基于采样的非线性滤波算法比较
非线性贝叶斯滤波算法综述_曲从善
得了很多有价值的研究成果。本文从递归贝叶斯估 计的框架出发, 给出非线性滤波的统一描述, 并分门 别类地对各种非线性滤波的原理、 方法及特点做出 分析和评述, 最后介绍了非线性滤波研究的新动态 , 并对其发展作了简单展望。
由上面的计算过程可以看出, 递归贝叶斯估计 有两个步骤, 即式 ( 6) ( Chapman- Kolmogoro equation, CK 方程) 所示的贝叶斯预测 步骤 ( 时间更新 ) 和式 ( 8) 所示的修正步骤 ( 量测更新 ) , 其 过程如图 1 所 [ 17] 示 。
| xk ) p ( x k | Yk- 1 ) d xk ( 7)
滤波和 Markov Chain Monte
等非线性滤波技术的研究 , 并取
3) 在 k 时刻 , 已经获得新的量测数据 y k , 可利 用贝叶斯公式计算得到后验概率密度函数 p ( xk | Yk ) = p ( y k | xk ) p ( x k | Yk - 1 ) p ( y k | Yk - 1 ) ( 8)
x p( x Q
k ^ T
k
| Yk ) d xk
( 3)
Q
( x k - xk ) ( xk - x k ) p ( x k | Yk ) d xk ( 4)
^
式( 3) 可以推广到状态函数的估计而不是状态本身 的估计 , 因此, 后验概率密度函数 p ( xk | Yk ) 在滤波 理论中起着非常重要的作用。 p ( xk | Yk ) 封 装了状 态向量 x k 的所有信息 , 因为它同时蕴含了量测 Yk 和先验分布 x k - 1 的信息。在给定先验密度 p ( x k - 1 | Yk - 1 ) 以及最近的观测 y k 时 , 通过式 ( 5) 所示的贝叶 斯定理来计算后验概率密度
《非线性滤波》课件
VS
无迹卡尔曼滤波采用无迹变换来处理 非线性函数，从而能够更准确地描述 状态变量的概率分布。与扩展卡尔曼 滤波相比，无迹卡尔曼滤波具有更高 的计算效率和更好的估计性能，因此 在许多领域得到广泛应用。
容积卡尔曼滤波
容积卡尔曼滤波是一种结合了容积方法和卡尔曼滤波的算法。
容积卡尔曼滤波利用容积方法来计算状态变量的后验概率分布，并通过卡尔曼滤波来递归更新状态变量的估计。容积卡尔曼 滤波具有较高的计算效率和较好的估计性能，在许多实际应用中表现出色。
非线性滤波
目录
• 非线性滤波简介 • 非线性滤波算法 • 非线性滤波的应用 • 非线性滤波的优缺点 • 非线性滤波的未来发展
01
非线性滤波简介
定义与概念
非线性滤波是一种信号处理方法，通过非线性数学模型对信 号进行变换，以实现信号的提取、增强或抑制。非线性滤波 器能够处理那些线性滤波器无法处理的信号，如非线性的、 非平稳的、噪声干扰严重的信号。
03
非线性滤波的应用
导航定位
定位精度提高
非线性滤波算法能够处理多传感器融 合的数据，通过复杂的算法处理，提 高定位精度。
动态环境适应性
在动态环境中，非线性滤波能够实时 调整模型参数，以适应环境变化，保 证定位的准确性。
无人驾驶
传感器数据处理
无人驾驶车辆通过各种传感器获取数 据，非线性滤波能够对这些数据进行 有效处理，提取有用的信息。
3
可能产生失真
非线性滤波算法可能会对信号造成一定程度的失 真，因为它们会改变信号的原始特性。
05
非线性滤波的未来发展
算法改进
优化算法
随着计算能力的提升，非线性滤波算法将进一步 优化，提高计算效率和精度。
多传感器数据融合常用的算法
多传感器数据融合常用的算法
多传感器数据融合常用的算法有很多，以下是一些常见的算法：
1. 卡尔曼滤波：一种基于最小均方误差准则的线性最优估计方法，适用于动态系统的状态估计。
2. 扩展卡尔曼滤波：对非线性系统进行线性化处理，然后应用卡尔曼滤波算法。
3. 粒子滤波：一种基于蒙特卡罗方法的非线性滤波算法，通过粒子采样和重采样来估计系统状态。
4. 模糊逻辑算法：利用模糊规则和模糊推理来处理不确定性和模糊性的数据。
5. D-S 证据理论：用于处理不确定性和多源信息融合的算法。
6. 支持向量机：一种监督学习算法，可用于分类或回归问题，常用于多传感器数据的特征提取和分类。
7. 人工神经网络：通过模拟神经系统的结构和功能，对多传感器数据进行学习和预测。
8. 贝叶斯网络：基于概率论和图论的方法，用于表示变量之间的概率关系和推理。
9. 小波变换：用于多传感器数据的时频分析和特征提取。
10. 主成分分析：一种数据降维和特征提取的方法，可减少数据维度并突出主要特征。
选择合适的多传感器数据融合算法取决于具体应用的需求、传感器数
据的特点和系统的约束条件等。
在实际应用中，通常需要根据具体情况选择和组合多种算法，以达到最优的融合效果。
同时，数据预处理、特征选择和模型评估等步骤也是多传感器数据融合过程中的重要环节。
粒子滤波算法综述
粒子滤波算法综述作者：李孟敏来源：《中国新通信》2015年第10期【摘要】对粒子滤波算法的原理、发展历史以及应用领域进行综述，首先针对非线性非高斯系统的状态滤波问题阐述粒子滤波的原理，而后讨论粒子滤波算法存在的主要问题和改进手段，最后阐明其在多个研究领域中的应用现状。
【关键字】非线性滤波概率密度重采样粒子退化一、引言粒子滤波（PF）是一种在处理非线性非高斯系统状态估计问题时具有较好估计效果的方法，其原理是通过非参数蒙特卡洛方法实现贝叶斯滤波。
其最早起源于Hammersley等人在20实际50年代末提出的顺序重要性采样（SIS）滤波思想。
但由于上述方法存在严重的样本权值退化从而导致的粒子数匮乏现象，直到1993年Gordon等人将重采样技术引入蒙特卡洛重要性采样过程，提出一种Bootstrap滤波方法，从而奠定了粒子滤波算法的基础。
二、基本粒子滤波算法三、粒子滤波算法存在的主要问题及改进对于SIS算法来说，容易出现粒子的退化问题，目前存在的诸多对SIS算法的改进中，能够降低该现象影响的有效方法是选择合适的重要性函数和采用重采样方法。
针对状态空间模型的改进算法，如辅助变量粒子滤波算法（APF），局部线性化方法，代表的算法主要有EKF，UKF等。
针对重采样改进方法，文献通过将遗传算法和进化算法引入粒子滤波算法中，增加重采样过程中粒子的多样性。
然APF算法在过程噪声较小时，可获得比标准粒子滤波更高的滤波精度，在过程噪声较大时，其效果则大大降低。
采用局部线性化的方法EKF，UKF都是针对非线性系统的线性卡尔曼滤波方法的变形和改进，因此受到线性卡尔曼滤波算法的条件制约，而对于非高斯分布的状态模型，其滤波性能变差。
将遗传算法和进化算法与粒子滤波结合的改进粒子滤波算法，虽取得了较好的滤波效果，然而是以消耗过多计算资源为代价的。
四、粒子滤波的应用4.1 目标跟踪对目标进行定位和跟踪是典型的动态系统状态估计问题，在诸如纯角度跟踪的运动模型中，采用粒子滤波方法进行实现目标跟踪已获得了较好的跟踪精度，文献研究了多目标跟踪与数据融合问题，文献给出了基于粒子滤波的群目标跟踪算法。
贝叶斯滤波和卡尔曼滤波
贝叶斯滤波和卡尔曼滤波随着科技的不断发展，人们对于数据的处理和分析也变得越来越重要。
而在这个过程中，滤波算法成为了一种常用的方法。
本文将会介绍两种常见的滤波算法：贝叶斯滤波和卡尔曼滤波。
一、贝叶斯滤波贝叶斯滤波是一种基于贝叶斯定理的滤波算法，它通过给定的先验概率和观测数据，计算出后验概率，从而实现对未知变量的估计。
贝叶斯滤波的基本思想是将观测数据和系统模型进行融合，通过不断的观测和更新，逐渐减小估计误差。
贝叶斯滤波的主要步骤如下：1. 初始化：给定先验概率和初始状态。
2. 预测：根据系统模型，预测下一时刻的状态。
3. 更新：根据观测数据，计算出后验概率。
4. 重采样：根据后验概率，进行状态更新。
贝叶斯滤波可以用于各种不同的应用领域，例如目标跟踪、机器人定位等。
它的优点是可以处理非线性和非高斯的系统模型，并且能够实时地更新估计结果。
但是，贝叶斯滤波的计算复杂度较高，对于大规模的系统模型来说，计算量很大。
二、卡尔曼滤波卡尔曼滤波是一种基于线性系统模型和高斯噪声假设的滤波算法，它通过观测数据和系统模型的融合，实现对系统状态的估计。
卡尔曼滤波的基本思想是通过对系统状态进行最优估计，从而得到最优的滤波结果。
卡尔曼滤波的主要步骤如下：1. 初始化：给定初始状态和初始协方差矩阵。
2. 预测：根据系统模型，预测下一时刻的状态和协方差矩阵。
3. 更新：根据观测数据，计算出后验状态和协方差矩阵。
卡尔曼滤波具有计算简单、实时性好的特点，适用于多种线性系统模型。
它在目标跟踪、导航定位等领域有着广泛的应用。
然而，卡尔曼滤波对于非线性和非高斯的系统模型效果较差，因此在实际应用中需要进行一定的改进。
三、贝叶斯滤波与卡尔曼滤波的比较虽然贝叶斯滤波和卡尔曼滤波都是滤波算法，但是它们在原理和应用上有一些区别。
1. 原理：贝叶斯滤波是基于概率论的，通过观测数据和先验概率的融合，得到后验概率。
而卡尔曼滤波是基于线性系统和高斯噪声的假设，通过观测数据和系统模型的融合，得到最优估计。
UKF滤波算法
wk ~ N (0, Qk )
v k ~ N (0, Rk )
（1）初始化
ˆ x0 = E [x0 ]
ˆ ˆ P0 = E (x0 − x0 )(x0 − x0 )
[
T
]
（2）状态估计
1.计算Sigma点
ˆ χ k0−1 = xk −1 ˆ χ ki −1 = xk −1 ˆ χ ki −1 = xk −1 +
注意
随机状态变量沿非线性函数的 传播问题是非线性滤波的关 键！
新思路
“近似非线性函数的概率密度分布比 近似非线性函数更容易”
因此，使用采样方法近似非线性分布来解决非 线性滤波问题的途径目前得到了人们的广泛关 注。
粒子滤波
使用参考分布，随机产生大量粒子，近似 状态的后验概率密度，得到系统的估计。 问题：1）计算量甚大，为EKF的若干数量 阶；2）若减少粒子数，估计精度下降。
T
{
}
{
}
}
描述最优状态估值质量优劣的误差协方差 阵确定如下 ˆ = E ( x − x )( x − x )T Y k = P − K P (k )K T ˆk k ˆk Pk k k k y k
{
}
EKF的不足
必须求非线性函数的Jacobi矩阵，对于模型复 杂的系统，比较复杂且容易出错； 引入线性化误差 ，对非线性强度高的系统，容 易导致滤波效果下降。 基于上述原因，为了提高滤波精度和效率，以 满足特殊问题的需要，就必须寻找新的逼近方 法。
增广状态的方差为
⎡ Px ,k ⎢ 0 =⎢ ⎢ 0 ⎣ 0⎤ ⎥ Q 0⎥ 0 R⎥ ⎦ 0
Pa ,k
（1）初始化
模拟量采集滤波方法
模拟量采集滤波方法全文共四篇示例，供读者参考第一篇示例：模拟量采集是一种常见的工程实践，用于测量和监控物理量。
由于环境和设备的干扰，模拟信号在传输和采集过程中常常受到噪声的影响，为了获得准确、稳定的采集数据，必须采取一定的滤波方法。
本文将介绍几种常见的模拟量采集滤波方法，希望能为工程师们在实际应用中提供一些参考。
一、低通滤波器低通滤波器是最常用的一种滤波器，它能够滤除高频信号，保留低频信号。
在模拟量采集中，常常使用低通滤波器来滤除噪声信号，保留真实信号。
低通滤波器可以采用各种结构，如RC低通滤波器、巴特沃斯低通滤波器、切比雪夫低通滤波器等。
其实现原理是通过设置截止频率，将高于该频率的信号滤掉，只保留低于该频率的信号。
选择合适的截止频率很关键，一方面要确保噪声尽可能被滤掉，另一方面要确保信号的有效成分不被破坏。
二、中值滤波器中值滤波器是一种非线性滤波器，它采用信号窗口中所有数据的中值来取代当前数据点的数值。
中值滤波器对随机噪声的抑制效果比较好，而且能够保持信号的边缘信息，适用于各种实时信号的滤波处理。
中值滤波器的实现比较简单，只需要将信号数据按大小进行排序，然后取中间值即可。
不过需要注意的是，中值滤波器的延时较大，不适用于对信号的实时性要求较高的场合。
三、滑动平均滤波器滑动平均滤波器是一种简单有效的滤波方法，它通过对一定时间内的数据进行平均处理来降低噪声干扰。
滑动平均滤波器主要分为简单滑动平均和加权滑动平均两种。
简单滑动平均是将一定时间窗口内的信号数据进行累加求和，然后除以窗口长度得到平均值。
加权滑动平均则是对信号数据进行加权处理，根据信号的重要程度不同，给予不同的权重。
滑动平均滤波器的优点是实现简单、操作方便，而且对周期性的噪声有较好的去除效果。
不过需要注意的是，滑动平均滤波器对信号的实时性要求较高，滞后性比较明显。
四、卡尔曼滤波器卡尔曼滤波器是一种递推滤波器，主要用于动态系统的估计和控制。
它结合了系统模型和观测数据，通过对系统状态的估计来去除噪声干扰。
pf算法举例及其matlab实现-概述说明以及解释
pf算法举例及其matlab实现-概述说明以及解释1.引言1.1 概述PF算法（Particle Filter Algorithm），又称为粒子滤波算法，是一种基于蒙特卡洛方法的非线性滤波算法。
与传统的滤波算法相比，PF算法具有更大的灵活性和鲁棒性，在估计复杂非线性系统状态的过程中表现出良好的性能。
PF算法基于一种随机采样的思想，通过对系统状态进行一系列粒子的采样，再通过对这些粒子的权重进行重要性重采样，最终获得对状态估计的准确性更高的结果。
在PF算法中，粒子的数量决定了滤波算法的精度，粒子越多，估计结果越准确，但也会增加计算复杂度。
因此，在实际应用中需要根据实际情况灵活选择粒子数量。
作为一种高效的滤波算法，PF算法在众多领域都有广泛的应用。
例如，粒子滤波算法在目标跟踪、传感器网络定位、机器人定位与导航等领域都有着重要的作用。
其在目标跟踪领域的应用尤为突出，由于PF算法可以处理非线性和非高斯分布的情况，使得目标跟踪更加准确和稳定。
在Matlab中，PF算法也得到了广泛的应用和实现。
Matlab提供了丰富的函数和工具箱，可以便捷地实现PF算法。
借助Matlab的强大数据处理和可视化功能，我们可以更加便捷地进行粒子滤波算法的实现和结果分析。
本文将从PF算法的基本概念出发，介绍其应用举例和在Matlab中的具体实现。
通过对PF算法的研究和实践，我们可以更好地理解和应用这一强大的滤波算法，为实际问题的解决提供有效的手段。
通过对Matlab 的使用，我们还可以更加高效地实现和验证粒子滤波算法的性能，为进一步的研究和应用奠定基础。
在接下来的章节中，我们将详细介绍PF算法的原理及其在现实应用中的具体案例。
随后，我们将展示如何使用Matlab实现PF算法，并通过实验结果对其性能进行评估和分析。
最后，我们将总结PF算法和Matlab 实现的主要特点，并对未来的发展进行展望。
文章结构的设定在撰写一篇长文时非常重要，它能够为读者提供一个整体的概览，帮助他们更好地理解文章的内容安排。
- 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)。
２ １ 年第 １ ０２ 期
舰 船 电 子 工 程
Ｓ ｉ ｅ ｔ ｏ ｉ Ｅｎ ｉ ｅ ｒ ｇ ｈ ｐ Ｅｌ ｃｒ ｎ ｃ ｇｎ ｅｉ ｎ
Ｖｏ ． ２ Ｎｏ １ １３ ．
３ １
基 于 采样 的 非线 性 滤 波算 法 比较
赵 侃 漆 德 宁
合肥 ２０ ３ ） ３０１ （ 解放军 陆军军官学院 摘 要
ｙｅｄ ｈｇ ｅ ｓｉ ｔ ｎ ａ ｃ ｒｃ ． Ｔｈ ｈｒｅｍｅ ｈ ｄ ｒ ｎ ｃ ｎ ｅ ｌ ａ ｉｔｒ ＵＫＦ）ａ ｄｐ ｒｉｌ ｌｅ （ ｉｌ ｉｈ ｒｅ ｔｍａｉ ｃ ｕａ ｙ ｏ ｅｔ ｅ ｔ ｏ ｓａ ｅｕ ｓ ｅ ｔｄ Ｋａｍ ｎ ｆ ｅ （ ｌ ｎ ａ ｔｃｅｆ ｔｒ ＰＦ）ａ ｄＵＰＦ ｔ ｅａｇ ｒｔ ｍｓａｅ ｉ ｎ ｈ ｌｏ ｉｈ ｒ
ａｓａ ｅｅ ｔ ａｉｎ ｍｅｈ ｄ ｔ ｍ ｐ ｏ ｅ ｔ ｓｉ ｔｏ ｃ ｕ ａ ｙ Ｈｏ ｖ ｒ ｈ ｒ ｓｅ ｔ ｔｏ ｒｏ ｎ ｌ ｅ ｒｚｎｇｓ ｓｅ ｄｕ ｏ ｔ ｅｄ ｆｃｓｏ ｔｔ ｓｉ ｔ ｔｏ ｏｉ ｒ ｖ ｈｅｅｔｍａ ｉｎａ ｃ ｒｃ ． ｍ ｏ ｗｅ ｅ ，ｔ ｅ ｅｉ ｓｉ ｍａ ｉｎ ｅｒ ｒｉ ｉ ａｉｉ ｙ ｔｍ ｅｔ ｈ ｅｅｔ ｆ ｎ ＥＫＦ ｎｎ ｎｌ ｅ ｒｅ ｔ ｔｏ ｉ ｏ ｉ ａ ｓｉ ｎ ｍａ ｉｎ，ｗｈｃ ｆｅｔ ｈ ｃｕｒｃ ｆｔ ｒ ｔｔａｋｉｇ Ｔｈ ｅ ｅ ｎ ｎｉ ａ ｉ ｅ ｌｏ ｉｈ ｓａ ｅｐ ｅ ｅ ｔ ｄ ｉ ｄｅ ｏ ｉｈ ａｆｃｓｔ ｅａ ｃ ａ ｙｏ ａｇｅ ｒｃ ｎ ． ｒｅ ｎ ｗ ｏ ｌ ｎｅ ｒｆｌ ｒａｇ ｒｔ ｍ ｒ ｒ ｓｎ ｅ ｎｏｒ ｒｔ ｔ
际应用［ ， １ 为此 人们 提出了大量次优 的近似方法 ＿ ， ３ ２ 主要包 ］ 括 ： 非线性 函数进 行近 似 ， 用高 阶项忽 略或 逼近措施 ； 对 采 用随机采样方法近似非线 性分 布 的概率密 度 ； 用确定 性采 样方法近似非线性分 布 ； 非线性 估计领 域 中使用递 推 的 在 扩展卡尔曼滤波 （ Ｋ 方 法 通过 对 非线 性 函数 的 Ｔ ｙｏ Ｅ Ｆ） ａ ｌｒ 展开式进行线性化截断 ， 而将非线 性 问题转 化为线 性问 从 题 。但 Ｅ ＫＦ只适用 于滤 波误 差 和预 测误 差 很小 的情况 。 否则 ， 滤波初期估计协方差下 降太快会导致 滤波不稳定 ， 甚
１ 引言
由于非线性 问题 的复杂性 ， 非线 性估 计难度 较大 。进
行非线性估计 的的最优方案需要得到其条件后验 概率 的完
整 描 述 ， 而 这 种 精 确 的描 述 需 要 太 大 的 计 算 量 而 无 法 实 然
２ ＵＫＦ算 法
Ｊｌ ｒ ｕｉ 提出了 ｕ ｓｅ ｔ ｅ ｎｃｎｅ ｄ卡尔曼 滤波 （ ＫＦ 算法 ＿ 。 Ｕ ） ４ ］ 其核心思想是 ＵＴ变换 ， 状态 的概率 密度分 布可通 过能完 全表述密度 函数的均值 和方差 的有 限个 样本 点来描 述 ， 通
在处理 目 标跟踪等动态系统实时估计问题 中， 通常பைடு நூலகம்用 Ｅ Ｆ作为状态估计方法提高估计精度 。由于 Ｅ Ｆ Ｋ Ｋ 进行非线性估计存
在一些缺陷 ， 将系统进行线性化 近似存在估计误差 ， 而影 响 目标跟踪 的精度 。为了获得更 高的估计精度 ， 绍了几种非线性滤波算法 ， 从 介 包
括 ｕ ｓｅ ｔ 卡尔曼滤波算法 、 ｎ ｃｎｅ ｄ 简单粒子滤波算法以及无 味粒子滤波算法 （ Ｐ ） Ｕ Ｆ 。分 析了这几种算法 的原理 和实现 ， 对各种算 法的适应性
ａ ａｙ ｅ ｎ ｌｚｄ．Ｔｈ ｐ ｌ ａ ｉ ｓｏ ｈ ｌ ｒｔｍ ｓｔ ｈ ｔ ｔ ｓｉ ｔｏ ｄ ｌ ｒ ｏ ａ ｅ ． Ｆｎ ｌｙ ｔ ｌｏ ｉｈ ｒ ｏ ｐ ｒ ｄ ｔ ｒ ｕ ｈ ａ ｅａ ｐｉ ｔ ｃ ｏｎ ｆｔ ｅａｇｏ ｉｈ ｏｔ ｅ ｓａｅ ｅｔｍａ ｉｎ ｍｏ ｅｓａｅ ｃ ｍｐ ｒ ｄ ｉａｌ ， ｈｅａｇ ｒｔ ｍｓａ ｅｃ ｍ ａｅ ｈ ｏ ｇ ｔａ ｋｎ ｄ ｌｓｍｕａ ｉ ．Ｅｘｐ ｒｍｅ ｔｒｓ ｔ ｈ ｗ ｈ ｔｔ ｅｐ ｏ ｏ ｅ ｌ ｒｔｍ ｓｏ ｔ ｅｆ ｒ ｒ ｃ ｉｇ ｍｏ ｅ ｉ ｌｔ ｏｎ ｅｉ ｎ ｅｕｌｓｓ ｏ ｔａ ｈ ｒ ｐ ｓ ｄ ａｇｏｉｈ ｕ ｐ ｒｏ ｍｓＥＫＦ ｔｃ ｖ ｒ ｅ ｅ ｓ ｅｄ，ｃｎｓｓｅ ｙ ａ ａ ｏｎ ｅｇ ｎｃ ｐ ｅ ｏ ｉｔｎｃ ｎｄ ｔａ ｋｎ ｒ ｃｓｏ ． ｒ ｃ ｉｇ ｐ ｅ ｉｉｎ Ｋｅ Ｗ ｏｒ ｕ ｃ ｎ ｅ ｌ ａ ｉ ｅ ，ｐ ｒｉｌ ｉ ｅ ，ｕ ｓ ｅ ｔｄ ｐ ｒｉｌ ｉ ｅ ，ｎ ｎ ｉ ａ ，ｔｒ ｅ ｒｃ ｉｇ ｙ ｄｓ ｎｓｅ ｔｄ Ｋａｍ ｎ ｆｌ ｒ ａ ｔ ｅｆｌ ｒ ｎ ｃ ｎ ｅ ａ ｔｃｅｆｌ ｒ ｏ ｌ ｔ ｃ ｔ ｔ ｎｅ ｒ ａ ｇ ｔｔａ ｋｎ Ｃｌｓ ｍ ｂ ＴＮ９ ａ ｓＮｕ ｅｒ ６
进行 了比较 。通过 目标跟踪仿真实验 ， 表明 ＵＫＦ、Ｆ较 Ｅ Ｐ ＫＦ估计精度和收敛速度有所提高 。
关键词
无味卡尔曼滤波； 简单粒子滤波 ； 无味粒子滤波 ； 非线性 ；目 标跟踪
Ｔ ６ Ｎ９
中图 分 类 号
Ｃｏ ａ ｉｏ ｆＮｏ ｌ ｅ ｒＦｉ ｅ ｉ ｇ Ａｌ ｏ ｉｈ ｓ ｄ ｏ ａ ｍｐ ｒｓ ｎ ｏ ｎ ｉ ａ ｌ ｒｎ ｇ ｒｔ ｍｓ Ｂａ ｅ ｎ Ｓ ｍｐ ｉ ｇ ｎ ｔ ｌ ｎ
ＺＨＡＯ Ｋａ ＱＩＤｅ ｉｇ ｎ ｎｎ
（ ｍｙ Ｏｆｉｅ ａ ｅ ｙ Ａｒ ｆｃｒＡｃ ｄ ｍ ，Ｈ ｅｅ ２ ０ ３１ ｆｉ ３ ０ ）
Ａｂｓ ｒｃ Ｉ ｅ ｌ ｇ ｗｉｈ ｒａ—ｉ ｓｉ ａｉｎｏ ｙ ａ ｃｓ ｓｅ ，ｓ ｃ ｓｔｒ ｅ ｒ ｃ ｉｇ．Ｔｈｅｅ ｔｎ ｅ ｌ ａ ｉ ｅ （ ｔａ ｔ ｎ ｄ ａｉ ｔ ｅ ｌ ｍｅｅ ｔ ｔ ｆｄ ｎ ｍｉ ｙ ｔｍ ｎ ｔ ｍ ｏ ｕ ｈａ ａ ｇ ｔ ａ ｋｎ ｔ ｘ ｅ ｄ ｄＫａｍ ｎｆｌ ｒ ＥＫＦ）ｉ ｓ ｄａ ｔ ｓｕ ｅ ｓ