贝叶斯滤波研究及其应用.docVIP

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 method 1 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。贝叶斯方法是协调先验信息和当前信息的一个统一方法，适用于处理非线性和非高斯系统的状态估计问题，目标跟踪是在捕到的目标初始状态和通过特征提取得到的目标特征基础上，进行一种时空结合的目标状态估计[1]。目前，就跟踪的数学方法而言，有非贝叶斯方法和贝叶斯方法。 2 贝叶斯滤波概述 贝叶斯滤波泛指一类以贝叶斯定理[2]为基础的滤波技术[3]，其根据所获得的观测，对状态后验概率分布、状态先验概率分布、状态估计值以及状态预测值等感兴趣量进行递归计算。目前，关于贝叶斯滤波的研究成果浩如烟海，不胜枚举，下面仅对其中一部分具有代表意义的滤波算法进行简要的介绍。 线性贝叶斯滤波 贝叶斯滤波最初始于线性动态系统下的滤波问题研究，其中闻名遇迩的当属上世 纪60年代以RudolfKalman姓氏冠名的卡尔曼滤波器[4]，但也有资料显示Thiele等在早在1880年就提出了类似的滤波算法[5]。 非线性贝叶斯滤波 与线性动态系统相比，现实中更加普遍存在的是非线性动态系统。随着计算机技术以及统计采样技术的进步，非线性动态系统下的贝叶斯滤波研究取得了迅猛发展，先后经历了数次技术革命。 扩展卡尔曼滤波器，EKF是传统非线性估计的代表[6]，其基本思想是对非线性模型进行一阶泰勒展开，然后对线性化后的系统模型应用卡尔曼滤波公式[7]。EKF的基本思想幽是对状态空间模型中的非线性方程在状态点附近的泰勒级数展级开式进行一阶截断，从而将非线性方程线性化并使用卡尔曼增益来计算状态估计值以及状态协方差。 无迹卡尔曼滤波器 [8] UKF与EKF不同，UKF不需要对非线性函数进行线性化。UKF基本思想是根据上一时刻的状态后验概率分布、当前时刻的过程噪声概率分布以及当前时刻的观测噪声概率分布的均值和方差，获得一组带权重的称之为Sigma点的确定性采样点，这一过程也称之为无迹变换(UT)。UKF将Sigma点代入到非线性系统中，得到关于状态预测和观测的近似概率分布，并通过计算卡尔曼增益来获得状态的高斯型后验概率分布。 高斯和滤波器 EKF和SPKF关注于非线性方程对滤波的影响，与GSF则关注于过程噪声或观测噪声是非高斯噪声以及状态先验概率分布为非高斯分布时对滤波的影响。GSF基本思想是将若干个参数各异的高斯分布加权后得到混合高斯分布来逼近任意形式的状态概率分布、过程噪声分布以及观测噪声分布，并使用一组并行的KF或者EKF子滤波器同时进行滤波。 粒子滤波器 SIR主要由重要性采样与重采样两步骤构成，其通过递归估计由一组带权重的随机粒子所构成的经验分布来逼近状态的