资源描述：
《非线性贝叶斯滤波算法综述_曲从善.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、第15卷第8期电光与控制Vol.15No.82008年8月ElectronicsOptics&ControlAug.2008文章编号:1671-637Ú(2008)08-0064-08非线性贝叶斯滤波算法综述曲从善,许化龙,谭营(第二炮兵工程学院,西安710025)摘要:滤波的目的是从序贯量测中在线、实时地估计和预测出动态系统的状态和误差的统计量。从递归贝叶斯估计的框架出发,对非线性滤波算法作了统一描述,并根据对后验概率密度的近似方法的不同,把非线性滤波划归为3类:基于函数近似的滤波方法、基于确定性采样的滤波方法和基于随机采样的滤波方法。对这
2、些非线性滤波的原理、方法及特点做了分析和评述,最后介绍了非线性滤波研究的新动态,并对其发展作了展望。关键词:非线性滤波;递归贝叶斯估计;差分滤波;无味卡尔曼滤波;粒子滤波中图分类号:V271.4;TN713文献标识码:AAsurveyofnonlinearBayesianfilteringalgorithmsQVCong-shan,XUHua-long,TANYing(TheSecondArtilleryEngineeringCollege,Xi.an710025,China)Abstract:Themaingoaloffilteringis
3、toobtain,recursivelyintime,optimalestimationandpredictionofthedynamicalsystemsanderrorstatisticsfromthesequentialobservations.VariousnonlinearfilteringalgorithmsarereviewedandinterpretedinaunifiedwayusingtherecursiveBayesianestimation.Accordingtodifferentapprox-imationmetho
4、ds,theseapproximatenonlinearfilterscanbecategorizedintothreetypes:analyticalapproximations,deterministic-samplingbasedapproaches,andstochastic-samplingbasedfilters.Thentheprinciples,methodsandcharacteristicsofabovenonlinearfiltersareanalyzedandreviewedindetail.Finally,somer
5、epresentativenewdevelopmentsofthenonlinearfilteringaredescribed,andfurtherresearchprospectsareintroduced.Keywords:nonlinearfiltering;recursiveBayesianestimation;differentialfilter;unscentedKalmanfilter;particlefilter统状态和误差的统计量,成为科研人员面临的重要0引言挑战。广义上来讲,非线性最优滤波的一般方法可[2-4]在实际应用问
6、题中,非线性随机动态系统是广以由递归贝叶斯方法统一描述。递归贝叶斯估泛遇到的一类系统,诸如火箭的制导和控制系统,飞计的核心思想是基于所获得的量测求得非线性系统机和舰船的惯性导航系统,卫星轨道P姿态的估计,状态向量的概率密度函数,即所谓的系统状态估计[1]组合导航,雷达或者声纳的探测等等都属于这类完整描述的后验概率密度函数。对线性系统而言,[2,5]系统。非线性滤波问题是对非线性随机动态系统的最优滤波的闭合解就是著名的卡尔曼滤波;而对最优状态估计。因为大多数的非线性随机动态系统于非线性系统来说,要得到精确的最优滤波解是困都是非线性和P或非高斯的
7、,因此找到有效的滤波方难甚至不可能的,因为它需要处理无穷维积分运法,从序贯量测中在线、实时地估计和预测出动态系[6-7]算,为此人们提出了大量次优的近似非线性滤[8-17]波,这些近似非线性滤波可以归为3类:1)解收稿日期:2007-05-17修回日期:2007-07-05析近似(函数近似)的方法;2)基于确定性采样的方作者简介:曲从善(1980-),男,河南商水人,博士生,主要研法;3)基于仿真的滤波方法。其中应用最为广泛的究方向为非线性滤波、信息融合、组合导航与制是扩展卡尔曼滤波(EKF),它是函数近似非线性滤导。波的典型代表。EKF通过
8、对非线性模型进行基于第8期曲从善等:非线性贝叶斯滤波算法综述65Taylor级数展开的线性化处理,得到一阶近似项作p(Yk
9、xk)p(xk)p(xk
10、Yk)=(5)
