文獻標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.212195
中文引用格式： 孫文. 基于量化測量的前向-后向箱粒子平滑器[J].電子技術(shù)應(yīng)用，2022，48(5)：114-118.
英文引用格式： Sun Wen. Forward-backward box smoothing with quantized measurements[J]. Application of Electronic Technique，2022，48(5)：114-118.
0 引言
近年來，對量化測量的關(guān)注越來越多[1-5]，正如文獻[3]中所指出的，量化是由于通信信道的帶寬有限造成的。由于量化測量提供了目標(biāo)的區(qū)間描述而不是點描述，傳統(tǒng)的跟蹤方法(如常用的粒子濾波)不能直接用于量化測量。在文獻[6]中，提出了一種特殊的粒子濾波方法，稱作箱粒子濾波算法(Box Particle Filter，BPF)來解決上述問題。其將測量值作為區(qū)間，而不是傳統(tǒng)的點觀測值。BPF通過引入?yún)^(qū)間分析方法，為量化測量提供了一種明確的解決方法。近年來，其已經(jīng)成功地應(yīng)用于數(shù)量可變多目標(biāo)跟蹤[7-8]和擴展目標(biāo)跟蹤[9-10]。
隨機評估需要解決三個重要的問題：濾波、平滑和預(yù)測[11]，然而過去幾年，濾波和預(yù)測經(jīng)常被深入探討，平滑卻經(jīng)常被忽略。聯(lián)合延遲觀測和平滑對預(yù)測性能的改善會超過濾波[12]。對于線性高斯模型，平滑方法是基于卡爾曼濾波框架提出的[11]。對于非線性非高斯模型，平滑方法是通過對粒子濾波進行擴展得到的[13]，或者前向-后向平滑方案[14-16]，或者基于塊的粒子方法[17]，或者雙濾波平滑器[18-20]。最近在文獻[21]中提出了一種具有線性復(fù)雜度但不像文獻[13]那樣受粒子損耗影響的SMC平滑器。
本文提出了一種基于量化測量的前向-后向箱粒子平滑(Forward-Backward Box Particle Smoothing，F(xiàn)B-BPS)算法來解決上述問題，在前向過程中，濾波密度通過標(biāo)準(zhǔn)粒子濾波正向傳播給時刻，在反向過程中，根據(jù)BPF的相關(guān)特征推導(dǎo)出平滑公式[13]。為了進一步提高狀態(tài)估計精度，提出了一種新的箱形粒子移動步驟。量化測量的仿真結(jié)果表明，即使是1階(1-Lag)滯后平滑也能顯著提高測量精度。
本文詳細內(nèi)容請下載：http://www.viuna.cn/resource/share/2000004289。
作者信息：
孫 文
(中國西南電子技術(shù)研究所，四川 成都610036)
