迭代测量更新CDKF的粒子滤波方法

doi:10.3778/j.issn.1002-8331.2010.15.002

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (15): 7-9.DOI: 10.3778/j.issn.1002-8331.2010.15.002

迭代测量更新CDKF的粒子滤波方法

李国辉^1，2，李亚安¹，杨宏^1，2

1.西北工业大学航海学院，西安 710072
2.西安邮电学院电子工程学院，西安 710061

收稿日期:2010-02-03 修回日期:2010-03-15 出版日期:2010-05-21 发布日期:2010-05-21
通讯作者: 李国辉

Iterated central difference Kalman particle filter

LI Guo-hui^1，2，LI Ya-an¹，YANG Hong^1，2

1.College of Marine，Northwestern Polytechnical University，Xi’an 710072，China
2.School of Electronic and Engineering，Xi’an University of Post and Telecommunications，Xi’an 710061，China

Received:2010-02-03 Revised:2010-03-15 Online:2010-05-21 Published:2010-05-21
Contact: LI Guo-hui

摘要/Abstract

摘要： 为了提高中心差分卡尔曼粒子滤波（CDKFPF）算法跟踪时的估计精度，提出了一种基于迭代测量更新CDKF的粒子滤波（ICDKFPF）新算法。该算法利用迭代中心差分卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数，并用Levenberg-Marquardt方法对状态协方差进行修正，使粒子的观测信息得到充分有效的利用，更加符合真实状态的后验概率分布。仿真结果表明，所提出算法的估计性能要明显优于标准的粒子滤波（PF）和中心差分卡尔曼粒子滤波（CDKFPF）。

关键词: 粒子滤波, 迭代, 中心差分卡尔曼粒子滤波, Levenberg-Marquardt方法

Abstract: In order to improve tracking estimation accuracy of existing central difference Kalman particle filter（CDKFPF），a new particle filter algorithm based on iterative measurement update CDKF is proposed.The algorithm produces the important density function of particle filter using maximum posteriori estimate of iterative central difference Kalman filter，and amends the state covariance using Levenberg-Marquardt method，so that the particle’s observed information is effectively used，and this is more in line with the true state of the posterior probability distribution.The simulation results show that estimation performance of the proposed algorithm is much better than the standard particle filter（PF）and central difference particle filter（CDKFPF）.

Key words: particle filter, iteration, central difference kalman particle filter（CDKF）, Levenberg-Marquardt method

中图分类号:

TP391

李国辉^1，2，李亚安¹，杨宏^1，2. 迭代测量更新CDKF的粒子滤波方法[J]. 计算机工程与应用, 2010, 46(15): 7-9.

LI Guo-hui^1，2，LI Ya-an¹，YANG Hong^1，2. Iterated central difference Kalman particle filter[J]. Computer Engineering and Applications, 2010, 46(15): 7-9.

[1]	闫晓燊，高强，朱思萌，奚学程，赵万生. 亮度不均匀低质量图像中压印字符分割方法[J]. 计算机工程与应用, 2021, 57(8): 185-191.
[2]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[3]	惠小健. 任意初态下的工业机器人迭代学习控制[J]. 计算机工程与应用, 2021, 57(3): 261-265.
[4]	熊兴隆，刘佳，李猛，马愈昭. 基于无人机-配送车联合配送的优化算法研究[J]. 计算机工程与应用, 2021, 57(19): 259-266.
[5]	相益萱，姜合，潘品臣，孙聪慧. 二次幂耦合的[K]-means聚类算法研究[J]. 计算机工程与应用, 2021, 57(14): 95-102.
[6]	孙玮婕，杨军. 改进的简单非迭代聚类的遥感影像分割研究[J]. 计算机工程与应用, 2021, 57(13): 185-192.
[7]	韩纪普，段先华，常振. 基于SLIC和区域生长的目标分割算法[J]. 计算机工程与应用, 2021, 57(1): 213-218.
[8]	孙新领，张皓，赵丽. 结合尺度估计MST和粒子滤波的视频目标跟踪[J]. 计算机工程与应用, 2020, 56(8): 117-123.
[9]	王庆闪，张军，刘元盛，张鑫晨. 基于NDT与ICP结合的点云配准算法[J]. 计算机工程与应用, 2020, 56(7): 88-95.
[10]	邹承明，明成龙，李成龙. 融合相关粒子滤波目标跟踪算法[J]. 计算机工程与应用, 2020, 56(7): 184-192.
[11]	陈建促，王越，朱小飞，李章宇，林志航. 融合多特征图的野生动物视频目标检测方法[J]. 计算机工程与应用, 2020, 56(7): 221-227.
[12]	贾雁飞，杜艳丽，赵立权. 快速收敛参考独立分量分析方法[J]. 计算机工程与应用, 2020, 56(7): 255-259.
[13]	封雪梅，张志毅，杨龙. 分形维数的全局点云初始配准算法[J]. 计算机工程与应用, 2020, 56(5): 234-241.
[14]	赵亮，朱征宇. 融入K-核迭代因子的重叠社区发现算法[J]. 计算机工程与应用, 2020, 56(3): 61-67.
[15]	袁良友，周航，韩丹，许国梁. 引入平滑迭代的骨架提取改进算法[J]. 计算机工程与应用, 2020, 56(24): 188-193.

迭代测量更新CDKF的粒子滤波方法

Iterated central difference Kalman particle filter

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics