CN102339270B - 自适应重采样粒子滤波算法 - Google Patents
自适应重采样粒子滤波算法 Download PDFInfo
- Publication number
- CN102339270B CN102339270B CN2011101660842A CN201110166084A CN102339270B CN 102339270 B CN102339270 B CN 102339270B CN 2011101660842 A CN2011101660842 A CN 2011101660842A CN 201110166084 A CN201110166084 A CN 201110166084A CN 102339270 B CN102339270 B CN 102339270B
- Authority
- CN
- China
- Prior art keywords
- particle
- weights
- snr
- resampling
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明的目的在于提供自适应重采样粒子滤波算法,包括以下步骤:写出待估计变量的状态方程和观测方程,从建议分布中采样产生初始粒子和相应权值,估计实际输入信噪比,通过引入用来分辨粒子大小的参数和确定粒子保留或舍弃的参数实现重采样过程,采样后根据新粒子和权值计算状态估计值。本发明既能降低计算量,又能提高估计精度,适用于任何非线性非高斯系统。
Description
技术领域
本发明涉及的是一种信号处理的方法。
背景技术
粒子滤波是基于贝叶斯理论的蒙特卡罗方法。其主要思想是采用一组带有权值的采样粒子来近似后验概率分布,根据采样值和权值大小进行状态估计。粒子滤波对状态变量没有任何限制,使用非常灵活,被广泛应用于各个工程领域。
在实时应用中,粒子滤波一个最大的问题就是计算量大。目前对粒子滤波算法的改进方向主要是提高精度,但同时也增加了计算量。为了减少计算量只能采取减少粒子数的方法,但这种做法是以降低估计精度为代价的,现有改进算法不能满足降低计算量的同时提高估计精度。
发明内容
本发明的目的在于提供能降低计算量、提高估计精度的自适应重采样粒子滤波算法。
本发明的目的是这样实现的:
本发明自适应重采样粒子滤波算法,其特征是:
(1)写出待估计变量的状态方程和观测方程,从建议分布中采样产生初始粒子和相应权值:
采用一阶AR模型模拟瑞利衰落信道,状态方程为Hk=aHk-1+Vk-1,观测方程为Yk=XkHk+Wk,其中Hk为k时刻信道状态值,a=J0(2πfdTs),J0()为第一类零阶Bessel函数,fdTs为归一化多普勒频移,Vk-1为状态噪声、满足复高斯分布,Yk为观测值,Xk为已知发送符号信息,Wk为高斯观测噪声;
粒子总数为N,k-1时刻N个粒子为 i=1,2,…,N,每个粒子对应的权值为 i=1,2,…,N,令 满足均值为0方差为1的高斯分布、权值均等, 满足 i=1,2,…,N,从建议分布 采样得到k时刻的N个初始粒子,即将 代入状态方程,得到 i=1,2,…,N,根据观测方程,k时刻权值为
(2)估计实际输入信噪比,通过引入用来分辨粒子大小的参数TH1和确定粒子保留或舍弃的参数TH2实现重采样过程:
TH1和TH2取值范围为:TH1∈(0,1)TH2∈(0,1),
参数TH1和TH2实现重采样过程的具体步骤为:
②估计信噪比SNR,根据下式计算TH2取值:
③将比值Ri归一化:
④若Ri>TH2,该粒子保留;若Ri≤TH2,该粒子舍弃;
(3)采样后根据新粒子和权值计算状态估计值。
根据步骤(2)中经过重采样得到的新粒子和权值,计算k时刻信道状态估值Hk:
本发明的优势在于:本发明既能降低计算量,又能提高估计精度,适用于任何非线性非高斯系统。
附图说明
图1为本发明的流程图;
图2(a)信道实际值,图2(b)自适应重采样粒子滤波信道估计值;
图3为本发明与一般粒子滤波估计精度比较。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1~3,采用自适应重采样粒子滤波算法估计瑞利衰落信道。
写出待估计变量的状态方程和观测方程。从建议分布中采样产生初始粒子和相应权值。
采用一阶AR模型模拟瑞利衰落信道,状态方程为:
Hk=aHk-1+Vk-1 (1)
观测方程为:
Yk=XkHk+Wk (2)
其中:Hk为k时刻信道状态值;a=J0(2πfdTs),J0()为第一类零阶Bessel函数,fdTs为归一化多普勒频移,本例中取fdTs=0.06模拟慢衰落信道;Vk-1为状态噪声,满足复高斯分布;Yk为观测值;Xk为已知发送符号信息;Wk为高斯观测噪声。
粒子总数为N,本例中取N=50。已知k-1时刻N个粒子为: i=1,2,…,N,每个粒子对应的权值为: i=1,2,…,N,本例中令 满足均值为0方差为1的高斯分布,权值均等,满足 i=1,2,…,N。
信道状态的实际值(取100个采样点)如图2(a)所示。
估计实际输入信噪比,引入两个参数TH1和TH2,TH1用来分辨粒子大小,TH2确定粒子保留或舍弃,实现重采样过程。
两参数取值范围为:TH1∈(0,1)TH2∈(0,1)
下面给出根据参数TH1和TH2实现重采样过程的具体步骤:
②估计信噪比SNR,根据下式计算TH2取值:
如果输入信噪比发生变化,TH2取值可以根据(4)式自适应调节。
③将比值Ri归一化:
④若Ri>TH2,该粒子保留;若Ri≤TH2,该粒子舍弃。
采样后根据新粒子和权值计算状态估计值。
根据步骤2中经过重采样得到的新粒子和权值,计算k时刻信道状态估值Hk:
采用自适应重采样粒子滤波信道估计结果如图2(b)所示。
图3为本发明自适应重采样粒子滤波(ARPF)与一般粒子滤波(PF)在不同信噪比条件下进行信道估计的均方根误差(MSE)比较,结果表明自适应重采样粒子滤波提高了估计精度。
本发明所述的从建议分布中采样产生粒子和权值,其主要内容为:粒子滤波状态估计的原理是采用一定数量的粒子和权值来近似待估计值的概率密度分布。因此在滤波之前要从先验概率密度函数中采样产生初始粒子,先验概率密度函数即为建议分布。
本发明所述自适应重采样算法中引入两个参数实现重采样过程,为改进算法的核心,其主要内容为:一般粒子滤波重采样算法中首先计算粒子权值的累计密度函数,将累计密度函数与门限值比较来判定权值大小。自适应重采样算法中将粒子权值与TH1和粒子数量相比,根据比值来判定粒子权值的大小。避免了累计密度函数的计算,降低了计算量。TH2为确定粒子保留或舍弃的门限值,根据TH1确定的比值与TH2进行比较,大于TH2的粒子保留,小于TH2的粒 子舍弃。
本发明所述根据信噪比确定参数取值,其主要内容为:在不同信噪比条件下参数的不同取值对估计误差影响不同,根据信噪比来确定参数取值可以使自适应重采样算法的估计精度达到最优。
Claims (1)
1.自适应重采样粒子滤波算法,其特征是:
(1)写出待估计变量的状态方程和观测方程,从建议分布中采样产生初始粒子和相应权值:
采用一阶AR模型模拟瑞利衰落信道,状态方程为Hk=aHk-1+Vk-1,观测方程为Yk=XkHk+Wk,其中Hk为k时刻信道状态值,a=J0(2πfdTs),J0(□)为第一类零阶Bessel函数,fdTS为归一化多普勒频移,Vk-1为状态噪声、满足复高斯分布,Yk为观测值,Xk为已知发送符号信息,Wk为高斯观测噪声;
粒子总数为N,k-1时刻N个粒子为i=1,2,…,N,每个粒子对应的权值为i=1,2,…,N,令满足均值为0方差为1的高斯分布、权值均等,满足i=1,2,…,N,从建议分布采样得到k时刻的N个初始粒子,即将代入状态方程,得到i=1,2,…,N,根据观测方程,k时刻权值为
(2)估计实际输入信噪比,通过引入用来分辨粒子大小的参数TH1和确定粒子保留或舍弃的参数TH2实现重采样过程:
TH1和TH2取值范围为:TH1∈(0,1)TH2∈(0,1),
参数TH1和TH2实现重采样过程的具体步骤为:
②估计信噪比SNR,根据下式计算TH2取值:
(3)采样后根据新粒子和权值计算状态估计值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101660842A CN102339270B (zh) | 2011-06-20 | 2011-06-20 | 自适应重采样粒子滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101660842A CN102339270B (zh) | 2011-06-20 | 2011-06-20 | 自适应重采样粒子滤波算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102339270A CN102339270A (zh) | 2012-02-01 |
CN102339270B true CN102339270B (zh) | 2013-11-20 |
Family
ID=45515008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101660842A Expired - Fee Related CN102339270B (zh) | 2011-06-20 | 2011-06-20 | 自适应重采样粒子滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102339270B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117537A (zh) * | 2015-08-13 | 2015-12-02 | 电子科技大学 | 一种基于权值比较的粒子滤波系统重采样方法 |
CN105608317B (zh) * | 2015-12-18 | 2018-06-26 | 上海集成电路研发中心有限公司 | 一种基于线性系统的数字滤波装置及方法 |
CN110286361B (zh) * | 2019-07-08 | 2021-04-13 | 电子科技大学 | 基于snr退化模型和粒子滤波的雷达发射机故障预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339610A (zh) * | 2008-08-13 | 2009-01-07 | 哈尔滨工业大学 | 适用于非线性随机系统状态的粒子滤波重采样方法 |
CN101625572A (zh) * | 2009-08-10 | 2010-01-13 | 浙江大学 | 基于改进重采样方法和粒子选取的FastSLAM算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7058550B2 (en) * | 2003-06-25 | 2006-06-06 | Lockheed Martin Corporation | Selectively resampling particle filter |
-
2011
- 2011-06-20 CN CN2011101660842A patent/CN102339270B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339610A (zh) * | 2008-08-13 | 2009-01-07 | 哈尔滨工业大学 | 适用于非线性随机系统状态的粒子滤波重采样方法 |
CN101625572A (zh) * | 2009-08-10 | 2010-01-13 | 浙江大学 | 基于改进重采样方法和粒子选取的FastSLAM算法 |
Non-Patent Citations (1)
Title |
---|
穆晓敏等.一种新的基于粒子滤波的OFDM 时变信道估计方法.《郑州大学学报(工学版)》.2011,第32卷(第2期),第84-87页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102339270A (zh) | 2012-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McLeish | A general method for debiasing a Monte Carlo estimator | |
CN103684350B (zh) | 一种粒子滤波方法 | |
CN102323577B (zh) | 一种基于能量积累的高分辨雷达双门限检测方法 | |
Li | On pairwise quasi-asymptotically independent random variables and their applications | |
Botero et al. | Estimation of high return period flood quantiles using additional non-systematic information with upper bounded statistical models | |
CN103117817B (zh) | 一种时变衰落信道下的频谱检测方法 | |
CN102339270B (zh) | 自适应重采样粒子滤波算法 | |
Zhang et al. | A Bayesian model averaging method for the derivation of reservoir operating rules | |
CN103902819A (zh) | 基于变分滤波的粒子优化概率假设密度多目标跟踪方法 | |
CN105787959B (zh) | 基于改进型自适应粒子滤波的多智能体网络目标跟踪方法 | |
CN102353952A (zh) | 一种频域相干累加的线谱检测方法 | |
CN104168075A (zh) | 一种噪声方差未知情况下的频谱检测方法与装置 | |
CN103500455A (zh) | 一种基于无偏有限冲击响应滤波器(ufir)的改进机动目标跟踪方法 | |
Cheng et al. | A new unscented particle filter | |
CN103616680A (zh) | 基于离散变速率采样的机动弱目标检测前跟踪方法 | |
Jarrow et al. | Information reduction via level crossings in a credit risk model | |
CN104331087A (zh) | 一种鲁棒的水下传感器网络目标跟踪方法 | |
Richards | A fractal forecasting model for financial time series | |
CN102215188B (zh) | 改进人工蜂群粒子滤波信道估计方法 | |
Ruslan et al. | Parameters effect in Sampling Importance Resampling (SIR) particle filter prediction and tracking of flood water level performance | |
CN112014811B (zh) | 一种雷达载波频率的精细估计方法 | |
CN101853241A (zh) | 一种基于拒绝采样的粒子滤波算法的非线性动态系统信号处理方法 | |
Xie et al. | Data assimilation in discrete event simulations-A rollback based sequential monte carlo approach | |
CN105468919A (zh) | 数字信号数据位宽截位方法 | |
CN102075295B (zh) | 基于通讯功率约束的以状态估计为目标的信号编解码方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131120 Termination date: 20190620 |
|
CF01 | Termination of patent right due to non-payment of annual fee |