论文部分内容阅读
非线性、非高斯滤波技术被广泛应用于军事、科技、工程和经济等多个领域,一直以来备受人们关注。最常用的非线性滤波方法是广义卡尔曼滤波(EKF),这种方法先将非线性系统方程用泰勒级数展开,而后在状态估计值附近线性化并假定线性化后的状态仍服从高斯分布,最后对线性化后的系统采用卡尔曼滤波获得状态估计。该方法的缺陷在于它不能对实际非线性函数或概率分布进行精确地描述,所以滤波结果常常发散。近年来,Julier和Uhhnann提出了无迹卡尔曼滤波(UKF)算法。与EKF不同,它直接利用非线性模型通过选取少量样本点的方式逼近状态随机变量分布。该方法在统计估计精确度方面明显优于EKF,但因其状态分布仍用高斯随机变量表示,故在非高斯分布情况下性能表现仍不佳。另一种常用的非线性滤波方法是粒子滤波,这种方法是基于贝叶斯估计思想的非线性滤波算法。它利用随机样本来描述概率分布,然后在测量的基础上,通过调节各样本权值大小来近似实际后验概率分布。因其易于得到均值、方差、峰度等统计信息量,故该方法可实现对任意非线性系统进行状态估计。
粒子滤波主要应用涉及机动目标跟踪、机器人导航和定位、语音信号处理、金融数据分析、复杂工程监视与控制等。本文将其应用到评标和睡眠分期两个非线性非高斯系统。
针对现行评标方案在评定某指标下各单位真实差距的不足,利用粒子滤波算法通过重复采样过程可以获得系统状态后验概率的基本思想,通过选取各指标最优值作为高斯抽样变量,进行粒子滤波叠代,求取某指标下某单位的中标概率密度,从而实现将粒子滤波算法应用到评标过程中。
针对利用计算机对人体睡眠分期不准确的缺陷,利用粒子滤波算法通过重复采样过程可以获得系统状态后验概率的基本思想,通过选取各标准睡眠状态下的某频段振幅值占脑波信号频段的振幅值的百分比作为高斯抽样变量,进行粒子滤波叠代,求取某时刻的睡眠属于某睡眠状态的后验概率密度,从而实现将粒子滤波算法应用到睡眠分期中。
本文试图将粒子滤波算法应用到非线性非高斯系统,实现多约束多目标决策。通过对评标实例分析,可知粒子滤波算法应用到评标中的有效性,通过理论分析得出其相对于其他评标方案的优势所在;通过对临床睡眠的自动分期得到该算法应用于睡眠分期的可行性。