导读:本文包含了卡尔曼粒子滤波论文开题报告文献综述及选题提纲参考文献，主要关键词:网球跟踪,粒子滤波,卡尔曼滤波,多尺度小波变换
卡尔曼粒子滤波论文文献综述
付饶,管业鹏[1]（2019）在《基于卡尔曼预测粒子滤波的网球运动目标跟踪方法》一文中研究指出为有效跟踪视频网球运动,提出了一种基于卡尔曼滤波预测的粒子滤波网球运动跟踪方法。基于多尺度小波变换在时域和空域均具有优异的局部化特征,将相邻帧视频图像进行差分,提取反映前景运动的目标特征信息,克服光照变化以及网球运动尺度随时不断变化的不利因素影响;同时,基于网球场地结构化特性,排除场地外不利干扰因素影响。在此基础上,采用卡尔曼滤波对粒子进行预测和修正,将当前观测信息融入到粒子滤波过程中,估计预测粒子状态的均值和协方差,使动态粒子更加接近其后验概率分布,从而提高网球运动目标的跟踪精度。通过与同类方法在不同网球公开赛的定量对比,实验结果表明,所提方法能有效跟踪视频网球运动目标。(本文来源于《电子器件》期刊2019年04期）
李爱双,夏宁[2]（2019）在《基于粒子滤波和卡尔曼滤波的室内定位方法研究》一文中研究指出随着物联网技术的发展,位置服务得到广泛应用。室内定位是智能设备最有用的功能之一,通过这项技术,用户能够获取建筑物内的准确位置信息。本文从原理、兼容性和架构等方面对现有无线室内定位技术进行了分析。提出一种Wi-Fi和蓝牙融合的室内定位方法,描述了系统框架和程序设计,并通过卡尔曼滤波和粒子滤波实现了定位精度优化。(本文来源于《资源信息与工程》期刊2019年03期）
汪超,吴迪[3]（2018）在《基于有限差分扩展卡尔曼粒子滤波的多特征自适应融合的目标跟踪算法研究》一文中研究指出针对复杂环境下目标跟踪问题,提出了一种基于有限差分扩展卡尔曼粒子滤波的多特征自适应融合跟踪算法。采用有限差分扩展卡尔曼滤波器对采样粒子集合进行滤波更新,通过融入最新观测信息的方法消弱权值退化现象;在新算法的框架内,利用目标静态和动态互补特征作为观测量,实现不同环境下目标的多特征自适应融合跟踪。实验结果表明,本文方法具有较好的跟踪精度和抗噪声干扰能力。(本文来源于《光电子·激光》期刊2018年12期）
孙海波,童紫原,唐守锋,童敏明,纪玉明[4]（2018）在《基于卡尔曼滤波与粒子滤波的SLAM研究综述》一文中研究指出同时定位与地图构建(SLAM)问题在移动机器人研究领域受到了广泛关注,其是机器人能否实现完全自主运动功能的关键。首先阐述了SLAM系统相关模型,并介绍了经典卡尔曼滤波相关知识;其次介绍基于扩展卡尔曼滤波、无迹卡尔曼滤波与粒子滤波的SLAM算法如何解决现实世界的非线性、非高斯问题,并总结了各算法优缺点;最后,展望了基于卡尔曼滤波的SLAM算法发展趋势。(本文来源于《软件导刊》期刊2018年12期）
刘征宇,汤伟,王雪松,黎盼春[5]（2018）在《基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态估计》一文中研究指出为实现对电池组单体荷电状态(SOC)的精确估算,首先对锂电池组单体建立增强自校正(ESC)模型,然后根据锂电池ESC模型建立电池组平均模型和各单体SOC差异模型,再对其用双时间尺度的扩展卡尔曼粒子滤波(EKPF)算法来估算电池组平均SOC值和各单体差异SOC值,从而得到电池组中各单体SOC值。对12节锂电池串联电池组进行SOC估算实验,结果表明,基于双时间尺度EKPF算法的电池组单体SOC估计方法可实现对单体SOC的精确估计,且该方法比双时间尺度扩展卡尔曼滤波算法和扩展卡尔曼滤波(EKF)算法具有更高的估算精度。(本文来源于《中国机械工程》期刊2018年15期）
彭雅奇,许承东,牛飞,李臻,范国超[6]（2018）在《基于鲁棒扩展卡尔曼粒子滤波的RAIM算法》一文中研究指出针对基于粒子滤波的接收机自主完好性监测(receiver autonomous integrity monitoring,RAIM)算法中普遍存在粒子退化和采样枯竭问题,提出基于鲁棒扩展卡尔曼粒子滤波(robust extended Kalman particle filter,REKPF)的RAIM算法。该算法利用扩展卡尔曼滤波计算粒子的建议密度函数,引导重采样做出更加准确的采样分布;同时,为了减小伪距偏差对滤波估计的影响,利用抗差估计对卡尔曼增益矩阵进行修正。通过实测数据构建卫星故障检测的检验统计量,对各状态的累加对数似然比进行一致性检测。仿真结果表明,当存在伪距偏差时,基于REKPF的RAIM算法能够有效诊断故障星,缩短告警延迟时间,提高定位精度,算法性能更好。(本文来源于《系统工程与电子技术》期刊2018年12期）
冉星浩,陶建锋,杨春晓[7]（2018）在《基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法》一文中研究指出针对传统粒子滤波面临的重要密度函数的选取和粒子多样性丧失引起的样本贫化问题,提出基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法。与传统的粒子滤波算法相比,有两点改进:首先该算法采取无迹卡尔曼滤波产生建议分布函数;其次,在重采样过程,提出基于权值优化的改进重采样算法来增加粒子的多样性。仿真结果表明,改进算法降低了粒子滤波算法的粒子退化程度并避免样本贫化现象的出现,更加接近真实值,提高了跟踪精度。(本文来源于《探测与控制学报》期刊2018年03期）
王长元,张文强,薛鹏翔[8]（2018）在《粒子滤波和卡尔曼滤波组合的瞳孔跟踪方法》一文中研究指出由于瞳孔目标运动的非线性非高斯性,但是粒子滤波(Kalman Filter)瞳孔跟踪算法能够很好地解决非线性非高斯问题,卡尔曼滤波(Particle Filter)算法是对瞳孔目标状态的最优估计。将粒子滤波算法和卡尔曼滤波算法组合可以获得更为精确的瞳孔跟踪结果。粒子滤波的结果作为卡尔曼滤波的观测值,并且根据粒子滤波的跟踪结果确定卡尔曼滤波的转换矩阵,最终达到理想的瞳孔目标跟踪性能。(本文来源于《计算机与数字工程》期刊2018年04期）
蒋治宇,郭承军[9]（2018）在《无迹卡尔曼滤波和无迹粒子滤波在惯导初始对准中的应用对比》一文中研究指出捷联惯性导航系统是新型航位推算系统,在惯导系统执行工作任务之前需要进行初始对准,以保证系统的正常运行。对捷联式惯导系统,初始对准就是确定初始时刻的姿态阵,利用惯性元件的输出信息,选用合适的滤波方法,将计算的导航坐标系与真实导航坐标系的失准角估计出来,来修正姿态矩阵,使计算坐标系与真实坐标系尽可能重合。在实际的导航系统中,状态方程和量测方程通常都是非线性的,对于非线性特性,传统的解决方法是利用EKF滤波算法,但它只适用于弱非线性模型的估计,系统的非线性越强,引起的估计误差就越大,甚至会引起滤波发散。为此提出两种滤波算法无迹卡尔曼滤波UKF与无迹粒子滤波UPF,并将两者进行了仿真对比,结果表明(UPF)算法比(UKF)算法收敛速度更快,估计精度更高。(本文来源于《科学技术与工程》期刊2018年07期）
李志鹏[10]（2017）在《基于迭代扩展卡尔曼辅助粒子滤波的车辆质心侧偏角观测》一文中研究指出如何实现汽车主动安全控制是保证车辆行驶安全的关键,汽车动力学稳定性控制系统、防侧翻控制系统及避障控制系统是实现汽车主动安全控制的重要保证。质心侧偏角是衡量汽车动力学状态的重要参数,对其准确估计和测量是上述系统优良工作的先决条件。然而在实际应用中直接测量质心侧偏角难度较大而且成本很高,因此,综合考虑经济性和准确性影响因素,通常用软测量的方式对质心侧偏角进行估计。基于汽车线性轮胎模型利用易观测的物理量对质心侧偏角观测是较常见的方法之一,但由于线性模型的局限性,因此,这种方法只能适用于车辆的线性操纵区域,这对于只有在极限工况下才会触发工作的车辆稳定性控制系统而言,显然满足不了要求。本文针对基于汽车线性轮胎模型预估质心侧偏角无法满足车辆稳定性控制系统在极限工况下工作的问题,开展以下具体研究工作:1.建立包含车辆横向,纵向,横摆及四轮轮速的汽车七自由度(7-DOF)整车动力学模型表征车辆状态,为后文搭建状态观测器做准备。2.提出了一种迭代扩展卡尔曼辅助粒子滤波算法来观测车辆质心侧偏角。该算法解决了扩展卡尔曼滤波在强非线性工况下不准确的问题及标准粒子滤波运行过程中出现的粒子退化问题。搭建以质心侧偏角为观测量的状态观测器,应用迭代扩展卡尔曼滤波产生更加接近真实状态的粒子样本,并由辅助粒子滤波算法通过粒子样本产生的重要性函数结合最新的观测量进行重采样,结合这两种算法提出迭代扩展卡尔曼辅助粒子滤波算法观测车辆质心侧偏角,改善观测结果,提高估计精度。3.通过汽车仿真软件CarSim和Matlab/Simulink联合仿真进行模拟对比。4.为验证所提出算法的估计性能,开发基于双天线GPS、应用载波相位差分算法的质心侧偏角测试系统。对装有测试系统的实验车在高低附着路面上分别进行不同车速的标准双移线和蛇形工况试验,并采集实验数据。数据处理模块利用高斯投影坐标变换得到车辆纵轴线与车辆实际速度矢量之间的夹角从而获得质心侧偏角。并将本文算法的估测结果与实车试验结果以及传统的标准粒子滤波算法等估计结果进行比较。(本文来源于《燕山大学》期刊2017-05-01）
卡尔曼粒子滤波论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着物联网技术的发展,位置服务得到广泛应用。室内定位是智能设备最有用的功能之一,通过这项技术,用户能够获取建筑物内的准确位置信息。本文从原理、兼容性和架构等方面对现有无线室内定位技术进行了分析。提出一种Wi-Fi和蓝牙融合的室内定位方法,描述了系统框架和程序设计,并通过卡尔曼滤波和粒子滤波实现了定位精度优化。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
卡尔曼粒子滤波论文参考文献
[1].付饶,管业鹏.基于卡尔曼预测粒子滤波的网球运动目标跟踪方法[J].电子器件.2019
[2].李爱双,夏宁.基于粒子滤波和卡尔曼滤波的室内定位方法研究[J].资源信息与工程.2019
[3].汪超,吴迪.基于有限差分扩展卡尔曼粒子滤波的多特征自适应融合的目标跟踪算法研究[J].光电子·激光.2018
[4].孙海波,童紫原,唐守锋,童敏明,纪玉明.基于卡尔曼滤波与粒子滤波的SLAM研究综述[J].软件导刊.2018
[5].刘征宇,汤伟,王雪松,黎盼春.基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态估计[J].中国机械工程.2018
[6].彭雅奇,许承东,牛飞,李臻,范国超.基于鲁棒扩展卡尔曼粒子滤波的RAIM算法[J].系统工程与电子技术.2018
[7].冉星浩,陶建锋,杨春晓.基于无迹卡尔曼滤波和权值优化的改进粒子滤波算法[J].探测与控制学报.2018
[8].王长元,张文强,薛鹏翔.粒子滤波和卡尔曼滤波组合的瞳孔跟踪方法[J].计算机与数字工程.2018
[9].蒋治宇,郭承军.无迹卡尔曼滤波和无迹粒子滤波在惯导初始对准中的应用对比[J].科学技术与工程.2018
[10].李志鹏.基于迭代扩展卡尔曼辅助粒子滤波的车辆质心侧偏角观测[D].燕山大学.2017