导读:本文包含了强跟踪粒子滤波论文开题报告文献综述及选题提纲参考文献，主要关键词:粒子滤波算法,特征分解,协方差矩阵,计算量
强跟踪粒子滤波论文文献综述
董飞彪,徐利梅,李学生,李沅箐,王世豪[1]（2018）在《运动目标波达方向跟踪粒子滤波算法》一文中研究指出0引言阵列信号处理技术广泛应用于移动定位、雷达跟踪、声呐系统和无线电通信等领域。高分辨波达角(DOA)估计是阵列信号处理的核心内容之一,通常DOA参数估计算法大都属于静态DOA估计,如经典的MUSIC[1]、ESPRIT等算法。而实际环境中,目标常常是运动的,如仍采用此类算法,则计算量大,不便于实时连续跟踪。目前动态DOA估计跟踪方法中研究较多的主(本文来源于《2018年全国声学大会论文集 C水声工程和水声信号处理》期刊2018-11-10）
余汇,鞠文煜,马双云[2]（2016）在《基于强跟踪粒子滤波方法的锂离子电池寿命预测》一文中研究指出锂离子电池寿命预测是电池预测与健康管理领域研究的重要方向,精确的电池寿命预测可以增强电池的可靠性,使用电设备的使用得到合理规划。在本文中,我们使用了强跟踪粒子滤波方法来逼近锂离子电池剩余寿命预测过程的非线性和非高斯过程,预测电池的剩余寿命,在局部实现了对电池寿命退化曲线跟踪效果的提升。(本文来源于《电子世界》期刊2016年16期）
杨丽华,葛磊,李保林,黄海波[3]（2015）在《强跟踪UKF粒子滤波算法》一文中研究指出为解决传统的粒子滤波(particle filter,PF)及其改进算法对系统模型误差和状态突变的鲁棒性不强的问题,有学者提出具有较强鲁棒性的强跟踪扩展粒子滤波(strong tracking extended particle filter,STEPF),但其估计精度不高,需要计算雅可比矩阵,实现较为复杂困难。针对这一情况,提出基于强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter,STUKF)的强跟踪无迹粒子滤波(strong tracking unscented particle filter,STUPF)算法。在粒子先验分布更新阶段融入观测数据,以STUKF作为重要性密度函数,兼具UPF估计精度高和STUKF的鲁棒性且易于实现的优点,有效克服STEPF存在的缺点。数值仿真验证了所提算法的有效性。(本文来源于《计算机工程与设计》期刊2015年09期）
范彬,胡雷,胡茑庆[4]（2015）在《退化速率跟踪粒子滤波在剩余使用寿命预测中的应用》一文中研究指出毋庸置疑,剩余使用寿命预测对于设备的健康管理越来越重要。近年来粒子滤波方法被越来越多地应用到设备寿命预测技术当中,这是因为粒子滤波方法能更好地解决非线性非高斯系统滤波问题,而且能够获得不确定度信息。但该方法的预测性能却过度依赖于预测模型,并且对于模型参数的初始分布也比较敏感,这在一定程度上限制了粒子滤波预测方法的进一步发展。针对基本粒子滤波预测方法的不足,提出了一种基于退化速率跟踪粒子滤波的通用预测框架,以历史观测数据的退化速率统计规律作为指导来跟踪目标数据的退化速率,实现对粒子滤波预测方法的简化,并将该方法用于轴承和锂离子电池的剩余使用寿命预测,验证了方法的有效性。(本文来源于《国防科技大学学报》期刊2015年03期）
姚文龙,张均东,刘媛[5]（2014）在《基于强跟踪-扩展卡尔曼粒子滤波的巡航段自主导航方法》一文中研究指出通过对探测器巡航段状态方程和观测方程非线性问题的研究,提出一种强跟踪扩展卡尔曼粒子滤波(ST-EPF)算法,并将其应用于巡航段自主光学导航的方案中,由此来实时确定探测器的轨道。所提出的改进粒子滤波算法是将强跟踪扩展卡尔曼滤波引入粒子滤波来更新粒子,产生重要性密度,缓解粒子退化和样本贫化问题,以提高导航系统对状态突变的跟踪能力。通过仿真表明,改进粒子滤波算法在探测器轨道参数精度和方差预报的有效性方面有了较大地提高,能够适应快速变化的飞行环境,而且滤波精度明显的优于EPF滤波算法。(本文来源于《青岛科技大学学报(自然科学版)》期刊2014年05期）
宋德枢,梁国龙,王燕[6]（2014）在《机动目标DOA跟踪粒子滤波算法》一文中研究指出针对标准粒子滤波算法在机动目标波达方向(direction of arrival,DOA)随时间快速变化导致跟踪精度下降、实时性变差及多目标跟踪误差大等不足的问题,本文提出了一种改进粒子滤波(particle filter,PF)算法。该算法依据阵列信号处理模型和匀速(constant velocity,CV)模型,建立了机动目标跟踪的状态方程和观测方程作为状态空间模型,并在此基础上,借鉴多重信号分类(multiple signal classification,MUSIC)算法谱函数修改了粒子滤波的似然函数,实现了对目标方位的实时动态跟踪。仿真结果表明,与传统子空间类跟踪算法和标准粒子滤波算法相比,本文方法跟踪精度更高,收敛速度更快,抗噪能力及鲁棒性更强,对轨迹交叉的多目标跟踪性能也更优。(本文来源于《信号处理》期刊2014年07期）
张琪,乔玉坤,孔祥玉,司小胜[7]（2014）在《随机摄动强跟踪粒子滤波算法》一文中研究指出如何解决粒子的退化问题和提高算法对突变状态的跟踪能力,是粒子滤波算法研究和应用中需要考虑的两个主要因素.传统的再采样算法虽然可以解决退化问题,但是容易导致粒子耗尽;扩展粒子滤波算法虽然可在一定程度上解决粒子耗尽问题,但其对突变状态的跟踪能力却不近人意;强跟踪粒子滤波算法可以提高对突变状态的跟踪能力,但却未能较好地改善粒子退化问题.针对上述问题,本文将随机摄动再采样方法引入强跟踪粒子滤波算法,提出了一种随机摄动强跟踪粒子滤波算法.当粒子退化问题严重时,对权值最大的粒子迭加随机摄动,用摄动粒子替换退化粒子以解决粒子退化问题,同时由于摄动粒子的加入增加了粒子集的多样性,可在一定程度上缓解粒子耗尽问题,提高算法对突变状态的跟踪能力.利用标准验证模型和分时恒定系统对所提出的算法进行了仿真验证,仿真结果证明了该算法的可行性和有效性.(本文来源于《物理学报》期刊2014年11期）
宋德枢[8]（2014）在《机动目标DOA跟踪粒子滤波算法研究》一文中研究指出机动目标跟踪是一种对不可准确描述的运动目标状态的连续估计问题,在许多领域有着广泛的应用,其波达方向(Direction of Arrival, DOA)往往也随着时间变化,无法准确描述。所以,DOA跟踪技术的研究有着非常重要的理论和实际意义。本文首先依据阵列信号处理模型和匀速模型(Constant Velocity,CV)建立了机动目标的DOA跟踪模型,即状态空间模型。分别研究了扩展卡尔曼滤波跟踪算法和两类子空间跟踪算法,在状态空间模型下,得到几种典型的DOA跟踪算法,通过仿真分析验证了跟踪的有效性,并对比了跟踪性能。论文接着详细介绍了一种新兴的非线性滤波方法——粒子滤波算法(Particle Filter,PF),并将其应用到DOA跟踪领域。针对标准粒子滤波算法在机动目标DOA随时间快速变化导致跟踪精度下降、实时性变差及多目标跟踪误差大等不足的问题,提出了几种改进的粒子滤波DOA跟踪算法。仿真分析了不同信噪比、不同粒子数下跟踪性能的差异及收敛特性。结果表明,与传统子空间类跟踪算法和标准粒子滤波方法相比,本文方法跟踪精度更高,收敛速度更快,抗噪能力及鲁棒性更强,对轨迹交叉的多目标跟踪问题性能明显改善。最后依据矢量传感器可以同时采集声场中共点的声压和振速信息的特点,结合粒子滤波算法,给出了一种基于单矢量传感器的粒子滤波DOA跟踪算法。在动态的跟踪模型下,推导和计算了后验克拉美罗界(PosteriorCramer-Rao Bound,PCRB),得出了影响下限的两个因子.:信噪比和快拍数,并以此仿真了 PCRB和CRB曲线。用基于单矢量传感器的DOA跟踪算法和Capon空间谱估计算法跟踪DOA得到的PCRB和CRB曲线与仿真的PCRB和CRB曲线作对比,其变化规律基本吻合,验证了 PCRB推导和计算的正确性,得到了动态跟踪模型下比CRB更低的PCRB。(本文来源于《哈尔滨工程大学》期刊2014-03-05）
王浩[9]（2013）在《水下机动目标跟踪粒子滤波算法研究》一文中研究指出水下目标跟踪是对不可准确描述的水下运动目标的状态的估计问题，在许多领域中有广泛应用。水下目标跟踪包括了对水下目标的分辨、目标运动状态的精确估计以及对目标运动跟踪等原理与方法，其内容包含信号处理、水声工程以及现代控制理论系统等领域。研究水下目标跟踪的技术，对于水下探测、海洋开发及海上安全作业等领域有着广泛的应用价值。本文首先介绍了机动目标模型的建立，分别研究了Singer模型、“当前”统计模型与自适应高斯模型，概述了其原理与适用情况，通过仿真分析了这几种模型的性能差异。接着介绍了水下目标跟踪中的非线性滤波算法，包括扩展卡尔曼滤波、Unscented卡尔曼滤波与粒子滤波。其中粒子滤波是一种新兴的非线性滤波方法，在处理非高斯非线性的系统有很大的优势，这也是本文着重研究的内容。通过仿真分析，比较了粒子滤波与其他两种非线性滤波的性能差异，并讨论了粒子滤波的不足之处。最后针对粒子滤波的不足之处，讨论了叁种改进的算法：辅助变量粒子滤波、正则化粒子滤波与扩展卡尔曼粒子滤波。研究了叁种算法的原理和解决的问题，并对它们进行了进一步改进与完善。通过仿真分析，与粒子滤波进行对比，说明这叁种算法的优势。最后基于自适应高斯模型，用以上叁种算法对目标跟踪的效果进行了仿真实现。(本文来源于《哈尔滨工程大学》期刊2013-03-04）
陆新东[10]（2012）在《面向多传感器量测的机动目标跟踪粒子滤波方法研究》一文中研究指出目标跟踪是利用先验信息估计出目标的后验信息，其在自动控制、导航、跟踪、制导、人工智能、信息融合和故障检测等领域已经得到广泛应用。对于线性模型和高斯噪声下的目标状态估计，传统的方法能够给出较好的结果。然而，对于需要引入非线性、非高斯、多模型、多尺度和高维数的状态估计，其估计性能受限。粒子滤波是解决此类问题的有效途径。针对多传感器量测的机动目标跟踪问题，本文基于粒子滤波技术提出了一些新的算法并获得了较好的结果，主要贡献如下：1．针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题，提出一种基于交互式多模型多传感器顺序粒子滤波算法(IMMSPF)。首先采用交互式多模型机制实现目标运动模式的确认；其次在合理利用单传感器和多传感器量测中冗余和互补信息的基础上，引入顺序重抽样方法改善粒子分布，并将改善后的粒子应用于交互式多模型粒子滤波算法中。仿真实验结果表明，新算法能够估计出强机动、非线性目标状态，且精度明显优于标准交互式多模型粒子滤波算法。2．针对基于多传感器交互式多模型粒子滤波跟踪机动目标实时性差的问题，提出多速率交互式多模型粒子滤波算法(MRIMMPF)。在多传感器提供量测信息的基础上，以交互式多模型粒子滤波为框架，采用多速率合理利用多传感器量测信息，降低了系统的计算复杂度。研究表明MRIMMPF算法有效利用多传感器量测信息，同时保证了跟踪系统的实时性。3．针对再入目标跟踪中弹道系数未知，跟踪精度有限的问题，将交互式多模型粒子滤波(IMMPF)应用于具有强非线性、多模型以及高维数的再入目标跟踪中。在未知弹道先验信息的情况下，建立相应的弹道系数模型集合，采用交互式多模型处理其不确定性。研究结果表明，在跟踪未知弹道系数的再入目标时，该算法对弹道系数估计的收敛速度和精度均优于交互式多模型不敏卡尔曼滤波算法。(本文来源于《河南大学》期刊2012-05-01）
强跟踪粒子滤波论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
锂离子电池寿命预测是电池预测与健康管理领域研究的重要方向,精确的电池寿命预测可以增强电池的可靠性,使用电设备的使用得到合理规划。在本文中,我们使用了强跟踪粒子滤波方法来逼近锂离子电池剩余寿命预测过程的非线性和非高斯过程,预测电池的剩余寿命,在局部实现了对电池寿命退化曲线跟踪效果的提升。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
强跟踪粒子滤波论文参考文献
[1].董飞彪,徐利梅,李学生,李沅箐,王世豪.运动目标波达方向跟踪粒子滤波算法[C].2018年全国声学大会论文集C水声工程和水声信号处理.2018
[2].余汇,鞠文煜,马双云.基于强跟踪粒子滤波方法的锂离子电池寿命预测[J].电子世界.2016
[3].杨丽华,葛磊,李保林,黄海波.强跟踪UKF粒子滤波算法[J].计算机工程与设计.2015
[4].范彬,胡雷,胡茑庆.退化速率跟踪粒子滤波在剩余使用寿命预测中的应用[J].国防科技大学学报.2015
[5].姚文龙,张均东,刘媛.基于强跟踪-扩展卡尔曼粒子滤波的巡航段自主导航方法[J].青岛科技大学学报(自然科学版).2014
[6].宋德枢,梁国龙,王燕.机动目标DOA跟踪粒子滤波算法[J].信号处理.2014
[7].张琪,乔玉坤,孔祥玉,司小胜.随机摄动强跟踪粒子滤波算法[J].物理学报.2014
[8].宋德枢.机动目标DOA跟踪粒子滤波算法研究[D].哈尔滨工程大学.2014
[9].王浩.水下机动目标跟踪粒子滤波算法研究[D].哈尔滨工程大学.2013
[10].陆新东.面向多传感器量测的机动目标跟踪粒子滤波方法研究[D].河南大学.2012