基于平方根无迹卡尔曼滤波的混沌信号盲分离
混沌信号在无线传感器网络中的盲分离
© 2014 中国物理学会 Chinese Physical Society 050502-1
物 理 学 报 Acta Phys. Sin.
J ∑ j =1
Vol. 63, No. 5 (2014) 050502
yn (k ) =
anj xj (k ) + vn (k ),
paJxJ
0
panxanxanx SSS panxanxSSSan↼J֓↽x↼J֓↽
电平 {y ¯l } , 如此反复迭代, 当前后两组最优量化 电平 {y ¯l } 和 {y ¯l } 结束. 利用方程 (18) 和 (19) 的计算结果, 可以进一步 求得量化噪声的方差为 Mnq ∫ y l+1 ∑ 2 σq = (x − y ¯l )2 pl (x) d x ∑ Pl ∫ yl+1 ≈ (x − y ¯l )2 d x ∆l yl
3 信号的最优量化
节点的观测数据经过量化后发送到融合中心, 融合中心收集观测数据并做信号盲分离处理. 和其 他文章简单使用均匀量化不同, 本文在推导出信号 概率密度函数的情况下, 使用最优量化器对信号进 行量化处理, 在量化比特有限的条件下, 实现信号 的最优量化. 最优量化需要知道观测信号的概率密度函数, 在推导观测信号概率密度函数之前, 先证明两个 引理. 引理 1 假设信号 x 的概率密度函数为 px (x), 则信 = ax + b 的 概 率 密 度 函 数 为 py (y ) = ( 号y ) y−b 1 px , a, b 为常系数, 且 a > 0. a a 证明 由于 a > 0, y 是 x 的单调递增函数, 其 分布函数 FY (y ) = P (Y y ) = P (aX + b y ) ( ) ( ) y−b y−b =P X = FX . a a 将上式两边对 y 求导得 ( ( y−b a dy )
基于粒子滤波的混沌信号盲分离
，
①Ｓｈｏ ｏ ｌ ｔ 礼ｃ ｎ ｉｅ 礼 口 ｄＯ ｔ ｌ ｔ ｎｃＴｃ礼 ｌ ｙ Ｎ Ｕ Ｔ Ｎ ｎ ｎ １０４ Ｃ ｉａ （ｃｏｌｌ ｅ ｒ ｉＥ ９ ｅ ９ ｎ ｐｏ ｅ ｒ ｉ ｅｈ ｏ ｇ Ｊ Ｓ ， ａｊ ｇ ０９， ｈｎ） Ｅ ｃｏ 礼 ｅｃ ｏ ｏ ｉ ２ ② Ｓｈｏ ｏ ｉ ｃｓＮ Ｕ Ｔ Ｎ ｎｉｇ １０４ Ｃ ｉ口 （ｃｏｌｆ ｃ ｎｅ， Ｊ Ｓ ， ａｊ ０９ ｈ礼 ） Ｓｅ ｎ２
基于粒子滤波 的混沌信号盲分离
徐 茂格 宋耀 良 刘力维②
２０９） １０ ４ （ 南京理 大学理 学院 南京 ２ ０ ９ ） １ ０ ４
摘 要 ：该文首先建立 了混沌信号盲分离 问题的状态空间模型 ，进而通过引入 Ｒａ － ｌｃ ｗ ｌｓｉｎ策略和 加扰动 ｏＢ ａｋ ｅ ｉ ｏ ｌａ
Ｒ ｏＢａｋ ｅｉ ｉｎ（ Ｂ ｓ ａｅ ｄｉｃｒｏａｅ ｕｈｎｎ ｏ ｅｍｅ ｏ ， ａｔ ｌ ｆｔ ｉ ａｅ ｎ ｎ ａ－ｌ ｗ ｌｓ ｏ Ｒ ） ｔ ｔｇ ａ ｏｐ ｒ ｄｒ ｇｅｉｇｎｉ ｔ ｄ ａｐｒ ｃ ｌ ｒ ｇｂｓｄｏ ｌ ｅ ｃ ｌａ ｒ ｙ ｎ ｎ ｔ ｏ ｓ ｈ ｉｅｉ ｅ ｎ ｉ
０（ ２） 七 ＋ 七 ＝ ｚ （ × （） （） （ ） Ｔ ） ａｋ＋ 七 七
（ １ ）
号【 Ｗａ ｇ 出了基于 自 应模拟退火 的混沌信 号盲分离算 ２ Ｊ ｎ提 ； 适
法 这些方 法均 是离线 处理，实时性较差 。在不考虑 混合 参数 的影 响下 ， ｉ［ 首次将粒 子滤波算 法用 于具有不同参 Ｌｕ４ ］ 将 数的ｌｇｓｉ信号分离 中，本文将其拓 展到混沌信号 受到未 知 ｏｉ ｃ ｔ
基于Volterra滤波器的混沌背景弱信号检测1
Z −τ
Z −τ
Z −τ
Z −1
x(n +1)
Volterra滤波器
x(n
+ 1)
+
×
门限检测
H1
−
H0
图 1 Volterra 检测器
2 仿真实验及结果分析
为验证本文提出的预测检测算法，本文以 Lorenz 流 x 分量为例进行仿真研究。Lorenz 流用四阶 Runge-Kutta 算法积分，
x(n +1)
x(n +1−τ )
"
x(n +1− (m −1)τ )
x 2 (n +1)
【计算机应用研究】_状态估计_期刊发文热词逐年推荐_20140724
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
科研热词 高速列车 非平稳 通信延时 转向状态 车体垂向加速度 跟踪检错 融合方法 网络层析成像 精确稀疏滞后状态滤波 精确稀疏扩展信息滤波 粒子滤波 目标跟踪 监测数据 状态估计 滚动航迹规划 最大后验概率 时空相关性 无线传感器网络 支持向量机 小波包能量矩 声韵母 同时定位与地图创建 双无人机协同跟踪 历史信息 区域预测 分布式遗传算法 分布式扩展卡尔曼滤波 决策树聚类 光流法 信号灯检测 丢包率 三音子模型 一致性算法
2012年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46
科研热词 推荐指数 目标跟踪 2 预编码 1 非线性 1 雷达弱目标 1 误码率 1 计算复杂度 1 蒙特卡洛数据关联 1 能量积累 1 线性回归卡尔曼滤波 1 纯方位跟踪 1 粒子滤波 1 积分卡尔曼滤波 1 离散余弦变换 1 直角坐标系 1 物理层安全 1 滚动时域估计 1 混合高斯模型 1 正交匹配追踪 1 模糊c-均值 1 检测前跟踪 1 最大熵原理 1 无线通信系统 1 扩展卡尔曼滤波 1 快速同时定位与地图创建 1 延时信息 1 实时监控 1 多输入多输出正交频分复用 1 多目标跟踪 1 多目标规划 1 多特征融合 1 多传感器 1 基于平方根的无迹卡尔曼滤波 1 同步 1 同时定位与地图构建 1 同时定位与地图创建 1 压缩感知 1 加权矩阵 1 修正极坐标系 1 信道多径信息 1 信道参数反馈 1 信息融合 1 中心差分卡尔曼滤波 1 sut-h∞滤波 1 karhunen-loève变换 1 fastica 1 d-s证据理论 1
混沌信号在无线传感器网络中的盲分离
ｌ
Ｉ ，
Ｔ ｚ（ 惫 ） ＝， （ Ｔ Ｚ（ ｋ—１ ） ） ，那 么 最终得 出的测 量方 程 式
就应该是ｔ ｌ Ｊ Ｔ Ｚ（ 七 ） 一， （ ｚ（ 七 一１ ） ） ＋ｕ （ ｋ ） ＝０
３容积卡尔曼粒子滤波盲分离算法
Ｓ 咄 ｉ ＝ ｛ … ］ ）
ｌ＝ ｌ ｋ－ －１ 一ｌ ，
ｓ ｑ ｒ ｔ ｛ ）
面 ： ｝ ＝ ： Ｉ 一 ＋ 【 一 － ｉ ｌ 一 ｌ Ｊ ，
＝ ｓ ｑ ｒ ｔ ｛ Ｅ ［ （ ｔ ｔ ， 一 ｔ 面 ） （ ｔ 一 曲 ） Ｔ 】 ）
这里的期望运算是 由Ｅ 【 ． ］ 来表示，而 平方根 的计算主
瓯
堡． 记录材 料２ ０ １ ７ 年７ 月 第１ ８ ． ｇ ｇ ７ 期
混 沌 信 号 在 无线 传 感 器 网络 中 的盲 分 离
聂 立 文
（ 湖 南 高速 铁 路 职 业技 术 学 院 湖 南 衡 阳 ４ ２ １ ０ ０ ２）
【 摘要 】混沌信 息在本质上就是一种非线性的非 高斯信 号 ，混沌信 号在无线传感器 网络下在对其应 用的时候 ，还要 对信 息进行量化，这就更加提 高了混沌信息在应用的 时候对信号进行盲分 离的难度 。本文主要就是针对这 问题提 出在容 积卡 尔曼粒子滤波的框架下提 出有效的解决方 法。 【 关键词 】混沌信号；无线传感器；网络 中的盲分 离 【 中图分类号 】Ｔ Ｐ ２ １ ２ ． ９ １ 【 文献标识码 】Ａ 【 文章编号 】１ ０ ０ ９ — ５ ６ ２ ４（ ２ ０ １ ７ ）０ ７ — ０ ０ ７ ８ — ０ ２
：
ｌ Ｉ — ｌ ＝ｓ ｔ — ｌ ｌ ｋ － １ 十。 ｝ 一
ｔ ＝
基于混沌自适应烟花算法的雷达信号盲源分离
犅犾犻狀犱狊狅狌狉犮犲狊犲狆犪狉犪狋犻狅狀狅犳狉犪犱犪狉狊犻犵狀犪犾狊犫犪狊犲犱狅狀犮犺犪狅狋犻犮犪犱犪狆狋犻狏犲 犳犻狉犲狑狅狉犽犪犾犵狅浩 ，周 荣 华
（空军预警学院预警情报系，湖北 武汉 ４３００１９）
摘 要 ：针 对 传 统 独 立 成 分 分 析 （ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ，ＩＣＡ）方 法 存 在 收 敛 速 度 慢 、分 离 性 能 不 高 的问题，将混沌映射 策 略 与 自 适 应 爆 炸 半 径 相 结 合，提 出 一 种 基 于 混 沌 自 适 应 烟 花 算 法 （ｃｈａｏｔｉｃａｄａｐｔｉｖｅｆｉｒｅ ｗｏｒｋｓａｌｇｏｒｉｔｈｍ，ＣＡＦＷＡ）的 盲 源 分 离 （ｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎ，ＢＳＳ）方 法 ，并 应 用 于 雷 达 辐 射 源 混 合 信 号 分 选 问 题。混沌映射策略可以将初始值在解空间内分布更加均匀，爆炸半径能够根据 适 应 度 的 优 劣 自 适 应 改 变，保 证 了 所提算法局部搜索的精度，满足了全局搜索的多 样 性。 实 验 结 果 表 明 所 提 算 法 可 以 在 无 噪 和 有 噪 情 况 下 均 能 很 好 地 分 选 观 测 信 号 ，而 且 具 有 比 传 统 算 法 更 快 的 收 敛 速 度 和 更 优 异 的 分 选 性 能 。
犓犲狔狑狅狉犱狊：ｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎ（ＢＳＳ）；ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＩＣＡ）；ｆｉｒｅｗｏｒｋｓａｌｇｏｒｉｔｈｍ；ｃｈａｏｔｉｃｍａｐ
基于混沌滤波的信号处理算法研究
基于混沌滤波的信号处理算法研究一、引言随着现代信息技术的高速发展和广泛应用，信号处理被应用到了各个领域，如通讯、图像处理、声音处理以及控制领域。
而混沌滤波算法，作为一种非线性信号处理方法，在信号处理领域得到了广泛的应用。
本文旨在研究基于混沌滤波的信号处理算法。
二、混沌滤波基本原理混沌滤波起源于混沌系统，混沌系统是一种非线性动力学系统，它具有高度的非周期性和敏感度依赖于初始条件。
在混沌系统中，任意两点之间的距离随时间的推移而增大，这种行为称为“膨胀性”。
混沌滤波就是利用这种膨胀性的特点，对信号进行滤波，其基本原理如下：1.选择一个合适的初始值，在混沌系统中产生一组随机的混沌数列。
2.将混沌数列与待滤波信号相乘，得到混沌滤波结果。
3.由于混沌系统的膨胀性，随着时间的推移，混沌滤波结果趋向于稳定状态，从而达到滤波的目的。
三、混沌滤波算法研究混沌滤波算法主要分为三个部分：混沌产生算法、混沌滤波算法以及混沌滤波结果分析。
1.混沌产生算法混沌产生算法是混沌滤波算法的关键。
目前混沌产生算法主要有以下几种：a. Logistic混沌产生算法这是最早被提出的混沌产生算法，其原理是选择一个合适的参数r，并给出初始值，在迭代计算中得到一组具有随机性的数列。
b. Henon混沌产生算法Henon混沌产生算法是通过迭代计算得到混沌数列的一种方法，它将一个点的轨迹映射到另外一个点上，得到一个随机的数列。
c. Tent混沌产生算法Tent混沌产生算法是利用三角周期函数实现混沌产生的一种方法。
2.混沌滤波算法混沌滤波算法的核心是将混沌数列与待滤波信号相乘，得到混沌滤波结果。
具体实现步骤如下：a.选择一个混沌数列产生算法，得到一组混沌数列。
b.将混沌数列按照时序与待滤波信号相乘，得到混沌滤波结果。
c.将混沌滤波结果与待滤波信号进行比较，得到滤波后的信号。
3.混沌滤波结果分析混沌滤波结果的分析可以通过以下几个方面实现：a.信号幅值对比将滤波前后的信号进行比较，分析滤波效果。
小波消除噪声_盲源分离及其在混沌信号处理中的应用_[共2页]
![小波消除噪声_盲源分离及其在混沌信号处理中的应用_[共2页]](https://img.taocdn.com/s3/m/7148746e1a37f111f1855bfe.png)
7.2 时频分析消除噪声方法
时频分析是处理非平稳信号的一种非常有效的手段，常被用来进行噪声预处 理[126,127]。其中以小波变换方法最为经典，由美籍华裔学者 Norden E. Huang 提出 的经验模态分解（Empirical Mode Decomposition，EMD）作为一种新兴的时频信 号处理方法，在某些应用场合下能得到比小波变换更好的性能。
盲源分离及其在混沌信号处理中的应用
其协方差矩阵为
Wn(t
)=UFra bibliotekΛ −s
1
2VsT
n(t
)
{ } { } [ ] E Wn(t) Wn(t) T
=
U
−
Λs
1
2VsT
E
n(t)n(t)T
Vs
−
Λs
1
2U
T
（7-5） （7-6）
{ } 由于 E n(t)n(t)T = σ 2 I ，并且 Vs 的列正交、U 为正交矩阵，令
Λ Λ − 1 − 1 22 ss
=
σ
2 s
I
则
{ } E Wn(t)[Wn(t)]T
=
σ (
2
)
I
σ
2 s
（7-7）
由式（7-7）可知，Wn(t) 的各个分量是不相关的，并且 Wn(t) 可以看作是 n(t) 各 个分量的线性组合。由中心极限定理可知，Wn(t) 将趋于高斯分布，高斯信号的 不相关等价于独立，因此 Wn(t) 的各个分量独立。
7.2.1 小波消除噪声 小波变换是最常用的时频分析工具，它利用非平稳信号在时频面上不同位置 具有不同分辨率的性质，提取信号的瞬态信息。小波变换具有低熵性、多分辨性、 去相关性以及基函数选择灵活性等特点。其关键是求出在某一组特定基函数下的 小波系数。
混沌粒子群算法的盲源信号分离仿真研究
混沌粒子群算法的盲源信号分离仿真研究谢春明;肖露欣【摘要】针对传统盲源分离算法存在收敛速度慢、易陷入局部最优等缺陷,提出一种混沌粒子群算法的盲源分离方法.采用信号的峰度值作为盲源信号分离目标函数,然后采用混沌粒子算法对目标函数进行求解,并对粒子群体进行混沌扰动,保持粒子群的多样性,最后采用最优解对信号进行盲源分离.结果表明,混沌粒子群算法有效提高了盲源信号分离速度,信号分离精度更高.%Because traditional blind source separation algorithms have the defects of slow convergence, easily to fall into local optimum and so on, in this paper we propose a blind source separation algorithm based on chaos particle swarm optimisation. The kurtosis value of the signal is used as the objective function of the blind source signal separation, and then the chaos particle algorithm is used to solve the objective function, and the particle swarm is executed the chaos disturbance to keep the diversity of the particle swarm, finally the optimal solution is used to separate the blind source signal. Results show that the proposed algorithm improves the separation speed of blind source signal with higher separation accuracy.【期刊名称】《计算机应用与软件》【年(卷),期】2013(030)004【总页数】4页(P211-213,216)【关键词】粒子群算法;盲源分离;独立分量分析;混沌【作者】谢春明;肖露欣【作者单位】乐山师范学院四川乐山614004【正文语种】中文【中图分类】TN911.70 引言盲源分离BSS(blind source separation)是20世纪90年代兴起并发展起来的一种信号处理方法，是信息理论、统计信号处理和人工智能相结合的产物，在生物医学、地震勘探、移动通信和语音信号处理等领域有着广泛的应用前景［2］。
平方根无迹卡尔曼滤波仅测角导航的空间交会闭环协方差分析方法
平方根无迹卡尔曼滤波仅测角导航的空间交会闭环协方差分析方法尤岳;王华;Christophe Paccolat;李九人【摘要】A closed-loop linear covariance analysis method was proposed for orbital rendezvous using AON (angles-only navigation).The SRUKF (square root unscented Kalman filter) based on AON algorithm was constructed and the observation sensitivity matrix was further calculated.The multi-impulsive Hill guidance law was employed to derive the closed-loop linear covariance analysis model.The results of the numerical simulation indicate that the closed-loop linear covariance analysis result fits the 1000 times Monte Carlo shooting well.The covariance analysis method is applicable to the traditional EKF (extended Kalman filter) based on the AON method, but has an estimation bias along downrange, which is equivalent to the variance of trajectory dispersion.The major axis and minor axis of error ellipse achieved with EKF based on covariance respectively are about 24.68% and 20.56% longer than the results from SRUKF based error ellipse.Besides, SRUKF and EKF have the same order computational burden for the state estimation, but the SRUKF is about 10% faster than the EKF due to using two powerful linear algebra techniques, QR decomposition and Cholesky factor updating.%针对基于仅测角导航的空间交会问题,开展了采用线性协方差进行闭环控制误差快速分析方法的研究.建立了基于平方根无迹卡尔曼滤波(Square Root Unscented Kalman Filter,SRUKF) 的仅测角导航算法并推导了观测敏感矩阵,构建了基于多脉冲Hill制导的闭环控制线性协方差分析模型.算例验证结果表明:提出的闭环控制协方差分析结果与Monte Carlo打靶结果能够很好地吻合;该方法适用于采用传统扩展卡尔曼滤波(Extended Kalman Filter,EKF)的仅测角导航问题,但其迹向位置的估计存在一个与该方向控制误差方差相当的偏心,其误差椭圆的长轴和短轴分别比基于SRUKF 的估计结果大24.68%和20.56%.此外,由于采用了QR分解和Cholesky 因子更新两种高效的代数运算,基于SRUKF的协方差分析模型的计算速度要比基于EKF的协方差分析模型的大10%.【期刊名称】《国防科技大学学报》【年(卷),期】2017(039)004【总页数】7页(P33-39)【关键词】平方根无迹卡尔曼滤波;仅测角导航;闭环协方差分析;空间交会【作者】尤岳;王华;Christophe Paccolat;李九人【作者单位】国防科技大学航天科学与工程学院,湖南长沙 410073;瑞士联邦理工学院瑞士空间中心,瑞士洛桑 CH-1005;国防科技大学航天科学与工程学院,湖南长沙 410073;瑞士联邦理工学院瑞士空间中心,瑞士洛桑 CH-1005;载人航天总体研究论证中心,北京 100094【正文语种】中文【中图分类】V448.2仅测角导航技术为当前正处于概念论证和在轨演示验证阶段的空间碎片主动清理(Active Debris Removal, ADR)、在轨服务、非合作交会、编队飞行等技术提供了一种轻质、节能、经济的星上自主相对导航方法。
利用混合卡尔曼滤波的混沌信号盲估计
利用混合卡尔曼滤波的混沌信号盲估计
混合卡尔曼滤波是一种常用的信号处理算法，能够解决混沌信号盲估计的问题。
混沌信号在很多领域中都有广泛的应用，如加密通信、混沌调制等，因此对于混沌信号的估计具有重要的意义。
混合卡尔曼滤波的主要思想是将Kalman滤波与非线性滤波器
结合在一起，用来处理非线性系统的状态估计问题。
在混沌信号盲估计中，混合卡尔曼滤波器可以通过对输入混沌信号进行线性变换和状态矩阵的更新，在不知道混沌系统状态的情况下，对混沌信号进行估计和恢复。
具体来说，混合卡尔曼滤波的过程可以分为以下几个步骤：首先，对输入的混沌信号进行采样，并按照一定的规则对其进行线性变换，得到新的状态矩阵。
然后，使用卡尔曼滤波的方法对状态进行估计，得到当前真实的状态矩阵。
接着，将得到的状态矩阵反变换回去，得到混沌信号的估计值。
最后，将估计值与原始信号进行比较，并计算误差，以确定滤波的效果。
混合卡尔曼滤波在混沌信号盲估计中具有很好的性能。
首先，由于它结合了线性和非线性滤波器的优点，因此能够有效地处理非线性系统。
其次，它能够在不知道混沌系统状态的情况下，对混沌信号进行准确的估计和恢复。
最后，通过对滤波效果的评估和比较，可以不断优化滤波器的设计和参数设置，提高混沌信号估计的准确度和精度。
总之，利用混合卡尔曼滤波的混沌信号盲估计，是一种高效、
准确、可靠的信号处理方法，可广泛应用于信号处理、通信、控制等领域。
通过不断深入研究和优化，将进一步提升混沌信号处理的水平和应用能力，实现更多更广泛的应用。
基于分形理论的混沌信号与噪声分离方法
Jo u r n a l o f N an ji n g U n i ve r s ity o f A e ro n a u t i c s & A s t r o n a u t i c s1997 年10 月O c t. 1997Ξ基于分形理论的混沌信号与噪声分离方法裴文江刘文波于盛林(南京航空航天大学测试工程系南京, 210016)摘要提出一种分维数和子波重构相结合的混沌信号与噪声分离方法, 与以往出现的子波滤波方法和经典滤波方法相比较, 该方法有如下特点: 利用子波变换计算带观测噪声混沌信号的真实分数维, 进而根据观测序列维数与真实维数的差值控制子波重构的参数, 构造出混沌与噪声分离的自适应滤波器结构。
仿真实验说明了该算法的有效性。
关键词: 混沌; 噪声; 分数维; 子波重构; 分形内插中图分类号: TN 911. 7; TN 911. 4引言混沌信号与噪声的分离近几年引起了人们的兴趣1- 4 。
虽已有各种各样处理确定信号和随机信号的方法, 而确定的非线性系统产生的且有其内在规律的混沌行为不属于这两种范畴。
由于混沌具有宽谱的性质, 利用传统线性滤波方法并没有成功地解决混沌与噪声的分离。
因此自1990 年起, 出现了许多不同类型的专门的混沌滤波方法。
1991 年F a rm e r 提出一种较成功的基于正反向迭代的方法1 ; 1995 年W illi am s 在F a rm e r 方法的基础上提出自适应噪声减小方法3 ; 同年L evn y 提出基于相空间体积的混沌与信号的分离方法4 , 都比较好地实现了减小混沌的噪声。
子波分析、分形理论和混沌有着密切的关系5 。
本文首先根据具有分形结构的混沌信号子波变换后在一定的尺度范围内具有等价标度不变性, 导出计算带观测噪声混沌信号真实分数维的计算方法, 其次利用线性分形内插方法计算出观测信号的维数。
最后根据它们之间的差值来控制子波重构的阈值和位置, 实现混沌与噪声的自适应分离。
一种基于衰减记忆滤波的平方根无迹卡尔曼滤波PHD-SLAM方法
一种基于衰减记忆滤波的平方根无迹卡尔曼滤波PHD-SLAM方法孙陶莹;章飞;曾庆军【摘要】针对海洋背景噪声和水声传感器测量噪声大、信噪比低所导致的水下SLAM方法数据关联复杂、精度低的问题,提出一种基于衰减记忆滤波的平方根无迹卡尔曼滤波PHD-SLAM方法,该方法基于PHD滤波避免了复杂的数据关联,且在非线性函数高斯权重更新过程中引入平方根无迹变换,并进一步结合衰减记忆滤波,解决了由于模型误差和计算误差造成的协方差矩阵非正定和不对称性所导致的滤波发散问题,提高水下SLAM方法的精度.仿真实验将所提方法与RB-PHD-SLAM和UKF-PHD-SLAM方法进行对比分析,结果表明所提方法在对自身定位及地图特征估计精度上均有了明显的提高.【期刊名称】《江苏科技大学学报（自然科学版）》【年(卷),期】2019(033)003【总页数】8页(P75-82)【关键词】概率假设密度;同步定位与地图构建;平方根无迹卡尔曼滤波;衰减记忆滤波【作者】孙陶莹;章飞;曾庆军【作者单位】江苏科技大学电子信息学院,镇江212003;江苏科技大学电子信息学院,镇江212003;江苏科技大学电子信息学院,镇江212003【正文语种】中文【中图分类】TP242同步定位与地图构建(simultaneous localization and mapping, SLAM)方法是一种重要的自主式水下机器人导航方法,为其在未知或无先验地图的复杂环境下实现真正意义上的自主导航提供了可行性方案[1-2]．但由于海洋环境背景噪声大,且水声传感器测量噪声较其他陆上传感器大,许多经典SLAM方法并不能直接应用于水下环境,真实水下特征的测量被淹没在大量杂波中,数据关联的复杂度和计算量大大增加,关联精度明显降低,严重影响滤波的精度和实时性．概率假设密度SLAM(probability hypothesis density SLAM, PHD-SLAM)方法是近年来提出的一种基于随机有限集理论的自主导航方法,该方法的最大优点在于避开了复杂的数据关联问题[3],因此获得了国内外学者的大量关注,取得了一些重要的研究成果[3-6]．文献[4]提出一种GM-PHD-SLAM方法,解决了传统SLAM方法中数据关联的问题，并降低多个集合积分的复杂度;文献[5]提出一种SC-PHD-SLAM方法,将SLAM方法应用于水下环境,可以提高自主导航的定位精度,降低滤波的发散;文献[6]提出一种UKF-PHD-SLAM方法,与常规的RB-PHD-SLAM相比,提高了对地图特征的估计精度．然而这些方法在非线性函数高斯权重的更新过程通常采用扩展卡尔曼滤波(extended Kalman filter,EKF)或无损卡尔曼(unscented Kalman filter,UKF)方法．EKF的局部线性化在非线性严重情况下近似误差大,对自身定位和地图特征估计的精度低;UKF的精度虽高于EKF,但系统的计算误差会造成协方差矩阵非正定性和不对称性,甚至导致滤波发散,并且在建模过程中,模型误差无法避免,不断累积也会导致滤波发散．因此,文中提出一种基于衰减记忆滤波的平方根无迹卡尔曼滤波PHD-SLAM方法(memory attenuation square-root unscented Kalman filter PHD SLAM,MA-SRUKF-PHD-SLAM)．该方法将平方根无迹卡尔曼滤波(square-root unscentedKalman filter, SRUKF)引入到PHD-SLAM方法的更新过程中,解决UKF由于计算误差造成的协方差矩阵非正定和不对称性,将衰减记忆滤波与PHD-SLAM方法相结合,采用指数加权将k时刻以前的观测值逐渐衰减,防止过老观测数据在加权平均过程中对观测数据的不良影响,有效抑制模型误差和计算误差所造成的滤波发散,提高地图特征估计精度和自主式水下机器人自身定位的准确性．1 基于随机有限集理论的SLAM方法1. 1 RFS-SLAM模型传统SLAM方法采用先关联再估计的思想,由于水下环境杂波干扰强,数据关联计算量庞大,若关联错误会造成估计精度极差．而基于随机有限集理论(random finite set, RFS)的SLAM方法研究一种避开数据关联的思路,该方法将特征状态和观测信息看作成集合的形式,处理过程中以集合为单位,不需要考虑集合中元素的关联．(1) 地图特征的RFS模型Mk-1=M∩FoV(X0:k-1)(1)式中：Mk-1为0～k-1时刻地图特征的RFS；FoV(X0:k-1)=FoV(X0)∪FoV(X1)∪…FoV(Xk-1)为随着机器人运动,机器人视域内地图特征的集合,其数目单调增加;M为整个地图特征的RFS．(2)式中：为k时刻新进入机器人视域内的特征集合．(2) 观测信息的RFS模型k时刻,机器人位姿为Xk,它获得观测信息Zk的RFS为:(3)式中：Ck(Xk)为观测信息中杂波产生的RFS,Dk(m,Xk)为观测信息中由特征m产生的的RFS,Dk(m,Xk)可被建模成一个Bernoulli型RFS．Dk(m,Xk)=ø的概率为1-PD(m|Xk),Dk(m,Xk)={z}的概率密度为PD(m|Xk)gk(z|m,Xk)．在机器人位姿Xk条件下,PD(m|Xk)为探测到m处特征的概率，gk(z|m,Xk)为m处特征产生观测信息z的似然函数．将地图特征和观测信息采用RFS形式表示后,SLAM问题便转化成Zk条件下Mk 和X1:k联合后验概率密度的估计过程．(4)pk|k(Mk,X1:k|Z0:k,u0:k-1,X0)=(5)在实际过程中,自主式水下机器人的真实位姿无法得知,只能根据条件概率公式,将联合后验估计分解成机器人位姿估计及机器人位姿估计下的地图特征估计[8]．pk|k(Mk,X1:k|Z0:k,u0:k-1,X0:k)=pk|k(X1:k|Z0:k,U0:k-1,X0)pk|k(Mk|Z0:k,X0:k)(6)1.2 PHD-SLAM在随机有限集理论下,SLAM问题的Bayesian递归运算需要进行量测非线性函数高斯权重的集合积分运算,计算量大,不易实现．因此,在Poisson假设下,提出一种替代处理方式,与一般随机有限集方法有所不同的是,它只是递归地运算随机集分布的一阶矩[7],这种方法称为概率假设密度(probability hypothesis density,PHD)．vk|k-1(m|Xk)=vk-1(m|Xk-1)+b(m|Zk-1,Xk|k-1)(7)vk|k(m|Xk)=vk|k-1(m|Xk|k-1)(1-PD(m|Xk)+vk|k-1(m|Xk|k-1)·(8)2 MA-SRUKF-PHD-SLAM方法在MA-SRUKF-PHD-SLAM方法中,自主式水下机器人位姿估计采用Rao-Blackwellised粒子滤波器[9],每一个粒子描述了机器人轨迹的可能路径,粒子采样完成后,再在这些粒子的位姿的基础上进行地图特征估计．采用MA-SRUKF-PHD 滤波器进行地图特征后验概率密度估计,采用高斯混合实现方式．最后利用地图特征的数目和位置更新结果来进行粒子的重要性采样,运用粒子加权平均来更新机器人的位姿．2. 1 地图特征估计(1) 预测阶段k-1时刻,第i个采样机器人位姿的粒子的先验地图概率假设密度可表示为高斯混合的形式:(9)式中：为k-1时刻PHD函数的高斯分量的个数；和分别为k-1时刻第i采样粒子的第j个高斯分量对应的权重、均值和方差．在k时刻,第i个粒子估计得机器人位姿为的条件下,新生特征的PHD用高斯混合形式可表示为:(10)式中：为k时刻新生特征PHD函数中高斯分量的个数；和分别为k时刻第j个高斯分量对应的权重、均值和方差．因此,地图特征的预测PHD采用高斯混合形式表示为:(11)式中：为先验地图特征PHD函数和新生特征PHD函数中高斯分量个数的总和．(2) 更新阶段获得当前时刻的观测信息后,通过观测数据对状态预测估计进行修正,得到状态最优估计．观测似然函数采用高斯混合形式,地图特征后验密度的高斯混合形式为:(12)式中：(13)(14)由式(12，13)可知,更新的PHD可由漏检PHD和经观测更新后的PHD两部分组成,这两部分均可表示为高斯混合形式,其中的可采用EKF或UKF获得．2.1.1 基于SRUKF-PHD的地图特征估计考虑到对于非线性强度高的系统,EKF采用局部线性化时产生的线性误差将导致滤波精度降低,而采用UKF方法,虽能够提高非线性系统的估计精度,但由于计算误差的积累会引起协方差矩阵的非正定性和不对称性,使得增益矩阵的误差过大,造成滤波发散,影响滤波的稳定性．因此,文中采用SRUKF方法进行PHD的非线性高斯权重更新,利用QR分解和Cholesky分解得到SST=P,将S直接带入更新过程中运算,避免了UKF方法的计算误差造成协方差矩阵失去对称性和正定性，从而引起的滤波发散．Step1 构建Sigma点由式(11)可知,在机器人估计位姿条件下,第j个高斯分量的均值为文中采用一组采样点χi来近似的高斯分布,并设置相应的权重．(15)(16)式中：λ=α2(n+κ)-n,λ为尺度参数,调整λ可提高逼近精度,α确定周围Sigma点的分布,通常设为一个较小的正数(1>α≥10-4),κ为第二尺度参数,通常设置为0或3-n;β为状态分布参数,对于高斯分布β取2为最优分别为计算观测预测的均值和方差的权系数．Step 2 传播后的Sigma点将Sigma点通过观测函数进行传播得到新的Sigma点集:(17)Step 3 计算的均值和协方差矩阵的平方根因子：(18)为了避免计算机四舍五入造成的计算误差,影响协方差矩阵的正定性和对称性,将通过Cholesky分解成平方根矩阵它在算法中的导出通过QR分解来实现[9]．(19)(20)Step 4 更新后的高斯均值和方差(21)(22)(23)(24)(25)(26)(27)(28)在SRUKF的实现过程中,由于是的稳定分解因子,可将其用于后续的迭代,避免每个步骤重构,并且可使用“反向替代”来求解而不需要矩阵求逆[10],再通过Cholesky 分解因子来进行后验地图特征状态的更新,代替UKF中的进行运算．2.1.2 引入衰减记忆滤波的地图特征估计在采用SRUKF-PHD-SLAM方法进行地图特征估计时,k时刻的地图特征估计需要用到k时刻之前的所有观测数据．由于老观测数据不断增多,新观测数据在更新过程所起的作用太小,老观测数据影响太大,滤波模型误差和计算误差的积累常常会引起滤波发散[11]．因此,为了消除模型误差和计算误差引起的滤波发散,在SRUKF-PHD-SLAM方法的基础上引入衰减记忆滤波,即对系统干扰噪声分别采用指数加权,将k时刻以前观测值逐渐衰减,加大每次新观测数据z(k)的作用,克服模型误差与计算误差引起的滤波发散．具体步骤如下:Step 1 指数加权在地图特征PHD更新的过程中,当Kk趋于0时,将导致zk对μk|k-1的修正作用大大减弱[12]．对于k时刻的滤波,为了克服SRUKF中滤波模型误差和计算误差导致的滤波发散问题,应该相对突出Kk,而减少K1:k-1值．由于Kk与Rk成反比,为了达到上述目的,可将远离k时刻的R逐渐变大．同时,增大Qk-1能使每一步Pk增大,从而进一步使Kk增大．具体情况如下:(29)Step 2 更新替换式(29)中ci(i=1,2,…)为适当选取的正整数，将k时刻以前的系统干扰噪声R，Q分别进行指数加权,根据式(29)将式(19)、(25)中k时刻以前的噪声方阵R、Q替换为如下形式再进行后续运算．(30)(31)衰减记忆滤波方法每次均对上一次的滤波误差阵乘以一个大于1的系数,以达到使每一步的滤波增益K增大,这样就增大了当前观测数据的作用,降低了老数据对滤波结果的不利影响,从而有效减小模型误差和计算误差,克服滤波发散．(3) PHD中高斯量的剪切、合并和提取经过PHD滤波后,高斯分量仍包括由于杂波、虚警引起的小权值的高斯量,将造成计算量过大,故将更新后的高斯量进行剪切与合并,剪切是将权值低于门限Tp的小权值高斯量舍弃,文中取Tp=10-5．合并是将距离小于门限Up的高斯量进行合并,从而达到减小高斯量数目的目的．剪切、合并完成后,再设定地图特征的提取门限Tf,在的条件下,对高斯量权值大于设定门限的分量进行提取,提取后的高斯量均值则为地图特征的位置,权重大于Tf门限的高斯量的数目则是地图特征的个数．2. 2 机器人位姿估计PHD-SLAM算法在机器人位姿估计方面采用Rao-Blackwellised粒子滤波器．在k时刻,机器人位姿状态为所有粒子位姿加权平均和.Step 1 粒子的重要性采样在k-1时刻,机器人位姿估计的样本集为通过机器人运动模型得到k时刻机器人位姿先验估计样本集结合PHD-SLAM地图估计,利用观测似然函数可得到机器人位姿后验分布为k时刻第i个粒子的权值,其递推公式如下:(32)式中：为计算粒子权值的核心,与FastSLAM区别在于,FastSLAM定义在Euclidean空间,而PHD-SLAM中则定义在随机有限集空间,文中采用空地图策略[13-14]求解(33)式中：为量测杂波的为更新的地图特征的数目；为预测地图特征的数目．Step 2 粒子重采样为了避免出现粒子退化的问题,需要对粒子进行重采样,得到新的粒子集3 仿真结果及分析仿真实验在MATLAB 2014版本,电脑配置为Intel(R) Core(TM) i5-6500CPU@3.20GHz，8GB内存下进行．地图区域60 m×70 m,有28个路标特征,仿真中系统噪声和观测噪声假设为高斯噪声，机器人运动模型参数如表1．仿真结果如图1～3，图中“○”为地图特征实际的位置,“+”为算法估计地图特征的位置,“×”为杂波．机器人视域内的杂波服从Poisson分布,机器人传感器探测特征的概率为PD=0.95．表1 运动模型参数Table 1 Parameters of motion model参数数值水下机器人运动/(m·s-1)3 控制速度噪声/m0.3 传感扫描角度/(°)360 传感器扫描半径/m10 观测角度噪声/(°)1 观测距离噪声/m0.1图1 MA-SRUKF-PHD-SLAM地图Fig.1 Map of MA-SRUKF-PHD-SLAM图2 RB-PHD-SLAM地图Fig.2 Map of RB-PHD-SLAM图3 UKF-PHD-SLAM地图Fig.3 Map of UKF-PHD-SLAM图1虚线代表机器人实际运行轨迹,实线代表机器人运动轨迹估计；图2中虚线代表机器人实际运动轨迹,实线表示RB-PHD-SLAM方法对机器人轨迹的估计；图3中虚线代表机器人实际运行轨迹,六边形线代表机器人运动轨迹估计．由图1～3可以看出,在杂波干扰强的相同环境下MA-SRUKF-PHD-SLAM和UKF-PHD-SLAM 在地图构建方面明显优于RB-PHD-SLAM．机器人运动过程中,图2不论是地图特征估计还是机器人运动轨迹估计都出现较明显偏差,由于RB-PHD-SLAM采用EKF 进行局部线性化,在噪声严重数目多的环境下存在精度低、估计效果不理想的问题.图3采用UKF方法,在相同条件下效果虽优于RB-PHD-SLAM,然而UKF-PHD-SLAM中地图特征误差和机器人位姿误差仍然比图1大,这是因为没有考虑模型误差和计算误差导致了精度下降．图1说明MA-SRUKF-PHD-SLAM方法则很好地克服模型误差和计算误差,提高系统的稳定性及估计精度,更加适用于水下环境的自主导航．在仿真过程中分别将文中提出的方法与RB-PHD-SLAM和UKF-PHD-SLAM这两种方法的性能进行对比,从两个方面验证所提方法的有效性．(1) 机器人定位在机器人定位方面,将均方根误差(root mean square error，RMSE)作为3种方法的性能对比指标,仿真过程中,粒子分别取30个,并进行10次滤波．通过计算3种方法每个时刻机器人位姿的RMSE值来进行对比,对比结果如图4．图4 机器人位置误差对比Fig.4 Comparison of vehicle position error由图4看出,在前20步,3种方法的RMSE相差不大,随着步数增加,文中方法和UKF-PHD-SLAM在相同的条件下机器人位置误差变化幅度均明显低于RB-PHD-SLAM,说明采用确定性采样进行非线性函数高斯权重更新效果较优于EKF方式.文中在此基础上采用稳定分解和指数加权使得估计误差更小,故机器人位姿估计进行重要性采样时得到的结果更加准确,位置估计精度更高．(2) 地图特征估计在地图特征估计方面,采用两种方式来评估其性能：每个时刻机器人估计地图特征数目和地图特征位置误差．图5，6为特征数目对比和特征数目误差对比．图5 地图特征数目对比Fig.5 Comparison of the number of features in the map图6 地图特征估计数目误差对比Fig.6 Comparison of the estimated number errorof features in the map for each approach从图5地图特征数目误差估计上来看,前20步3种算法的差别不大,均与真实地图特征数目接近．随着机器人运动,RB-PHD-SLAM估计数目逐渐与真实数目偏离．当运行到25步时,由于模型误差和计算误差的累积,UKF-PHD-SLAM方法不能很好地处理这些误差,其特征数目与真实特征数目距离开始拉大,而文中方法有效克服了UKF-PHD-SLAM的缺陷,从而提高地图特征估计精度．图6将3种方法的特征数目误差进行对比,可以直观地看出3种效果的优劣,所提方法在地图特征估计精度上明显优于另外两种方法．鉴于传统法方法在多目标系统求距离误差时的局限性,基于随机有限集的SLAM方法,地图特征信息采用的是无序的集合形式表示,传统方法并不适用,文献[15]提出一种最优子模式分配距离(optimal subpattern assignment, OSPA)评价集合之间差异程度的误差,文中在对地图特征位置误差估计上采用OSPA距离来表示位置估计误差更加适用．仿真环境中OSPA距离的阶数为1阶,截断距离取值为2,两种算法分别运行10次,取OSPA距离均值．从图7的OSPA误差中对比可以看出,该方法波动较另外两种方法平缓,普遍维持在1m以下,而RB-PHD-SLAM不仅波动剧烈并且随步数增长,OSPA误差也不断增大．因此,文中方法在特征位置估计上精度更高,并且整体性能更加稳定．图7 OSPA误差对比Fig.7 Comparison of OSPA error在相同的平台以及同样杂波强度下,文中方法在每一步均降低地图特征误差和机器人位姿误差,并且运行时间相差不大,可以有效地提高估计精度,具体数据对比见表2．表2 3种方法性能对比Table 2 Comparison of three methods方法机器人位姿平均均方差/m地图特征估计最终误差/个地图特征位置OSPA脱靶距离/m平均计算时间/sMA-SRUKF-PHD-SLAM0.21110.7231.826UKF-PHD-SLAM0.39221.2611.571RB-PHD-SLAM1.324111.7151.4344 结论(1) PHD-SLAM算法引入随机有限集理论,避免了传统SLAM方法复杂的数据关联,并考虑测量不确定性,杂波,用概率假设密度近似地图特征后验密度来克服集合的积分运算．(2) 将SRUKF运用在地图特征的更新过程,避免了EKF算法中的局部线性化误差与雅克比矩阵,以及UKF算法在计算误差造成的协方差矩阵的非正定性和不对称性,提高系统的稳定性．(3) 为了进一步提高估计精度,在系统噪声方面进行指数加权,提高对新观测数据的利用,降低老数据的影响,从而有效改善机器人定位与地图特征的精度,使整体性能有所提高．参考文献( References)【相关文献】[ 1 ] 张书景. 大尺度环境中自主式水下机器人同时定位与地图构建算法研究[D].青岛:中国海洋大学,2014:1-24.[ 2 ] 王宏健, 王晶, 边信黔. 基于组合EKF的自主水下航行器SLAM[J]. 机器人,2012, 31(1)56-64. DIO: 10.3724/SP. J. 1218.2012.00056.WANG Hongjian,WANG Jing,BIAN Xinqian.SLAM of AUV based on the combined EKF[J]. Robot,2012, 31(1):6-64. DOI:10.3724/SP. J. 1218.2012.00056. (in Chinese)[ 3 ] 章飞,孙睿. 多传感器序贯势分布概率假设密度滤波[J]. 江苏科技大学学报(自然科学版),2012,26(6): 587-592. DOI:10.3969/j.issn.1673-4807.2012.06. 014.ZHANG Fei, SUN Rui. Multi-sensor cardinalized sequential probability hypothesis density filtering[J].Journal of Jiangsu University of Science and Technology(Natural Science Edition), 2012,26(6):587-592. DOI:10.3969/j.issn.1673-4807.2012.06.014.(in Chinese)[ 4 ] MULLANE J, VO B N, MARRTIN D, et al. A random finite set approach to Bayesian SLAM[J].IEEE Trans Robotics, 2011, 27(2): 268-282.[ 5 ] LEE C S, NAGAPPA S,PALOMERAS N, et al. SLAM with SC-PHD filters: an underwater vehicle application[J].IEEE Robotics and Automation Magazine,2014,21(2):38-45.[ 6 ] 闫德立, 宋永端,宋宇,等.一种改进的高斯混合概率假设密度SLAM算法[J]. 控制与决策,2014,29(11): 1959-1965.DOI:10.13195/j. kzyjc. 2013.1222.YAN Deli, SONG Yongduan, SONG Yu,et al. An improved Gaussian mixture PHD SLAM algorithm[J].Control and Decision,2014, 29(11): 1959-1965. DOI:10.13195/j. kzyjc. 2013.1222.(in Chinese)[ 7 ] VO B N, MA W K. The Gaussian mixture probability hypothesis density filter[J].IEEE Transactions on Signal Processing, 2006,54(11):4091-4104.[ 8 ] 闫德立, 宋永端,宋宇. 平方根容积卡尔曼滤波概率假设密度算法在移动机器人同时定位与地图构建中的应用[J]. 控制理论与应用, 2014, 31(8):1010-1016. DOI:10.7641/CTA. 2014.30741. YAN Deli, SONG Yongduan, SONG Yu. The application of square-root cubature Kalman filter and probability hypothesis density in simultaneous localization and mapping for mobile robots[J]. Control Theory and Applications,2014,31(8):1010-1016.DOI:10.7641/CTA. 2014.30741.(in Chinese)[ 9 ] 章飞, 孙睿. 基于粒子滤波的水下目标被动跟踪算法[J]. 江苏科技大学学报(自然科学版), 2010, 24(1):83-87. DOI:10.3969/j.issn.1637-4807.2010. 018.ZHANG Fei, SUN Rui. Underwater target passive tracking based on particle filter[J]. Journal of Jiangsu Universityof Science and Technology(Natural ScienceEdition),2010,24(1):83-87.DOI:10.3969/j.issn.1673-4807.2010.01.018.(in Chinese)[10] VAN Der Merwe R,WAN E A. The square-root unscented Kalman filter for state and parameter estimatio n[C]∥IEEE International Conference on Acoustics, Speech and Signal Processing-Proceedings, New York: [s,n], 2001:3461-3464.[11] 高怡, 高社生, 吴佳鹏. 衰减记忆平方根UKF算法及其在组合导航中的应用[J]. 中国惯性技术学报, 2014(6):777-781.DOI:10.13695/j.cIll(i.12·1222/03.2014.06.014.GAO Yi, GAO Shesheng, WU Jiapeng. Fading-memory square-root unscented particle filter algorithmand itsapplication in integrated navigation system[J]. Journal of Chinese Inertial Technology, 2014(6):777-781. DOI:10.13695/j.cIll(i.12·1222/03.2014.06.014.(in Chinese)[12] 章飞, 周杏鹏, 陈小惠. 基于衰减记忆滤波的平方根UKF水下被动目标跟踪算法[J]. 测控技术, 2010, 29(4):22-26. DOI:10.3969/j.issn.1000-8829.2010.04.007.ZHANG Fei, ZHOU Xingpeng, CHEN Xiaohui. Square-root underwater passive target tracking algorithm based on memory attenuation filtering[J]. Measurement and Control Technology, 2010, 29(4): 22-26. DOI:10.3969/j.issn.1000-8829.2010.04.007. (in Chinese)[13] 刘芳. 动态未知环境下移动机器人同时定位与地图创建[D]. 哈尔滨: 哈尔滨工业大学, 2015.[14] 辛菁,贾渭娟,苟蛟龙.高斯混合概率假设密度SLAM算法[J].西安理工大学学报,2014(1): 13-21. DOI: 10.3969/j.issn.1006-4710.2014.01.003.XIN Jing, JIA Weijuan, GOU Jiaolong. Gaussian mixture probability hypothesis density SLAM algorithm[J]. Journal of Xi′an University of Technology, 2014(1): 13-21.DOI:10.3969/j.issn.1006-4710.2014.01.003. (in Chinese)[15] SCHUHMACHER D, VO B T, VO B N. A consistent metric for performance evaluation of multi-object filters[J]. IEEE Transactions on Signal Processing, 2008,56(8): 3447-3457.。
基于独立分量分析的混沌信号盲分离
基于独立分量分析的混沌信号盲分离周文;侯进勇【摘要】现有的混合混沌信号分离方法一般都要利用各个混沌信号的内在性质以及一定的约束.利用混合混沌信号中各源信号的独立性,依据基本ICA估计原理中的极大非高斯性原理,采用基于峭度的不动点分离法对此类混合信号进行分离,实现了此类信号的盲分离.对多种此类混合信号进行分离仿真的结果表明,该方法可以快速有效地分离出混合混沌信号中的各个源信号.【期刊名称】《现代电子技术》【年(卷),期】2009(000)021【总页数】3页(P109-111)【关键词】混合混沌信号;独立分量分析;盲分离;噪声频谱【作者】周文;侯进勇【作者单位】苏州经贸职业技术学院,江苏,苏州,215008;南京信息工程大学,电子与信息工程学院,江苏,南京,210044【正文语种】中文【中图分类】TN911.70 引言在信号处理中，将混合在混沌信号中的其他信号分离出来是混沌信号处理领域中的重要课题，对于混沌在通信、雷达、生物医学等方面的应用有十分重要的意义。
在这类分离中，常规的处理方法是应用小波变换等方法，利用信号与噪声频谱的差别进行滤波，以达到分离目的，但是当信号与噪声的能量分布在同一频带时，该方法就不再适用。
现有的此类信号分离方法一般都要利用各个混沌信号的内在性质以及一定约束。
文献[1]利用各个混沌信号之间的互不相关性，依据重构理论，重构出源信号，但只假设信号间互不相关，且只涉及到数据的二阶统计特性，并未充分利用包含有实际信号中大部分重要信息的高阶统计特性。
本文假设各信号间为更符合实际的相互独立模型，提出应用独立分量分析法，利用高阶统计量方法对混合混沌信号进行分离，实现此类混合信号的盲分离。
此处“盲”是指源信号不能被观测;源信号如何混合是未知的[2]。
通过仿真实验证实该方法有效可行。
1 基本原理设X=(x1,x2，…，xm)T为m维零均值混沌信号与其他信号的观测混合信号，它由源信号向量S=(s1,s2，…，sn)T中相互独立的混沌信号、其他信号sj(j=1,2，…，n)线性加权组合而成，此线性混合模型可表示为:(1)式中:A=(a1,a2,…，an)是m×n满秩矩阵，称为混合矩阵;aj为混合矩阵的基向量。
一种基于无先导卡尔曼滤波的混沌相移键控通信系统的非相干检测方法
一种基于无先导卡尔曼滤波的混沌相移键控通信系统的非相干
检测方法
陈宏滨;冯久超;胡志辉
【期刊名称】《电子与信息学报》
【年(卷),期】2008(030)007
【摘要】基于UKF算法,该文提出一种CSK通信系统的非相干检测方法.第一个发送符号作为训练符号,接收端根据第一个发送周期内的接收信号,应用UKF算法估计载波信号;然后将估计的载波信号和后续接收信号相乘,解调后续发送符号.与相干检测方法相比,这种方法不需要混沌同步.仿真结果表明,与已有的非相干检测方法相比,这种方法具有较好的误码性能,甚至比FM-DCSK通信系统的误码性能更好.
【总页数】4页(P1576-1579)
【作者】陈宏滨;冯久超;胡志辉
【作者单位】华南理工大学电子与信息学院,广州510641;华南理工大学电子与信息学院,广州510641;华南理工大学电子与信息学院,广州510641
【正文语种】中文
【中图分类】TN914
【相关文献】
1.基于无先导卡尔曼滤波的RBFN训练算法研究 [J], 张海涛;李大字;靳其兵;耿延睿
2.具有减少码间干扰的多用户混沌非相干通信系统 [J], 刘雄英;丘水生
3.差分混沌相移键控通信系统的改进 [J], 刘媛媛
4.混沌通信系统中基于跟踪策略的非相干检测 [J], 冯久超;禹思敏;鲁瑞华
5.非相干光反馈与非相干光注入混沌同步通信系统仿真分析 [J], 马军山;顾文华因版权原因，仅展示原文概要，查看原文内容请购买。
基于无监督学习的盲信号源分离技术研究
第33卷第1期电子科技大学学报V ol.33 No.1 2004年2月Journal of UEST of China Feb. 2004 基于无监督学习的盲信号源分离技术研究傅 彦，周俊临(电子科技大学计算机科学与工程学院成都 610054)【摘要】以独立分量分析为主要对象, 描述了盲信号源分离技术的基本模型，介绍了盲分离的主要方法和数学原理, 分析了盲信号源的可辨识性。
提出基于神经网络无监督学习的盲分离方法，并改进了分离效果评判指标。
在生物信息处理的背景下将人工神经网络和信息理论相结合，解决了盲信号源分离，自适应地求得分离矩阵，且可以同时分离具有正峭度和负峭度的信号源，对盲信号源分离的研究有极大的促进作用。
关键词盲信号源分离; 神经网络; 无监督学习; 独立分量分析板中图分类号TN911; TN911.7 文献标识码 AResearch of Blind Source Separation Technology whichBased on Unsupervised LearningFu Yan，Zhou Junlin(School of Computer Science and Engineering, UEST of China Chengdu 610054)Abstract This paper focuses on the independent component analysis presenting a review on the basic model, the main method, the mathematical principle of blind source separation，analyzing the possibility of separation. The paper puts forward the method that based on the neural network unsupervised learning, also, improves the index on separation effects. Under the biology information processing background, combining artificial neural network with information theory to resolve this kind of problem can get the separation matrix adaptively by itself. It can separate mixtures which have both positive and negative kurtosis, and promotes the research of blind source separation greatly.Key words blind source separation; neural network; unsupervised learning; independent component analysis盲源分离在语音、阵列处理、无线数据通信、图像、医学和地震信号处理等领域有广阔的应用前景。