基于高斯和粒子滤波的联合码和载波相位的伪距估计算法

基于粒子滤波的MIMO-OFDM时变信道半盲估计
景源;殷福亮;曾硕
【期刊名称】《通信学报》
【年(卷),期】2007(28)8
【摘要】提出一种基于粒子滤波的MIMO-OFDM时变信道半盲估计方法.首先,对粒子滤波算法进行改进,通过对采样粒子分布进行局部优化调整,提出一种局部优化粒子滤波算法.然后,将该粒子滤波算法用于MIMO-OFDM时变信道估计.由于该信道估计过程在频域进行,因而无需已知(或估计)多径信道长度.与现有时变信道半盲估计方法相比,本方法具有估计误差低、对非高斯噪声顽健性强等特点,从而有效改善了接收端的符号检测性.计算机仿真结果证明了本方法的有效性.
【总页数】9页(P67-75)
【作者】景源;殷福亮;曾硕
【作者单位】大连理工大学,电子与信息工程学院,辽宁,大连,116023;大连理工大学,电子与信息工程学院,辽宁,大连,116023;大连理工大学,电子与信息工程学院,辽宁,大连,116023
【正文语种】中文
【中图分类】TN911
【相关文献】
1.基于基展开模型的时变信道阶数和径数盲估计 [J], 杨正举;刘洛琨;钱学锋;孙有铭
2.OFDM系统中基于预编码的时变信道半盲估计方法 [J], 郭士伟;曹雪虹;苏岚
3.基于粒子滤波的大气激光OFDM时变信道半盲估计 [J], 何华;柯熙政;王武
4.MIMO-OFDM系统的一种新的半盲估计 [J], 胡峰;李建平;刘瑞奇
5.基于序列重要性重采样算法的MIMO时变信道半盲估计 [J], 石丹凤;张静因版权原因，仅展示原文概要，查看原文内容请购买。

高斯辅助粒子算法高斯辅助粒子算法（Gaussian Process Particle Filter，GPPF）是一种基于高斯过程的粒子滤波算法，其主要应用在非线性系统的状态估计和滤波问题中。

该算法融合了高斯过程的非参数建模和粒子滤波的优点，能够提高滤波的准确性和鲁棒性。

本文将对GPPF 算法的原理、优势以及应用进行详细介绍与分析。

一、GPPF算法的原理1.1 高斯过程高斯过程是一种用来描述随机函数的工具，其能够通过有限数据对一个未知函数进行建模和预测。

在GPPF算法中，高斯过程被用来对系统的状态进行建模，将状态空间映射到一个高维的特征空间中。

高斯过程的非参数性质使得其能够灵活地适应复杂的系统动态，并且能够提供对未知函数的不确定性估计。

1.2 粒子滤波粒子滤波是一种适用于非线性、非高斯系统的状态估计方法，其基本思想是通过一组随机样本（粒子）来近似表示系统的后验概率分布。

通过对粒子的重采样和更新，可以逐步优化对系统状态的估计。

普通的粒子滤波在处理高维状态空间和复杂系统动态时面临着计算复杂度和采样效率的挑战。

1.3 GPPF算法GPPF算法将高斯过程和粒子滤波相结合，通过将高斯过程的非参数建模引入到粒子滤波的采样和更新过程中，能够有效地提高滤波算法的准确性和鲁棒性。

具体来说，GPPF算法首先使用高斯过程对系统状态进行建模，并从该模型中生成粒子的初始化状态。

然后，在每次更新过程中，通过高斯过程的模型进行状态更新和观测值的更新，并对粒子进行重采样，从而逐步优化对系统状态的估计。

2.3 对系统动态的适应性由于高斯过程能够灵活地适应复杂的系统动态和非线性关系，GPPF算法能够在处理各种不确定性和复杂背景下，依然能够提供可靠的状态估计和滤波结果。

这使得GPPF算法在实际应用中更加具有优势。

3.1 无人车辆定位与导航在无人车辆的定位与导航中，由于环境的复杂性和传感器数据的不确定性，传统的滤波算法往往难以满足实际需求。

基于高斯—施密特粒子滤波器的多机器人协同定位
邵金鑫;王玲;魏星
【期刊名称】《计算机工程与科学》
【年(卷),期】2007(29)6
【摘要】多机器人协同定位需对各个机器人的运动模型和观测模型精确建模,需要运用非线性、非高斯系统.已经应用于本领域的各种非线性算法主要有两种:一种是扩展卡尔曼滤波算法(EKF),它对非线性系统进行局部线性化,从而间接利用卡尔曼算法进行滤波与估算;另一种是序列蒙特卡罗算法,即粒子滤波器(PF).本文介绍了一种改进的粒子滤波器,即高斯-施密特粒子滤波器(GHPF),重点比较这三种算法在多机器人协同定位领域的应用效果.
【总页数】4页(P117-120)
【作者】邵金鑫;王玲;魏星
【作者单位】国防科技大学电子科学与工程学院,湖南,长沙,410073;国防科技大学电子科学与工程学院,湖南,长沙,410073;国防科技大学电子科学与工程学院,湖南,长沙,410073
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于分散式EKF的多机器人协同定位 [J], 卓书芳;何用辉;吴燕峰
2.基于EKF和PF的多机器人协同定位技术 [J], 田红兵;樊光南;宋龙
3.基于分散式EKF的多机器人协同定位 [J], 卓书芳;何用辉;吴燕峰;
4.基于SR-CKF的相对方位多机器人协同定位算法 [J], 李朕阳;郎朗;陈孟元
5.基于最大一致容积Kalman滤波器的多机器人协同定位 [J], 于镇滔;王忠庆;刘鹏因版权原因，仅展示原文概要，查看原文内容请购买。

一种融合高斯聚类的粒子滤波方法陈海亮;黎树俊;邓文天;陈珂【摘要】为了解决粒子滤波存在粒子退化、噪声干扰和计算量大等问题,提出了一种融合高斯聚类的粒子滤波方法.将给定粒子划分为许多类,采用使目标函数最小方法,把搜寻到的最佳隶属度和最佳粒子更新对应的位置作为聚类中心,有效地完成数据关联融合.实验证明,与传统粒子滤波算法相比,该方法提高了粒子滤波的运算速度,降低了计算量,具有更高的滤波效率和滤波精度.【期刊名称】《广东石油化工学院学报》【年(卷),期】2017(027)004【总页数】5页(P38-42)【关键词】目标跟踪;粒子滤波算法;高斯聚类【作者】陈海亮;黎树俊;邓文天;陈珂【作者单位】广东石油化工学院计算机科学与技术系,广东茂名 525000;广东石油化工学院计算机科学与技术系,广东茂名 525000;广东石油化工学院计算机科学与技术系,广东茂名 525000;广东石油化工学院计算机科学与技术系,广东茂名525000【正文语种】中文【中图分类】TP391目标识别与跟踪是机器人定位与导航的重要研究内容之一，也是当前运动序列数据研究中尚未完全解决的难题。

作为贝叶斯跟踪方法的代表，基于粒子滤波的跟踪方法已成为研究焦点。

但该方法目前存在一些技术难点:粒子退化、目标姿态的变化以及噪声等，导致跟踪效果较差;目标的快速移动以及多目标跟踪要求粒子滤波采用大量粒子，算法的计算代价很大等。

针对这些问题，近年来已有很多学者将聚类算法应用于粒子滤波及目标跟踪，包括粒子滤波目标跟踪算法［1］，分布模糊聚类粒子滤波(DFCM－RPF)方法［2］，模糊C均值(FCM)聚类粒子滤波算法［3］，空间域减法聚类粒子滤波算法。

虽然聚类能降低粒子数目，从而提高运算效率，但在高维情况下仍然保持较大的粒子滤波运算量，本文把高斯聚类融合在粒子滤波中，提出了基于高斯聚类的粒子滤波方法(GC－PF)，目的是将给定的数据划分为许多类，采用使目标函数最小的方法，将找到的最好的隶属度和最佳数据更新对应的位置作为聚类中心。

基于快速高斯变换的辅助边缘粒子滤波算法
李海君;赵国荣
【期刊名称】《数据采集与处理》
【年(卷),期】2014(29)6
【摘要】针对辅助粒子滤波算法计算量大,滤波效率较低的问题,提出了一种基于快速高斯变换(Fast Gaussian transform,FGT)的辅助边缘粒子滤波算法.该算法假设状态噪声是加性的,并且是高斯的,这样非线性滤波的Chapman-Kolmogorov方程的求解近似于执行了核密度估计(Kerner density estimation,KDE),从而可将KDE 中的快速算法FGT引入,以提高算法的计算效率和实时性.仿真结果表明,该算法利用少数粒子就可以获得与常规粒子滤波相似的误差,大大提高了计算效率.
【总页数】5页(P998-1002)
【作者】李海君;赵国荣
【作者单位】海军航空工程学院控制工程系,烟台,264001;海军航空工程学院控制工程系,烟台,264001
【正文语种】中文
【中图分类】V249.3
【相关文献】
1.基于边缘检测的高斯噪声滤波算法 [J], 吴翰;江巨浪
2.基于边缘检测的高斯噪声滤波算法 [J], 吴翰;江巨浪;
3.基于模糊混合退火分布的多目标高斯混合粒子PHD滤波算法 [J], 冉星浩; 陶建
锋; 贺思三
4.基于KLD采样改进的高斯粒子滤波算法 [J], 周翟和;钟雨露;曾庆喜;田祥瑞
5.基于FPGA的图像边缘保护高斯滤波算法实现 [J], 康宇;赵冬青;上官鹏;储成群因版权原因，仅展示原文概要，查看原文内容请购买。

基于高斯粒子滤波算法的改进及应用作者：孙翌晨李军来源：《无线互联科技》2014年第09期摘要：针对粒子滤波存在的样本贫化现象，提出了一种优化重选样本粒子的粒子滤波算法。

这种方法在引入最新量测后将状态后验概率密度逼近为一个高斯分布，在粒子贫化问题逐渐凸显后，通过该分布重新采集粒子后再进行运算，有效缓解了传统方法在粒子贫化后出现的滤波精度下降的问题。

仿真结果表明，新的粒子滤波算法有更高的滤波精度和运行效率。

关键词：粒子滤波；后验概率；粒子贫化；重新选取近年来，粒子滤波在目标跟踪领域得到了越来越广泛的应用。

常见的非线性滤波方法，如扩展卡尔曼滤波（Extended Kalman Filter，EKF），无迹卡尔曼滤波（Unscented Kalman Filter，UKF）都是针对非线性系统的线性卡尔曼滤波方法的变形与改进，因此使用条件也受到卡尔曼滤波算法的条件限制[1]。

而粒子滤波算法通过蒙特卡罗仿真手段产生大量粒子，随着采样粒子数不断增大，其散布情况将逐渐逼近状态的后验概率密度。

粒子滤波在解决非高斯分布系统问题上具有明显的优势，可以说它是目前非高斯非线性系统状态估计的“最优”滤波器[2]。

但是，随着时间的递推，会出现粒子的退化问题。

通常，有两种方法可以减轻粒子退化问题：一是增加重采样环节；二是选择合适的重要密度函数进行更有效的采样[3-5]。

常规的重采样方法随着迭代次数的增加，会出现粒子贫化问题，为此，人们提出了许多不同的方法来解决这个问题，如高斯粒子滤波算法（Gaussian particle filter），重采样粒子移动算法（Resample-Move Alogrithm）[6]，增加马尔可夫链蒙特卡罗（Markov Chain Monte Carlo）移动步骤[7-9]，对粒子进行正则（Regula—rization）重采样[10]。

笔者将标准粒子滤波算法和高斯粒子滤波相结合，引入一个重新选择粒子的过程，即粒子优化重选粒子滤波（Optimized Repicking Particle Filter）。

高斯混合采样粒子滤波算法贝叶斯方法为动态系统的估计问题提供了一类严谨的解决框架。

它利用已知的信息建立系统的概率密度函数可以得到对系统状态估计的最优解。

对于线性高斯的估计问题，期望的概率密度函数仍是高斯分布，它的分布特性可用均值和方差来描述。

卡尔曼滤波器很好地解决了这类估计问题[1]。

对于非线性系统的估计问题，最经典并得到广泛应用的方法以扩展的卡尔曼滤波为代表，这类方法需要对模型进行线性化，同时要求期望的概率密度函数满足高斯分布，然而在对实际系统建模时，模型往往是非线性非高斯的。

此时，最优估计很难实现。

粒子（particle）滤波器——序列重要性采样粒子滤波器，是一种适用于强非线性、无高斯约束的基于模拟的统计滤波器。

它利用一定数量的粒子来表示随机变量的后验概率分布，从而可以近似得到任意函数的数学期望，并且能应用于任意非线性随机系统。

本文介绍一种估计性能更好的粒子滤波算法——高斯混合采样粒子滤波器(GMSPPF)，相比通常意义上的粒子滤波算法（SIR-PF），GMSPPF粒子滤波器具有更小的系统状态估计的均方误差和均值。

贝叶斯滤波问题贝叶斯滤波用概率统计的方法从已观察到的数据中获得动态状态空间（DSS）模型参数。

在DSS模型中，包含状态和观测两个方程。

其中状态转移方程（State Equation）通常写作（1）这里，是已知，且是白噪声独立的随机序列，而且分布是已知的。

观测方程表达式写为（2）这里：是白噪声序列，独立且分布已知。

并且满足。

图1描述了DSS模型中状态转移和似然函数的关系。

假设初始时刻系统的状态分布已知，k时刻的已知信息序列表示。

图1 动态状态空间模型（DSSM）这样，贝叶斯估计的问题理解为：利用观测到的信息Yk，求解系统状态的概率分布。

若系统状态的变化是隐马尔柯夫过程，即当前系统的状态信息只与上一个时刻的状态有关，可以通过预测和更新的途径求解。

（3）这里：（4）假设xk，wk是相互独立的随机变量，满足。