PMCMC算法的改进及粒子滤波算法的GPU实现

摘要

粒子滤波器一种基于递推贝叶斯和蒙特卡罗的算法,尤其适用于非高斯背景噪声下的信号处理,其精度可以逼近最优估计,但通常不能实现未知参数下的状态估计。为此,本文首先研究具有状态和参数的联合估计的PMCMC算法。并针对实际应用中粒子滤波算法计算量大、实时性差和硬件实现困难的问题,研究运算速度快、鲁棒性强的基于GPU的粒子滤波算法及其硬件实现。
　　 首先,本论文针对非线性非高斯状态下的跟踪问题,研究了基于粒子滤波和Kalman滤波的跟踪原理,通过实例验证了粒子滤波在目标跟踪方面的优越性。然后,针对PMCMC算法中未知参数直接抽样可能出现不收敛的问题,提出基于自适应的PMCMC的改进算法,通过仿真验证了该算法具有未知参数的抽样效率高,收敛速度快。然后,针对粒子滤波实时性差的问题,研究了基于GPU的粒子滤波算法,提出了相应的硬件实现方法,并根据实际算法给出了GPU实现算法流程。最后针对重采样和权重归一化难以并行实现的问题,提出了去相关的并行改进算法,通过仿真验证了基于GPU的粒子滤波的硬件实现方法的可行性,以及在算法运算时间和实时性等方面的优越性。