗ．ｓｓｅｌｅ．ｃｏｍ－ｙ

一种融合ＵＫＦ和ＥＫＦ的粒子滤波状态估计算法
于洪波１，王国宏１，孙芸１，曹倩２
３７６· ·１
系统工程与电子技术２．１ＥＫＦ更新
第３５卷

分布，从而实现粒子状态的估计。因为充分利用了观测值，所以该建议分布更接近真实分布的近似表达方式。首先利用线性化技巧将非线性滤在ＥＫＦ更新过程中，波问题转化为一个近似的线性滤波问题，然后套用线性滤波理论得到原非线性滤波问题的次优估计。具体实现方法是将系统的非线性方程用泰勒级数展开，取其一阶或者二阶项，从而求得状态转移矩阵和量测矩阵的雅可比矩阵，实现系统的线性化近似。采用式（给出的系统状态方程和量测方程。假设ｋ１）ｉ时刻，相应协方差阵为Ｐ第ｉ个粒子的状态估计＾Ｘｉｋ时ｋ。ｋ，（）（），。刻系统状态估计为＾协方差估计为在ＸｋｋＰｋｋ｜｜
１ＰＦ算法
ＰＦ是一种基于蒙特卡罗仿真的最优回归贝叶斯滤波
：ｂｓｔｒａｃｔＢａｓｅｄｏｎｔｈｅｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒ（ＥＫＦ）ａｌｏｒｉｔｈｍａｎｄｕｎｓｃｅｎｔｅｄＫａｌｍａｎｆｉｌｔｅｒ（ＵＫＦ）ａｌｏＡ－ｇｇ
，ａｒｔｉｃｌｅｒｅｓｅｎｔｅｄｒｉｔｈｍ，ａｎｅｗｆｕｓｉｏｎｂａｓｅｄｆｉｌｔｅｒｉｎａｌｏｒｉｔｈｍ（ＦＰＦ）ｉｓｉｎｗｈｉｃｈｔｈｅｉｍｏｒｔａｎｃｅｄｅｎｓｉｔｆｕｎｃ－ｐｐｇｇｐｙ，ｔｉｏｎｉｓｂｍｅａｎｓｏｆａｆｕｓｉｏｎａｌｏｒｉｔｈｍ．ＴｏｄｅｒｉｖｅｔｈｅｉｍｏｒｔａｎｃｅｄｅｎｓｉｔｏｆｓａｍｌｅｓｔｈｅｓｔａｔｅｏｆｅａｃｈｅｎｅｒａｔｅｄｙｇｐｙｐｇａｒｔｉｃｌｅｉｓｒｅｄｉｃｔｅｄｓｅａｒａｔｅｌａｃｃｏｒｄｉｎｔｏＥＫＦａｎｄＵＫＦ．Ａｎａｌｉｃａｔｉｏｎｅｘａｍｌｅｉｓｉｖｅｎｔｏｄｒａｗａｃｏｍａｒｉ－ｐｐｐｙｇｐｐｐｇｐｓｏｎｂｅｔｗｅｅｎｔｈｉｓｎｅｗａｌｏｒｉｔｈｍａｎｄｔｈｅｅｘｉｓｔｉｎｆｉｌｔｅｒ（ＰＦ）ａｌｏｒｉｔｈｍ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｎｅｗａｌｏａｒｔｉｃｌｅ－ｇｇｇｇｐｒｉｔｈｍｏｕｔｅｒｆｏｒｍｓｔｈｅｅｘｉｓｔｉｎｆｉｌｔｅｒａｌｏｒｉｔｈｍｉｎａｌｌａｓｅｃｔｓ．ａｒｔｉｃｌｅｐｇｇｐｐ：；ＫｅｗｏｒｄｓａｒｔｉｃｌｅｓｔａｔｅｅｓｔｉｍａｔｉｏｎｆｉｌｔｅｒｉｎＰＦ）ａｌｏｒｉｔｈｍ；ｆｕｓｉｏｎａｌｏｒｉｔｈｍ；ｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒｐｇ（ｇｇｙ（；ＥＫＦ）ｕｎｓｃｅｎｔｅｄＫａｌｍａｎｆｉｌｔｅｒ（ＵＫＦ）
］３５－。经过几年的发展，来该算法在许多领域得到成功应用［
现在已经出现多种Ｐ例如扩展卡尔曼粒子滤波Ｆ算法，［］６７－（，、不敏粒子滤波ｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒＥＰＦ）ａｒｔｉｃｌｅｐ
，但是在实际中，往往遇到非线性非高斯系统，这就需
要采用非线性滤波方法。，粒子滤波（是近几年新兴起的一种ａｒｔｉｃｌｅｆｉｌｔｅｒＰＦ）ｐ２］，非线性滤波方法［其突出优点在于摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约条件，因此近年
（海军航空工程学院信息融合技术研究所，山东烟台２１．６４００１；，）海军航空工程学院图书馆山东烟台２．２６４００１
，和不敏卡尔曼滤波算法（ｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒＥＫＦ）ｕｎｓｃｅｎｔｅｄＫａｌｍａｎ摘要：在扩展卡尔曼滤波算法（，ＵＫ，。该算法首先利用的基础上，提出一种基于融合的粒子滤波算法（ｆｉｌｔｅｒａｒｔｉｃｌｅＦ）ｆｕｓｉｏｎｂａｓｅｄｆｉｌｔｅｒＦＰＦ）ｐ然后通过融合算法得到粒子的重要性建议分布，实现粒子状态更新。因为充分ＥＫＦ与ＵＫＦ分别预测粒子状态，，因而能有效提高状态估计精度。仿真中通过实例将该算法与已有的粒子滤波（利用了量测信息，ａｒｔｉｃｌｅｆｉｌｔｅｒｐ算法进行比较，结果表明该算法各方面性能都有较大改进。ＰＦ）关键词：状态估计；粒子滤波算法；融合算法；扩展卡尔曼滤波；不敏卡尔曼滤波：／中图分类号：ＴＮ９５７文献标志码：ＡＤＯＩ１０．３９６９５０６Ｘ．２０１３．０７．０４．ｉｓｓｎ．１００１－ｊ
以ＥＫＦ作为ＰＦ的建议分布就得到了ＥＰＦ。ＥＰＦ方法容易实在系统非线性强度不太高的环境下具有方法简单，现的优点。但是ＥＰＦ用泰勒展开式将系统进行线性化近似，忽略了高阶项，这样在滤波过程中不可避免地要引入线因此该算法一般只能达到性化误差从而降低了算法精度，二阶的精度。以ＵＫ就得到了Ｆ作为ＰＦ的建议分布，ＵＰＦ。ＵＰＦ方法由于不需要对非线性系统进行线性化近似，所以可以很容易的处理强非线性问题。但是ＵＰＦ方法而不能应用于更复杂的非高斯环境。只适用于高斯环境，在分析Ｅ本文提出一种新的融ＫＦ和ＵＫＦ的基础上，，。该算合粒子滤波算法（ｆｕｓｉｏｎｂａｓｅｄａｒｔｉｃｌｅｆｉｌｔｅｒＦＰＦ）ｐ法通过融合的ＥＫＦ和ＵＫＦ更新来获得状态的重要性建议