文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.212195
中文引用格式: 孫文. 基于量化測量的前向-后向箱粒子平滑器[J].電子技術(shù)應(yīng)用,2022,,48(5):114-118.
英文引用格式: Sun Wen. Forward-backward box smoothing with quantized measurements[J]. Application of Electronic Technique,,2022,48(5):114-118.
0 引言
近年來,,對量化測量的關(guān)注越來越多[1-5],,正如文獻(xiàn)[3]中所指出的,量化是由于通信信道的帶寬有限造成的,。由于量化測量提供了目標(biāo)的區(qū)間描述而不是點(diǎn)描述,,傳統(tǒng)的跟蹤方法(如常用的粒子濾波)不能直接用于量化測量。在文獻(xiàn)[6]中,,提出了一種特殊的粒子濾波方法,,稱作箱粒子濾波算法(Box Particle Filter,BPF)來解決上述問題,。其將測量值作為區(qū)間,,而不是傳統(tǒng)的點(diǎn)觀測值,。BPF通過引入?yún)^(qū)間分析方法,為量化測量提供了一種明確的解決方法,。近年來,,其已經(jīng)成功地應(yīng)用于數(shù)量可變多目標(biāo)跟蹤[7-8]和擴(kuò)展目標(biāo)跟蹤[9-10]。
隨機(jī)評估需要解決三個重要的問題:濾波,、平滑和預(yù)測[11],,然而過去幾年,濾波和預(yù)測經(jīng)常被深入探討,,平滑卻經(jīng)常被忽略,。聯(lián)合延遲觀測和平滑對預(yù)測性能的改善會超過濾波[12]。對于線性高斯模型,,平滑方法是基于卡爾曼濾波框架提出的[11],。對于非線性非高斯模型,平滑方法是通過對粒子濾波進(jìn)行擴(kuò)展得到的[13],,或者前向-后向平滑方案[14-16],,或者基于塊的粒子方法[17],或者雙濾波平滑器[18-20],。最近在文獻(xiàn)[21]中提出了一種具有線性復(fù)雜度但不像文獻(xiàn)[13]那樣受粒子損耗影響的SMC平滑器,。
本文提出了一種基于量化測量的前向-后向箱粒子平滑(Forward-Backward Box Particle Smoothing,F(xiàn)B-BPS)算法來解決上述問題,,在前向過程中,,濾波密度通過標(biāo)準(zhǔn)粒子濾波正向傳播給時刻,在反向過程中,,根據(jù)BPF的相關(guān)特征推導(dǎo)出平滑公式[13],。為了進(jìn)一步提高狀態(tài)估計精度,提出了一種新的箱形粒子移動步驟,。量化測量的仿真結(jié)果表明,,即使是1階(1-Lag)滯后平滑也能顯著提高測量精度。
本文詳細(xì)內(nèi)容請下載:http://forexkbc.com/resource/share/2000004289,。
作者信息:
孫 文
(中國西南電子技術(shù)研究所,,四川 成都610036)