贝叶斯滤波若干问题研究模式识别与智能系统专业论文.docxVIP

洲Y 洲Y iiii■■_ ㈣9 ¨jjj¨●■I 删9 川Ⅲ川，， ¨ii■l Ⅲ9 Ph．D．Dissertation Research on Some Problems in Bayesian Filtering By Qu Yanwen Supervised by Prof．砀馏Jingyu Nanj ing University of ScienceTechnology August，2010 声 声 明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在 本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发 表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学 历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均 已在论文中作了明确的说明。 研究生签名： 、绉差公 ≯肜年7月倜 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅 或上网公布本学位论文的部分或全部内容，可以向有关部门或机构送 交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对 于保密论文，按保密的有关规定和程序处理。 研究生签名：碰，查l幺 t 7胗年男月／徊 -1 -1 1 1tl1 博士学位论文 博士学位论文 贝叶斯滤波若干问题研究 摘 要 在过去的几十年里，贝叶斯滤波取得了巨大的发展，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。本文对贝叶斯滤波 中的若干问题进行了研究，主要贡献如下： (1)目前存在许多对粒子滤波器收敛性的研究成果，然而其依然是一个有待进一 步完善的开放性问题。本文采用迂回策略讨论了一般性粒子滤波器(GPF)的几乎必 然收敛性。首先，介绍了一种改进的一般性粒子滤波器(MGPF)，与GPF不同，在 每次执行重要性采样步骤后，MGPF需要判别是否需要重新执行重要性采样步骤。随 后，本文对MGPF的几乎必然收敛性进行了分析，并将对MGPF的收敛性分析应用 到GPF中。当感兴趣函数以扩展状态为自变量时，研究了感兴趣函数的四次方在扩 展状态后验概率分布下可积并且递归次数有限时，由GPF得到的估计几乎必然收敛 于最优估计的充分条件。最后，通过一组仿真实验来说明GPF的几乎必然收敛性。 (2)在辅助粒子滤波器(APF)框架下，提出了一种采用噪声空间上的无迹变换 来设计建议分布的滤波算法，称为噪声空间无迹变换辅助粒子滤波器(NSI肼PF)。 与传统的基于无迹变换的粒子滤波器，例如无迹粒子滤波器(UPF)以及基于无迹变 换的辅助粒子滤波器(I臌PF)不同，NSUTAPF中粒子并不代表状态序列的一个可 能实现，而是代表由初始状态以及过程噪声序列所构成的扩展过程噪声序列的一个可 能实现。与UPF和UTAPF相比，NSUTAPF有3处改进。第一，NSUTAPF无需假 定状态转移概率分布已知，因而应用范围较UPF和UTAPF广泛。第二，NSUTAPF的 计算开销较少。第三，UPF和UTAPF中每个粒子均被假设拥有一个从其父母粒子中 继承下来的状态协方差，然而这种假设是否合理目前尚难定论，NSUTAPF避免了该 假设。在两组仿真实验下将NSUTAPF与采样重要性重采样(Sm)、高斯和粒子滤波 器(GSPF)、UPF以及UTAPF进行比较，NSUTAPF体现了较好的性能。 (3)为了解决连续系统参数未知时的非线性滤波问题，提出了交互式多区域模型 (IMRM)。IMRM将连续的系统参数空间视为由若干个子区域所构成的集合，并将 每个子区域分别分配给一个子模型。为了实时响应系统参数的变化，IMRM借鉴了交 互式多模型(IMM)交互与并行滤波的思想，IMRM使用一组子滤波器并行滤波。 在每一时刻，IMRM利用交互操作计算各子模型的混合初始化环境，之后各子滤波器 在假设系统参数跳变到特定子区域的前提下，对状态和系统参数进行估计。与IMM 不同在于，IMM中每个子模型中系统参数是个固定的值，而IMRM每个子模型中系 统参数则是个待估计的量。因而IMRM能够较IMM更好地处理当真实系统参数不属 I 摘要 摘要 博士学位论文 于IMM模型集合时的情况。当动态系统为非线性时，为了有效地应用IMRM，提出 了一种基于无迹变换的交互式多区域模型(