基于萤火虫优化粒子滤波的新型机动目标跟踪算法

交互式多模型粒子滤波算法需要多个模型才能对强机动目标进行跟踪,并且粒子滤波的重采样会导致粒子贫化现象,针对该问题提出一种新型机动目标跟踪方法.该方法首先将萤火虫群体的吸引和移动机制引入粒子滤波;再将改进粒子滤波引入交互式多模型中,通过智能寻优的方式提高交互式多模型的跟踪精度和稳定性.实验结果表明,相对于IMM-PF,改进方法可以用更少的时间达到同等精度,提高了机动目标跟踪的效率.     

基于混沌的萤火虫改进粒子滤波算法研究

针对常规的粒子滤波算法存在粒子权值退化和采样粒子贫化以及需要大量粒子才能进行比较准确的状态估计的问题,提出了一种基于混沌的萤火虫改进粒子滤波算法.利用混沌系统所具有的遍历性和随机性初始化粒子群,使得初始粒子分布更加均匀,同时向常规粒子滤波算法中引进萤火虫算法的寻优机制,使得粒子能够向高似然区域运动,提高了滤波精度,并对部分权值优秀粒子进行混沌细搜索,对部分权值低的粒子进行再生,提高了种群多样性.实验表明:该方法尤其是在粒子种群数量较小的情况下,较常规粒子滤波精度更高,并有效地改善了权值退化和样本贫化问题.     

一种基于小生境技术的群智能粒子滤波算法

针对基本粒子滤波存在严重的退化问题和重采样技术导致粒子枯竭的问题,提出一种新型粒子滤波算法——基于小生境技术的群智能优化粒子滤波算法.通过多模寻优增强粒子的多样性和寻优能力,使得采样后的粒子向高似然区域移动,从而有效地提高了系统状态估计精度.仿真实验表明,该算法是有效而稳定的.     

基于弹性机制的萤火虫优化粒子滤波算法

针对标准粒子滤波重采样导致的粒子贫化问题,提出一种基于弹性机制的萤火虫优化粒子滤波算法.首先,利用萤火虫算法的吸引和移动机制,设计最优粒子引导粒子群体朝高似然区域移动的粒子运动控制策略;然后,评估粒子实时分布情况,根据每次迭代的高似然区域粒子占比值自适应控制粒子的优化强度;最后,检测最优粒子周围的粒子密度,引入弹簧的弹性机制,根据粒子密集度对判断区域内的粒子进行位置调整,使得粒子分布更加合理,提高粒子滤波的精度.实验结果表明,在粒子数目较少的情况下,改进算法滤波精度较标准粒子滤波提高12%sim25%;在同等滤波精度需求下,改进算法的运算时间比标准粒子滤波的运算时间减少20%sim30%,改进算法的综合性能更优.     

基于仿生算法改进粒子滤波的SLAM算法精度预测

为解决传统粒子滤波算法重采样时产生的样本退化及样本贫乏带来的机器人定位与建图精度下降问题,提出一种基于改进仿生算法的粒子滤波.该算法将粒子最新时刻的观测与状态信息引入亮度公式,并将萤火虫的优胜劣汰和位置更新机制融入粒子滤波算法,以提高粒子的滤波能力.为保证算法的收敛速度和预测精度,在萤火虫位置更新过程中引入自适应调整步长进行即时修正;基于标准粒子滤波重采样的缺陷,采取分步重采样策略,通过偏差修正指数加权算法制定高效的舍小保大方案,并合理使用剩余大权值粒子完成粒子的复制和添加.仿真验证表明,所提出的改进算法可以明显提高传统粒子滤波的预测精度,且应用到基于移动机器人运动模型的定位与建图时可保持较高的定位精度和较好的稳定性.     

一种基于人工萤火虫群优化的改进粒子滤波算法

针对传统粒子滤波算法中存在的粒子多样性丧失问题,提出一种基于人工萤火虫群优化的改进粒子滤波算法.该算法利用人工萤火虫群算法优化粒子滤波的重采样过程,按照权值的蜕化程度对样本集进行分层,通过转移概率将权值蜕化子集——映射到高似然区域.根据优化阈值条件,将低权值粒子集分为抛弃组和优化组,通过选取优化组粒子和高权值粒子适当地线性组合产生新粒子集.仿真结果表明,当感知系数为零时,优化算法将蜕化为基本粒子滤波算法;在适当选择感知系数的情况下,优化算法的滤波精度较高,跟踪突变状态的性能较优,在保证粒子群贴近真实后验分布的同时,增强了粒子的多样性.     

基于似然分布调整的粒子群优化粒子滤波新方法

传统基于粒子群优化的粒子滤波（PF）算法（PSOPF）在移动粒子向高似然区域移动的过程中,由于破坏了预测分布,当似然函数具有多峰时,其在具有大计算量的同时滤波性能并没有明显提升。针对该问题,提出了基于似然分布调整的粒子群优化粒子滤波新方法（LA-PSOPF）。在保留预测分布的前提下,运用PSO算法调整似然分布,提高有效粒子数量,进而提高滤波性能;同时引入局部优化策略,缩减参与PSO优化的粒子群规模,从而减少运算量,达到滤波精度与速度的平衡。仿真结果表明,当量测误差较小,似然函数具有多峰值时,改进算法的滤波精度和稳定性都优于PF算法和PSOPF算法,同时运算时间少于PSOPF算法。     

基于自适应吸引半径的萤火虫算法的粒子滤波

针对粒子滤波算法对粒子数目的大量需求等弊端,提出一种基于改进的萤火虫算法的粒子滤波。首先,在萤火虫的亮度公式中引入观测值信息以提高算法跟踪的准确性;其次,提出自适应吸引半径参数来控制萤火虫群寻优时的吸引范围,使算法的实时性更好;最终利用萤火虫算法的迭代寻优来进行粒子更新。对比实验表明,该算法在跟踪精度和运行时间上都有所优化,说明该算法即使在粒子数目较少的条件下也能保证目标跟踪的准确性和实时性。     

基于粒子群优化的遗传粒子滤波算法

针对遗传粒子滤波算法中粒子匮乏问题,提出一种新的基于粒子群优化的遗传粒子滤波算法。利用粒子群优化算法,驱动粒子向高似然区域移动,以增加有效粒子的数目,从而抑制粒子退化和匮乏现象,同时将遗传算法中的选择、交叉、变异引入粒子滤波,以改善粒子退化及计算量大的问题。实验表明,该算法有效地改善了粒子匮乏现象,同时提高了状态预估的精度,降低了算法的计算量,提高了算法的鲁棒性。     

基于Metropolis-Hastings变异的粒子群优化粒子滤波器

为了解决粒子滤波在粒子数量较少时估计精度不高的问题,提出了一种基于Metropolis-Hastings(MH)变异的粒子群优化粒子滤波算法。该算法将Metropolis-Hastings(MH)移动作为粒子群优化的变异算子,通过将MH变异规则与粒子群的速度-位置搜索过程相结合,使得重采样后的粒子群更接近真实的后验概率密度分布,有效解决了一般的变异粒子群算法容易发散的问题,加快了粒子滤波在序贯估计过程中的收敛速度,提高了其估计精度。仿真试验证明,基于MH变异的粒子群优化粒子滤波算法可以有效地克服粒子贫化现象,改善对非线性系统的跟踪估计效果。     

基于粒子群优化的粒子滤波定位方法

为了实现移动机器人精确高效的自定位,提出了基于粒子群优化的粒子滤波定位方法.文章分析了常规粒子滤波定位方法存在的不足之处.将最新观测值融合到采样过程中,并利用粒子群优化算法提高了常规粒子滤波器的预估性能.接下来,建立了系统的概率运动模型和感知模型,并利用粒子群优化粒子滤波方法解决了移动机器人的自定位问题.粒子群优化算法的优化结果使得采样集向后验概率密度分布取值较大的区域运动,从而克服了粒子贫乏问题并且显著地降低了精确定位所需的粒子数.仿真实验表明该算法的有效性.     

基于信息分享机制的粒子滤波算法及其在视觉跟踪中的应用

针对基本粒子滤波方法存在的权值退化和计算效率低问题,提出了一种基于信息分享机制的粒子滤波算法.该方法将粒子群优化算法和蚁群优化算法的优化思想共同作用到粒子更新中,实现粒子之间信息共享,从而增强粒子的多样性和最优估计能力.同时分析了该算法的收敛性.视觉跟踪实验表明,该算法能用较少的粒子实现单目标和多目标跟踪,综合跟踪性能优于基本粒子滤波和基于粒子群优化的粒子滤波方法,验证了本算法的有效性.     

高斯粒子群优化粒子滤波检测前跟踪算法

针对低信噪比时标准粒子滤波对弱小目标的检测与跟踪时存在的粒子贫乏、跟踪精度对粒子数目要求高等问题,提出一种基于高斯粒子群优化粒子滤波的弱小目标检测前跟踪算法。利用高斯粒子群优化算法优化重采样后的粒子集,使粒子集朝着后验概率密度分布取值较大的区域运动,增加粒子的多样性,克服了粒子贫乏问题,并在保证跟踪精度的前提下降低了跟踪所需要的粒子数目,提高了标准粒子滤波算法的检测和跟踪性能。同时,建立了检测前跟踪系统的观测模型和系统模型,对基于标准粒子滤波检测前跟踪算法和优化算法进行仿真,仿真实验结果表明高斯粒子群优化粒子滤波的检测前跟踪算法相比基于标准粒子滤波的检测前跟踪算法具有更好的检测与跟踪性能。     

基于改进粒子群最优化算法的Gmapping研究

传统的Gmapping算法在RPPF-SLAM的基础上改进了提议分布与重采样策略,提升了算法性能。但是Gmapping在频繁地进行粒子迭代过程中会出现粒子退化现象,导致正确的粒子被丢弃或者粒子的多样性下降,直接影响到建图效果。针对上述问题提出了一种融合改进粒子群最优化算法的粒子滤波SLAM算法,采用PSO算法对采样后的粒子群进行更新,并且对不同权重大小的粒子进行粒子分层,依据分层结果优化重采样策略,保证粒子在高似然区域的占比同时也改善了粒子的多样性。在MATLAB上对改进粒子群优化算法进行仿真实验,结合搭载ROS系统的移动机器人实现真实环境的定位与建图。实验结果表明改进后的算法有着更高精度的定位与更精确的建图效果。     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

A new improved firefly clustering algorithm for SMC-PHD filter

Aiming at the difficulty of extracting multi-target states in SMC-PHD filter, this paper proposes a SMC-PHD multi-target tracking method based on the improved firefly clustering algorithm. This method uses the improved firefly clustering algorithm to extract the peaks of the updated PHD function. Firstly, select the particles equal to the number of targets to form firefly individuals, introduce attraction and movement mechanism of the firefly algorithm, use the optimal firefly guiding other fireflies’ movement, and undergo combination and mutation operation for the optimal firefly. Search the optimal solution in the whole solution space and obtain multi-target states. The experimental results show that the improved algorithm has more stable peak extraction ability than K-Means clustering algorithm in SMC-PHD filter.