对粒子滤波器的若干改进算法

近年,粒子滤波(Particle Filter,简称PF)备受关注,与传统滤波方法相比,它具有简单易行、适用于非线性及非高斯噪声环境的优点,因此被广泛应用于诸多工业领域,如计算机视觉、航空导航及过程监控等。除计算负担较大外,样本贫化现象是PF的最大缺点,尤其对较长时间内维持不变的量(如受故障影响的模型参数)进行估计时影响尤为突出,更易导致PF算法退化,极端情形会导致算法发散。这对将PF应用于故障诊断影响很大。减轻样本贫化影响的最简单方法是加大样本集,但一般难以做到。本文把扩展卡尔曼滤波(EKF)及正则采样算法引入粒子滤波,从而得到了改进算法。     

动态指数分布模型的一种预测算法

本文讨论了在动态指数分布模型的情形下,利用随机模拟方法对自然参数ω1和θt之间的非线性关系进行了处理,并对模型参数的修正递推以及未来观测值的预测进行了推导.根据随机模拟方法的相关理论,这种方法比数值分析方法有着更好的预测精度.