一种基于运动检测的粒子滤波跟踪方法

针对传统粒子滤波的建议分布没有利用到当前观测信息的不足,本文提出了一种基于运动检测以改进建议分布的粒子滤波跟踪方法.该方法利用系统的状态转移密度分布,结合目标当前时刻的运动信息共同决定目标的先验分布.首先从一阶自回归的状态转移模型中生成部分粒子,然后采用单高斯背景建模进行局部运动检测,在检测到的运动区域中采样其余粒子,由此得到粒子的先验分布.用该方法分别对动态背景和存在完全遮挡情况下的运动目标进行跟踪,实验结果表明该方法有较高的跟踪精度和较强的稳定性.     

A particle filter algorithm based on gray forecast

针对标准粒子滤波(SPF)算法在目标机动时跟踪滤波性能不高的问题,引入灰色预测理论,提出了一种基于灰色预测的粒子滤波(PFGF)算法,给出了算法的具体描述和运算流程.当预先建立的状态模型不再适用于目标的真实运动状态时,该方法具有良好的预估性能,减少了对事先假定目标状态模型的依赖性.与SPF方法进行了蒙特卡洛仿真比较分析,实验结果证明,PFGF算法在不增加计算复杂度的情况下,提高了跟踪精度,能够很好地克服粒子退化现象.     

基于高斯粒子滤波的当前统计模型跟踪算法

对于非线性系统估计问题,高斯粒子滤波器可以获得近似最优解,与粒子滤波器相比其优点是不需要重采样步骤和不存在粒子退化现象.采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波,将高斯粒子滤波与当前统计模型的优点相结合,提出了一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.MonteCarlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于交互多模型粒子滤波算法.     

基于扩展卡尔曼滤波的气力输送动态称重系统

为了提高粉料在气力输送过程中动态称重的精度,提出了一种基于扩展卡尔曼滤波算法的动态称重方法。通过设置多个称重传感器,对采集的数据进行融合并滤波处理,以消除干扰噪声对系统测量的影响。同时采用减重计量法,将数据处理结果通过智能控制器实时调节卸料控制阀的开关度,以提高动态称重的精度。实验结果表明:称重30kg二氧化硅粉末,平均误差在0.3%以下。     

基于小波分析的汽车衡动态测量数据处理方法

动态称重的关键是动态测量数据的数据处理方法,而数据处理的算法,都有各自的优缺点.本文提出了一种结合两种方法的方案,充分利用了计算机资源,处理过程力求快速简洁,同时又提高了精度.在样机设计中测试证明,该系统测量准确.     

改进萤火虫算法优化粒子滤波的信号源定位

为提高无线电信号源的定位精度,运用粒子滤波方法对其进行定位估计。针对粒子滤波存在的粒子退化问题,提出改进的萤火虫算法优化粒子滤波。首先对萤火虫算法的吸引度公式进行改进,并利用迭代时刻粒子最优值指导个体的移动过程。然后运用改进的萤火虫算法与粒子滤波机制相结合,使粒子趋向于高似然区域,提高粒子的有效性,避免粒子退化,提高粒子滤波算法的滤波精度。最后,将改进后的算法用于无线电信号源定位算法中并进行仿真试验。实验结果表明:该文提出的算法定位结果最大定位误差为0.23%,该算法相比粒子滤波算法的定位精度有很大的提高,是一种有效的、实用性较强的定位估计算法。     

基于粒子滤波的多枚声呐浮标联合跟踪定位算法

由于被动声呐浮标目标测量源的不确定性以及位置解算方程的非线性,声呐浮标联合跟踪定位面临着非线性非高斯问题,提出一种基于粒子滤波的多枚声呐浮标联合跟踪定位算法。该算法将最优贝叶斯滤波与蒙特卡洛随机采样方法相结合,在更广义的条件下实现了目标最优状态估计。算法仿真结果表明,可以较大程度的提高目标位置估计精度。     

基于最大后验概率密度的粒子过滤器跟踪算法

Kalman滤波的弱点是它无法解决非线性、非高斯问题的跟踪。为此提出了一种新型的跟踪算法,粒子过滤器算法。该算法采用加权的粒子集模型表示状态的分布,迭代跟踪状态的变化。其优点是它可以适应复杂环境的重叠和遮挡情况,且能同时跟踪多目标。采用最大后验概率模型确保了状态判断和估计的准确性。对重采样的分析减少了算法对噪声的敏感。并把样本安排在目标可能出现的区域。在眼睛跟踪系统上实现了该算法。仿真结果表明MAP模型在精度上与传统的方法比较提高7%。眼睛跟踪的结果证实了仿真的结果。     

混合式动态称重数据处理研究

针对定量包装高速度和准确度的要求,建立了动态称重实验系统,针对新型混合式定量动态称重的特点,采用滑动数据滤波方法,提高称重的快速性和准确性.试验数据的分析表明滑动数据滤波方法在混合式定量动态称重中应用是有效可行的,可以使称重准确、高效.     

基于RFF及GWO-PF的锂电池SOC估计

为了提高锂电池剩余电量估计的准确性,提出一种在线参数辨识与改进粒子滤波算法相结合的锂电池SOC估计方法。针对粒子滤波中的粒子退化问题,引入灰狼算法,利用灰狼算法较强的全局寻优能力优化粒子分布,保证粒子多样性,有效抑制粒子退化现象,提高滤波精度。采用带遗忘因子的递推最小二乘法实时更新模型参数,并与改进粒子滤波算法交替运行,进一步提高SOC的估计精度。实验结果表明,改进算法的平均估计误差始终保持在±0.15%以内,相比扩展卡尔曼滤波与无迹卡尔曼滤波算法,在电池SOC估计上有更高的估计精度与稳定性。