粒子滤波的重采样方法

粒子滤波是基于递推的Monte Carlo仿真方法的总称,原则上可用于任意非线性、非高斯随机系统的状态估计.但粒子的退化现象是粒子滤波器的最大缺陷,减轻这一现象影响的方法之一就是对粒子进行重采样.阐述了几种重要的重采样算法及其改进策略,并对其进行总结与展望.     

自适应采样数粒子滤波算法

基于统计决策规则提出自适应采样数粒子滤波算法,在定义综合性能风险函数的基础上,推导出粒子数与滤波误差方差之间的关系式,使得在跟踪过程中,可以根据目标的机动情况在线调节粒子数,以使跟踪性能达到最优。在Matlab仿真平台下进行了闪烁噪声下的机动目标跟踪实验,结果表明,自适应采样数粒子滤波算法是一种有效的机动目标跟踪方法,跟踪性能较基本粒子滤波算法提高了3.7倍。     

不同分散剂对纳米SiO_2水中分散的影响

选取六偏磷酸钠(SHMP)、十二烷基苯磺酸钠(SDBS)及KCl作分散剂,并采用超声分散方法,制备纳米SiO2悬浮液,对纳米SiO2的水中分散性能进行研究。测试分散体系中纳米SiO2粒子的粒径及分布、Zeta电位及透光率,探讨了不同分散剂对纳米SiO2分散性能的影响。结果表明:不同分散剂对纳米SiO2的粒径都有明显影响,但粒径分布宽度差别较大;同在分散粒径较小的条件下,分别添加3种分散剂的悬浮液体系具有不同的稳定性,其中含SDBS的分散体系因静电和空间位阻的作用而表现出良好的分散稳定性。