粒子滤波在复杂系统模型辨识与状态估计中的应用研究

伴随着对复杂系统认识的不断深化，以及估计和控制任务要求的日益提高，使得对复杂系统的估计越来越不能回避多模、多尺度、不确定、高维数、非线性、非高斯及分布式等问题。本项目拟从粒子滤波器的基本原理入手，结合智能优化类算法中"个体进化"和"物种进化"的思想，在提升采样粒子效率的前提下实现重采样后粒子多样性的改善，研究基于智能优化采样的粒子滤波器；拟从量测信息平滑反演的思想实现当前时刻采样粒子的优化，研究提议分布优化的粒子滤波器；拟从信息融合的角度入手，充分挖掘和提取粒子间的冗余和互补信息，研究粒子权重鲁棒评价的粒子滤波器；拟考虑到卡尔曼滤波和粒子滤波两种不同预测更新机理有机结合的可行性，进而实现当前量测信息的充分利用，研究多模式粒子滤波器；以机动多目标跟踪系统为具体应用背景，分析其中多模式、非线性、非高斯、高维数及分布式等具体特征，优化算法设计，探索粒子滤波器的有效实现，并进行算法验证。

伴随着对复杂系统认识的不断深化，估计乃至控制任务要求的日益提高，使得对复杂系统的估计越来越不能回避多尺度、不确定、高维数、非线性、非高斯，以及分布式的概念问题。本项目以粒子滤波理论研究的发展和完善为突破口，以机动多目标跟踪为应用背景和技术牵引，以仿真验证为平台实现理论和实践相结合、相验证、相促进。此外，考虑到多传感器融合方法在提升滤波精度和稳定性方面优点，结合现有研究成果，开展面向多源信息融合系统设计的粒子滤波架构和具体实现方面的研究，拓展粒子滤波的应用领域和范围，并取得一定成绩。.本项目研究所做出的主要贡献有以下几点：.1.模式信息引入后粒子有效性提升框架的设计研究。利用最新量测信息提升采样粒子对后验概率分布的逼近程度，通过优化每个采样粒子实现对状态估计精度的改善。.2.基于智能优化思想的粒子多样性增强策略研究。提出两类基于智能优化采样类的粒子滤波器，解决了粒子滤波中重采样导致粒子多样性减弱造成的滤波精度下降问题。.3.粒子有效性自适应度量的粒子权重鲁棒评价策略研究。利用传感器量测数据间统计距离的构建完成对等效量测优化，进而实现不含扰动影响传感器量测数据的合理选择和融合。.4.量测不确定下多传感器滤波算法研究。针对量测不确定下非线性系统状态估计以及信息融合中出现的一些具体问题，提出自适应的滤波方法，有效改善滤波精度。.5.基于目标跟踪的方位估计与波束形成。依托原有目标跟踪研究基础，与方位估计、波束形成方法相结合提出新的定位算法，仿真表明新算法在定位性能上有所提高。.6.粒子在密集杂波环境下机动多目标跟踪的具体应用研究。针对目标在机动过程中存在的非线性、非高斯等恶劣因素，结合多目标跟踪的应用背景，改进滤波算法，优化粒子滤波器设计。