目标特性辅助的高斯求和正交粒子滤波算法

“辅助高斯和求和正交粒子滤波，第六届IET无线，移动和多媒体网络国际会议（ICWMMN 2015），2015年，第129.132页” 这篇研究论文探讨了在线非高斯滤波问题，特别是针对在稀疏采样环境中的观测数据处理。作者Liangqun Li、Sheng Luo和Zhenglong Yi来自深圳大学的自动目标识别关键实验室。他们提出了一种新颖的辅助高斯和求和正交粒子滤波器（AGSQPF），该算法是基于目标特性设计的。 在AGSQPF算法中，预测状态的概率密度函数（PDF）和后验PDF都通过高斯-赫尔米特求和法用有限个高斯混合物来近似。这种方法考虑了粒子滤波的原理，利用这些混合模型来更精确地表示复杂的非高斯分布。此外，该算法能够将目标速度、时间间隔以及最新的观测信息纳入重要性密度函数，这有助于显著提升滤波性能。 高斯和求和（Gaussian Sum）方法是通过组合多个高斯分布来逼近非高斯概率分布，而高斯-赫尔米特求和（Gauss-Hermite quadrature）则是一种数值积分技术，特别适合处理高斯相关的函数。这种求和方法在粒子滤波框架下能够提供更精确的估计，特别是在处理非线性和非高斯动态系统时。 传统粒子滤波在处理稀疏采样环境中的观测数据时可能会遇到困难，因为这些环境通常会导致数据丢失或不确定性增加。AGSQPF通过引入目标特性并优化重要性权重分配，能够有效地应对这些问题，从而提高滤波的准确性和稳定性。 与传统的高斯和求和正交粒子滤波（GSQPF）相比，AGSQPF在稀疏采样环境下的表现显著改善。模拟结果证实了这一点，表明在处理此类环境时，AGSQPF算法具有更高的滤波性能和鲁棒性。关键词包括：高斯和、高斯-赫尔米特求和、求和粒子滤波以及目标特性。 总结来说，这篇论文提出了一个创新的滤波方法，即辅助高斯和求和正交粒子滤波，它结合了目标特性，以适应非高斯和稀疏采样环境下的数据处理，提高了滤波效率和精度。这一方法对于无线、移动和多媒体网络等领域的信号处理和目标追踪应用具有重要的理论和实践价值。