理论教育 比较分析不同滤波性能

比较分析不同滤波性能

时间:2023-07-16 理论教育 版权反馈
【摘要】:假定某系统的状态方程和量测方程分别为现根据该一维非线性算例比较并分析粒子滤波与高斯滤波的性能。假设零均值高斯白噪声wk和vk的方差分别为10和1,初始状态真值为0.1,滤波初值为0.1,初始方差为10。此外,由于激励噪声较大,AVPF相对于BPF的优势不明显。从图3-7和图3-8中可以很明显地观察到后验密度的双峰特性,这体现了粒子滤波逼近后验密度的能力,也验证了前面的分析。图3-10一维算例中前10步滤波的粒子分布

比较分析不同滤波性能

假定某系统的状态方程和量测方程分别为

现根据该一维非线性算例比较并分析粒子滤波与高斯滤波的性能。假设零均值高斯白噪声wk和vk方差分别为10和1,初始状态真值为0.1,滤波初值为0.1,初始方差为10。各粒子滤波的粒子数均取为N=100,其中BPF含有MCMC步骤。由于粒子滤波存在着随机性,因此共进行NMC=50次蒙特卡罗仿真,以获取各算法的统计信息。

仿真完毕后,使用均方根误差(Root Mean Square Error,RMSE)来量各滤波算法的精度。状态xk处RMSE的计算公式为

式中:xk为状态真值;为滤波算法在第i次仿真中对该状态的估计值。

为了定量描述滤波算法在总体上的精度,定义平均RMSE(Time-averaged Root Mean Square Error,TARMSE)为

式中:NT为一次蒙特卡罗仿真的步数。

为了衡量各算法的计算成本,定义平均运算时间为

式中:为第i次蒙特卡罗仿真中在第k步的运算时长。

为了方便比较,再定义相对平均运算时间为各滤波算法与UKF的平均运算时间之比。

通过仿真,得到图3-6所示的RMSE曲线及表3-1给出的统计数据。由表3-1可知,在估计精度上,BPF和AVPF优于UKF,而GPF和UGPF反而不如UKF。这是由于在给定的量测模型下,具有双峰特性的后验密度与高斯分布相差很大,故基于高斯假设的UKF、GPF和UGPF的估计精度较低。BPF和AVPF没有类似的假设,在理论上能够逼近任意形式的后验密度,所以估计精度较高。此外,由于激励噪声较大,AVPF相对于BPF的优势不明显。在时间成本上,粒子滤波的运算时间远大于UKF,仅100个粒子便使得粒子滤波的计算量超出UKF近30倍。

图3-6 一维算例中各算法的RMSE曲线(见彩插)

表3-1 一维算例中各算法的统计数据(www.daowen.com)

取粒子数N=10 000,根据BPF绘制前10步滤波的粒子分布,如图3-7所示,图中竖轴代表某个区间段内的粒子数n(x)与总粒子数N之比。取出第二个时刻的粒子分布,如图3-8所示。经过核平滑函数的拟合和归一化,可得到k=2时刻的后验概率密度近似曲线,即图中的粗实线。从图3-7和图3-8中可以很明显地观察到后验密度的双峰特性,这体现了粒子滤波逼近后验密度的能力,也验证了前面的分析。为了便于可视化,图3-7和图3-8中取了不同的组宽度。

图3-7 一维算例中前10步滤波的粒子分布

图3-8 一维算例中k=2时刻的粒子分布及后验密度曲线

若将算例中的量测方程修改为

在相同的条件下再次进行仿真试验,可得到如图3-9所示的RMSE曲线。为了体现各算法RMSE曲线的特点,将纵坐标截取在区间[0,20]内。各曲线的统计信息如表3-2所示。

图3-9 一维算例中各滤波算法的RMSE曲线(修改量测模型后)(见彩插)

表3-2 一维算例中各滤波算法的统计信息(修改量测模型后)

式(3-68)中的量测方程虽然仍属于非线性模型,却使状态的后验密度由双峰变为了单峰。显然,在修改量测模型后,GPF和UGPF的精度得到大幅度的提高,这是因为用高斯分布近似单峰分布比近似双峰分布更为有效。根据BPF作出前10步滤波中的粒子分布如图3-10所示,以验证后验密度的单峰特性。

图3-10 一维算例中前10步滤波的粒子分布(修改量测模型后)

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈