联合模糊聚类和拟蒙特卡罗重采样的群目标跟踪算法

联合概率数据关联粒子滤波(joint probabilistic data association-particle filter,JPDA-PF)算法常被用来解决群目标跟踪中的数据关联和非线性滤波问题.针对算法的数据关联时间较长以及样本枯竭问题,本文阐述了一种利用模糊聚类和拟蒙特卡罗重采样的群目标跟踪算法.首先,在群演化网络模型的基础上,采用最大熵模糊聚类法来完成群内个体目标和量测之间的数据关联,利用模糊隶属度来构建互联概率矩阵.其次,在目标状态样本的重采样的过程中,利用随机化拟蒙特卡罗序列映射到拟复制样本的子空间上,提高样本的多样性,抑制样本枯竭的出现.仿真实验结果表明,与JPDA-PF算法相比,本文算法能有效估计群内目标状态和群结构,并具有更优的估计性能.     

改进粒子滤波的无线传感器网络目标跟踪算法

针对粒子滤波(PF)重采样后造成的粒子枯竭现象的问题,提出了一种基于改进重采样的粒子滤波无线传感器网络目标跟踪算法.该算法避免了残差重采样算法中的残留粒子重采样问题,减少了计算时间;通过产生新的粒子,增加了粒子的多样性,从而改善了粒子枯竭现象.仿真实验结果表明:改进重采样的粒子滤波算法提高了目标跟踪精度,降低了跟踪误差.     

改进的GMPF在动态跟踪系统中的应用

针对动态跟踪系统的非线性问题,提出一种非线性非高斯性能较优的状态估计器:考虑最新观测值的影响,使用基于平方根二阶差分(SRDD2)的高斯混合(GM)模型给出粒子滤波的建议分布.重要性采样和再采样阶段分别采用基于蒙特卡罗的重要性采样和进化的再采样方法,以减轻粒子滤波(PF)的样本退化问题,增强样本的多样性.实验结果表明,与平方根二阶差分Kalman滤波、PF、GM粒子滤波相比,该状态估计器提高了动态跟踪系统状态估计器的综合估计性能.     

一种新的粒子滤波算法在INS/GPS组合导航系统中的应用

为改善传统粒子滤波中的样本退化和样本枯竭问题, 提出一种新的粒子滤波算法. 在重要性采样中, 利用最新测量值, 结合差分滤波算法产生重要性函数; 在再采样中, 利用高斯混合模型近似状态的后验概率密度, 引入最大期望算法计算该高斯混合模型的参数, 并从该新分布中采样后验粒子集, 取代传统的再采样. 从而通过提高重要性函数对状态后验概率密度的逼近程度来缓解样本退化问题, 通过改进再采样实现过程来缓解样本枯竭问题. 把新算法应用到INS/GPS组合导航系统中, 仿真结果表明新算法的估计性能明显优于粒子滤波.     

一种改进的粒子滤波算法及其在说话人跟踪中的应用

针对非线性、非高斯系统状态的在线估计问题,提出一种改进的粒子滤波算法,该算法综合考虑"优选建议分布函数"和"重采样"两种并行改进滤波性能的方法.首先通过Unscented卡尔曼滤波器产生系统的状态估计,并在协方差预测阶段引入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,有效抑制了粒子退化现象;接着在重采样阶段引入MCMC(Markov Chain Monte Carlo)方法来构造马尔科夫链产生服从目标分布的粒子,使样本更加多样化,有效避免了粒子枯竭问题.最后,通过系统仿真及说话人跟踪实验,证明了该算法的有效性.     

采用双重采样的移动机器人Monte Carlo定位方法

移动机器人Monte Carlo定位效率受限于大量粒子的权值更新运算. 本文提出一种实现粒子集规模自适应调整的双重采样方法: 第一层基于粒子权重的固定粒子数重采样, 有效减轻粒子权值退化并保证预测阶段粒子多样性; 第二层粒子稀疏化聚合重采样, 基于粒子空间分布合理性将粒子加权聚合, 从而减少参与权值更新粒子数. 该方法通过提高粒子预测能力保证滤波精度, 通过减少权值更新运算提高了粒子滤波效率. 仿真实验表明, 双重采样方法能够有效实现粒子集规模自适应调整,采用双重采样的移动机器人Monte Carlo定位方法是高效、鲁棒的.     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.     

基于知识板的协同粒子滤波算法

在当前的粒子滤波中,粒子可能出现退化现象和重采样,导致样本枯竭从而破坏粒子多样性。针对该问题,借鉴知识板和协同进化理论,提出一种基于知识板的协同粒子滤波算法。该算法对重要性密度函数进行采样,形成采样粒子样本,并将粒子划分为若干个子采样粒子群,对每个子采样粒子群在不同的区域进行搜索,通过子采样粒子群之间的通信,最终找到动态系统的最佳状态估计。理论分析与仿真结果表明,该算法能提高经典粒子滤波算法的群体多样性,在加快收敛速度和降低计算复杂度方面有较大优势。     

基于随机化Halton序列的粒子滤波算法研究*

为了克服传统粒子滤波蒙特卡洛（MC）随机采样粒子之间的间隙过大与层叠,及其产生的采样效率和滤波精度较低的问题,提出一种基于Halton序列的拟蒙特卡洛（QMC）采样粒子滤波算法。该算法在对Halton序列进行随机化、较好地消除其各维之间相关性的基础上,将之应用于粒子采样过程,以代替蒙特卡洛随机采样,得到用均匀分布粒子近似的后验状态概率密度。仿真证实,算法性能要优于传统粒子滤波算法,改善了采样效率与计算精度,且能克服粒子的退化现象。     

增强粒子滤波船舶组合导航算法

针对粒子滤波作为非线性/非高斯估计方法存在的粒子退化和贫化的问题,提出了一种基于集合卡尔曼滤波(Ensemble Kalman filter,EnKF)和马尔可夫蒙特卡罗(Markov Chain Monte Carlo,MCMC)的增强粒子滤波算法。首先,使用EnKF分析代替先验密度对PF的建议密度进行定义,从而降低粒子退化的风险;其次,当发生粒子退化时,通过MCMC方法进行重采样,以增加粒子的多样性,从而降低了粒子贫化的可能性,提高滤波器的精度;最后,将提出的方法应用到GPS PPP/INS组合导航系统中,实验结果均表明,增强粒子滤波算法能提高估计精度,其性能优于标准粒子滤波。     

鲁棒的机器人蒙特卡洛定位算法

提出一种基于粒子滤波器的机器人定位算法. 首先利用一并行扩展卡尔曼滤波器作为粒子预测分布, 将当前观测的部分信息融入, 以改善滤波效果, 减小所需粒子数; 然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)重采样方法, 以提高粒子的细化能力; 最后结合普通重采样方法, 提出一种改进的MCMC重采样的机器人定位算法, 减少粒子匮乏效应的同时, 提高了定位精度. 实验结果表明, 该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.     

人工免疫粒子滤波算法的研究

退化现象是应用粒子滤波算法的一个主要障碍,常规的再采样方法虽然可解决退化问题,但容易产生粒子耗尽现象.针对上述问题,将人工免疫算法引入粒子滤波,提出了人工免疫粒子滤波算法.通过人工免疫算法寻找较好的粒子用于估计,以增加粒子集的多样性,从而缓解了粒子滤波的退化现象并解决了粒子耗尽问题.仿真结果表明该算法是可行的.     

基于UKF和优化组合策略的改进粒子滤波算法

针对标准粒子滤波算法存在的粒子退化与贫化问题,提出了一种新的改进粒子滤波算法。该算法采用无迹卡尔曼滤波、优化组合策略和标准粒子滤波相结合的方法,运用UKF产生重要性密度函数,解决标准PF算法中以先验概率密度函数作为建议分布所引发的退化问题;运用优化组合重采样策略保证所有粒子的信息以一定概率得到继承,维持粒子集中粒子的多样性。理论分析与仿真结果均表明,改进算法能有效地解决标准粒子滤波存在的粒子退化问题并避免粒子贫化现象的出现,具有更高的状态估计精度。     

一种改进的粒子滤波算法及其在GPS/DR组合定位中的应用

针对粒子滤波的重要性密度函数选择问题,提出一种基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的改进粒子滤波算法。该方法利用集合卡尔曼滤波产生粒子滤波在每一时刻各粒子的重要性密度函数,在融合最新观测信息的同时,使重要性密度函数更加符合状态的真实后验概率分布。为消除样本枯竭现象,对重采样后的粒子进行马尔科夫链蒙特卡洛处理。在仿真实验中,将新算法用于GPS/DR组合定位系统,与粒子滤波、扩展卡尔曼粒子滤波以及无迹粒子滤波进行比较。仿真结果表明,该算法的估计精度高于传统粒子滤波算法,同时其能够有效控制计算量,并且在粒子数目较少时仍能保证较好的估计性能。     

基于高斯粒子CPHD滤波的多目标检测前跟踪算法

针对未知目标数条件下多弱小目标检测前跟踪(TBD)算法鲁棒性较低、运算量较大等问题,提出一种基于高斯粒子势概率假设密度(CPHD)滤波的多目标检测前跟踪算法.运用高斯函数近似目标状态的后验概率密度,采取粒子滤波的方法迭代更新CPHD中各高斯项的均值与协方差,无需重采样,避免了粒子退化和采样枯竭等问题;同时结合检测前跟踪算法的实际情况,得出粒子权值的更新表达式.仿真实验表明,与现有算法相比,所提出算法在降低复杂度的同时,可以更为可靠地传递目标势分布信息,从而提高多弱小目标数目和状态估计的准确性和稳定性.     

Interacting MCMC particle filter for tracking maneuvering target

In this paper, a new method, named interacting MCMC particle filter, is proposed to track maneuvering target. The particles are sampled from the target posterior distribution via direct interacting MCMC sampling method, which avoids sample impoverishment and increases the robustness of the algorithm. Moreover, the interacting MCMC particle filter algorithm accelerates the MCMC convergence rate via propagating each particle based on both its history information and the information from other particles.     

基于权值优选的改进二阶中心差分粒子滤波算法

针对标准粒子滤波算法难以解决的粒子退化问题和样本贫化现象，提出了基于权值优选的改进二阶中心差分粒子滤波算法。该算法主要从以下两方面进行改进：首先采用二阶中心差分滤波方法通过协方差矩阵的平方根来产生重要性密度函数，从而解决粒子退化问题；然后通过重采样方法的利用权值优选的思想来增加粒子集的多样性，有效避免了样本贫化的现象。仿真结果表明：该算法状态估计结果更加接近目标真实的状态估计，平均均方根误差也更低，跟踪效果更佳，同时保持了较高的运算效率。