高级搜索

学生t量测分布下鲁棒粒子滤波算法的设计与实现

王宗原 周卫东

引用本文: 王宗原, 周卫东. 学生t量测分布下鲁棒粒子滤波算法的设计与实现[J]. 电子与信息学报, 2019, 41(12): 2957-2964. doi: 10.11999/JEIT190144 shu
Citation:  Zongyuan WANG, Weidong ZHOU. Design and Implementation of Robust Particle Filter Algorithms under Student-t Measurement Distribution[J]. Journal of Electronics and Information Technology, 2019, 41(12): 2957-2964. doi: 10.11999/JEIT190144 shu

学生t量测分布下鲁棒粒子滤波算法的设计与实现

    作者简介: 王宗原: 男,1977年生,讲师,研究方向为统计信号检测与处理;
    周卫东: 男,1966年生,教授,研究方向为卫星导航、组合导航技术
    通讯作者: 周卫东,zhouweidong@hrbeu.edu.cn
  • 基金项目: 国家自然科学基金(61773133),中央高校基本科研业务费(3072019CF2419)

摘要: 野值是一种异于总体数据的非高斯量测值,在实际传输中野值的加入常使信号出现厚尾特性。粒子滤波是基于贝叶斯框架的适用于非线性/非高斯系统的一种滤波方法。如果在量测噪声中存在野值会使粒子滤波的精度下降。该文利用学生t分布建模量测噪声模型,结合变分贝叶斯(VB)递推方法设计一种新颖的边缘粒子滤波(MPF-VBM),它在滤波同时可对量测噪声的包括均值在内的全部参数进行实时估计。进一步,利用该估计算法,在量测噪声时变条件下研究了噪声关联的粒子滤波算法(MPF-VBM-COR)。通过对典型单变量增长模型的仿真,验证了所提两种算法相比于已有算法在状态估计上具有更优越的鲁棒性。

English

    1. [1]

      XU Long, MA Kemao, LI Wenshuo, et al. Particle filtering for networked nonlinear systems subject to random one-step sensor delay and missing measurements[J]. Neurocomputing, 2018, 275: 2162–2169. doi: 10.1016/j.neucom.2017.10.059

    2. [2]

      STORVIK G. Particle filters for state-space models with the presence of unknown static parameters[J]. IEEE Transactions on Signal Processing, 2002, 50(2): 281–289. doi: 10.1109/78.978383

    3. [3]

      SAHA S, ÖZKAN E, GUSTAFSSON F, et al. Marginalized particle filters for Bayesian estimation of Gaussian noise parameters[C]. The 13th International Conference on Information Fusion, Edinburgh, UK, 2010: 1–8. doi: 10.1109/ICIF.2010.5712016.

    4. [4]

      ÖZKAN E, ŠMÍDL V, SAHA S, et al. Marginalized adaptive particle filtering for nonlinear models with unknown time-varying noise parameters[J]. Automatica, 2013, 49(6): 1566–1575. doi: 10.1016/j.automatica.2013.02.046

    5. [5]

      ZHAO Yujia, FATEHI A, and HUANG Biao. Robust estimation of ARX models with time varying time delays using variational Bayesian approach[J]. IEEE Transactions on Cybernetics, 2018, 48(2): 532–542. doi: 10.1109/TCYB.2016.2646059

    6. [6]

      PICHÉ R, SÄRKKÄ S, and HARTIKAINEN J. Recursive outlier-robust filtering and smoothing for nonlinear systems using the multivariate student-t distribution[C]. 2012 IEEE International Workshop on Machine Learning for Signal Processing, Santander, Spain, 2012: 1–6. doi: 10.1109/MLSP.2012.6349794.

    7. [7]

      ZHANG Yonggang, JIA Guangle, LI Ning, et al. A novel adaptive Kalman filter with colored measurement noise[J]. IEEE Access, 2018, 6: 74569–74578. doi: 10.1109/ACCESS.2018.2883040

    8. [8]

      HUANG Yulong, ZHANG Yonggang, LI Ning, et al. A novel robust Student's t-based Kalman filter[J]. IEEE Transactions on Aerospace and Electronic Systems, 2017, 53(3): 1545–1554. doi: 10.1109/TAES.2017.2651684

    9. [9]

      XU Dingjie, SHEN Chen, and SHEN Feng. A robust particle filtering algorithm with non-Gaussian measurement noise using student-t distribution[J]. IEEE Signal Processing Letters, 2014, 21(1): 30–34. doi: 10.1109/LSP.2013.2289975

    10. [10]

      AIT-EL-FQUIH B and HOTEIT I. A variational Bayesian multiple particle filtering scheme for large-dimensional systems[J]. IEEE Transactions on Signal Processing, 2016, 64(20): 5409–5422. doi: 10.1109/TSP.2016.2580524

    11. [11]

      GAO Wei, LI Jingchun, ZHOU Guangtao, et al. Adaptive Kalman filtering with recursive noise estimator for integrated SINS/DVL systems[J]. The Journal of Navigation, 2015, 68(1): 142–161. doi: 10.1017/S0373463314000484

    12. [12]

      ZHU Hao, LEUNG H, and HE Zhongshi. State estimation in unknown non-Gaussian measurement noise using variational Bayesian technique[J]. IEEE Transactions on Aerospace and Electronic Systems, 2013, 49(4): 2601–2614. doi: 10.1109/TAES.2013.6621839

    13. [13]

      CHEN J and MA L. Particle filtering with correlated measurement and process noise at the same time[J]. IET Radar, Sonar & Navigation, 2011, 5(7): 726–730. doi: 10.1049/iet-rsn.2010.0365

    14. [14]

      SAHA S and GUSTAFSSON F. Particle filtering with dependent noise processes[J]. IEEE Transactions on Signal Processing, 2012, 60(9): 4497–4508. doi: 10.1109/TSP.2012.2202653

    15. [15]

      WANG Zongyuan and ZHOU Weidong. Robust linear filter with parameter estimation under student-t measurement distribution[J]. Circuits, Systems, and Signal Processing, 2019, 38(6): 2445–2470. doi: 10.1007/s00034-018-0972-8

    1. [1]

      王彬, 侯越圣. 一种Alpha稳定分布噪声下的体积目标长度估计方法. 电子与信息学报, 2020, 41(0): 1-8.

    2. [2]

      周宝亮. 分布式相参雷达LFM宽带去斜参数估计方法. 电子与信息学报, 2020, 42(7): 1566-1572.

    3. [3]

      刘坤, 吴建新, 甄杰, 王彤. 基于阵列天线和稀疏贝叶斯学习的室内定位方法. 电子与信息学报, 2020, 42(5): 1158-1164.

    4. [4]

      董道广, 芮国胜, 田文飚. 时域流信号的多任务稀疏贝叶斯动态重构方法研究. 电子与信息学报, 2020, 42(7): 1758-1765.

    5. [5]

      姚婷婷, 梁越, 柳晓鸣, 胡青. 基于雾线先验的时空关联约束视频去雾算法. 电子与信息学报, 2020, 42(0): 1-9.

    6. [6]

      周牧, 李垚鲆, 谢良波, 蒲巧林, 田增山. 基于多核最大均值差异迁移学习的WLAN室内入侵检测方法. 电子与信息学报, 2020, 42(5): 1149-1157.

    7. [7]

      高云龙, 王志豪, 潘金艳, 罗斯哲, 王德鑫. 基于自适应松弛的鲁棒模糊C均值聚类算法. 电子与信息学报, 2020, 42(7): 1774-1781.

    8. [8]

      赵娅, 郭嘉慧, 李盼池. 一种量子图像的中值滤波方案. 电子与信息学报, 2020, 42(0): 1-8.

    9. [9]

      陈勇, 郑瀚, 沈奇翔, 刘焕淋. 基于改进免疫粒子群优化算法的室内可见光通信三维定位方法. 电子与信息学报, 2020, 42(0): 1-7.

    10. [10]

      徐少平, 林珍玉, 崔燕, 刘蕊蕊, 杨晓辉. 采用双通道卷积神经网络构建的随机脉冲噪声深度降噪模型. 电子与信息学报, 2020, 41(0): 1-8.

    11. [11]

      邵凯, 李述栋, 王光宇, 付天飞. 基于迟滞噪声混沌神经网络的导频分配. 电子与信息学报, 2020, 41(0): 1-8.

    12. [12]

      武迎春, 王玉梅, 王安红, 赵贤凌. 基于边缘增强引导滤波的光场全聚焦图像融合. 电子与信息学报, 2020, 41(0): 1-9.

    13. [13]

      蒲磊, 冯新喜, 侯志强, 余旺盛. 基于自适应背景选择和多检测区域的相关滤波算法. 电子与信息学报, 2020, 41(0): 1-7.

    14. [14]

      孙小君, 周晗, 闫广明. 基于新息的自适应增量Kalman滤波器. 电子与信息学报, 2020, 41(0): 1-8.

    15. [15]

      雷维嘉, 杨苗苗. 时间反转多用户系统中保密和速率优化的预处理滤波器设计. 电子与信息学报, 2020, 42(5): 1253-1260.

    16. [16]

      张波, 黄开枝, 林胜斌, 易鸣, 陈亚军. MIMO异构网络中一种基于人工噪声的抗主动窃听者的鲁棒安全传输方案. 电子与信息学报, 2020, 41(0): 1-8.

    17. [17]

      牛莹, 张勋才. 基于变步长约瑟夫遍历和DNA动态编码的图像加密算法. 电子与信息学报, 2020, 42(6): 1383-1391.

    18. [18]

      项厚宏, 陈伯孝, 杨婷, 杨明磊. 基于多帧相位增强的米波雷达低仰角目标DOA估计方法. 电子与信息学报, 2020, 42(7): 1581-1589.

    19. [19]

      张普宁, 亢旭源, 刘宇哲, 李学芳, 吴大鹏, 王汝言. 相似度自适应估计的物联网实体高效搜索方法. 电子与信息学报, 2020, 42(7): 1702-1709.

    20. [20]

      张琳, 陈炳均, 吴志强. 基于矩阵低秩估计的可靠多载波差分混沌键控接收机. 电子与信息学报, 2020, 42(0): 1-8.

  • 图 1  贝叶斯推断图模型

    图 2  算法噪声均值估计比较图

    图 3  3种算法对应第1种噪声RMSE比较图

    图 5  3种算法对应第3种噪声RMSE比较图

    图 4  3种算法对应第2种噪声RMSE比较图

    图 6  3种算法对第1种关联噪声的ARMSE比较图

    图 8  3种算法对第3种关联噪声的状态ARMSE比较图

    图 7  3种算法对第2种关联噪声的状态ARMSE比较图

    表 1  基于VB带有噪声均值估计的边缘粒子滤波(MPF-VBM)算法

     从分布${ {\text{N} } }\left( { { {\text{x} }_0}\left| { { {\text{m} }_{0\left| 0 \right.} },{ {\text{P} }_{0\left| 0 \right.} } } \right.} \right)$采样粒子${\text{x}}_0^{\left( i \right)}$$i = 1,2, ·\!·\!· ,N$,并且设置权值$\omega _0^{\left( i \right)} = {1 / N}$;初始化超参数$a_0^{\left( i \right)},\;\;b_0^{\left( i \right)},\;\;c_0^{\left( i \right)},\;\;d_0^{\left( i \right)},\nu _0^{\left( i \right)},\text{η} _0^{\left( i \right)}$和$\beta _0^{\left( i \right)}$;计算初
    始参数${\text{μ} _0}$, ${\text{Λ} _0}$和${\nu _0}$期望。对时刻$k = 1,2, ·\!·\!· ,K$
     对每一个粒子$i = 1,2, ·\!·\!· ,N$
     (1) 使用式(25)做噪声参数的时间更新;
     (2) 从状态传递方程$p\left({\text{x} }_k^{\left( i \right)}\left| {\text{x} }_{k - 1}^{\left( i \right)} \right.\right)$做粒子的一步预测;
     (3) 通过新量测${{\text{z}}_k}$用式(15)更新重要性权值;
     (4) 必要的话,粒子重采样;
     (5) 使用式(13),式(14),式(16),式(17),式(18),式(19),式(22),式(23),并利用重采样粒子做噪声参数后验更新,
    $\varTheta _{k\left| k \right.}^{\left( i \right)} = T\left( {\varTheta _{k\left| {k - 1} \right.}^{\left( i \right)},x_k^{\left( i \right)},{z_k}} \right)$;其中$T\left( \cdot \right)$代表参数充分统计量;
     得出当前的噪声参数期望值及对应状态值;
     在$k = = K$前,进行下一次循环。
    下载: 导出CSV

    表 2  对应3种噪声的3种算法的均方根误差平均值(ARMSE)

    量测噪声MPF-VBMMPF-VBSMPF-CP
    N(0,1)+20%U(–20, 20)野值5.56735.54688.5571
    N(6, 1)无野值4.61708.11418.8132
    N(6,5)+20%U(20, 60)野值6.33538.62888.7588
    运行时间(s)0.010670.0071870.005587
    下载: 导出CSV

    表 3  对应3种噪声的3种算法的均方根误差平均值(ARMSE)

    量测噪声MPF-VBMMPF-VB-CORPF-COR
    ${{N} }\left( {0,\;{5 / 2} } \right)$3.86623.40253.1384
    ${{N} }\left( {0,\;R} \right)$ $R$时变5.51784.55365.0392
    ${{N} }\left( {0,\;{5 / 2} } \right)$+20%
    Unif (–5, 5)野值
    8.58928.757411.0393
    下载: 导出CSV
  • 加载中
图(8)表(3)
计量
  • PDF下载量:  48
  • 文章访问数:  1068
  • HTML全文浏览量:  652
文章相关
  • 通讯作者:  周卫东, zhouweidong@hrbeu.edu.cn
  • 收稿日期:  2019-03-13
  • 录用日期:  2019-07-23
  • 网络出版日期:  2019-07-27
  • 刊出日期:  2019-12-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章