多传感器顺序粒子滤波算法

粒子滤波是一种基于Monte Carlo仿真的最优回归贝叶斯滤波算法.这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型,因此能够很好地解决非线性、非高斯环境下系统的状态估计问题.为了能够有效地解决非线性、非高斯环境中的集中式多传感器状态估计问题,本文研究了多传感器顺序粒子滤波算法.首先,从理论上推导了一般的集中式多传感器粒子滤波模型;然后根据集中式多传感器系统的特点,提出了顺序重抽样方法.最后,给出了算法的仿真分析.仿真结果说明顺序粒子滤波方法能够明显提高多传感器系统状态估计精度,并且随着传感器数增多,改善的效果越好.     

多传感器箱粒子PHD滤波多目标跟踪算法

针对目标检测概率较低导致单个传感器无法对目标进行有效检测并跟踪的问题,本文提出了多传感器箱粒子概率假设密度(multi-sensor box particle probability hypothesis density filter,MS-BOX-PHD)滤波器.MS-BOX-PHD滤波器首先将多个传感器的量测转换、融合成为一个量测集合,并利用箱粒子概率假设密度(box particle probability hypothesis density filter,BOX-PHD)滤波器对多个目标的状态进行预测和更新.数值实验表明,相较于单传感器箱粒子概率假设密度(Single-BOX-PHD)滤波器,MS-BOX-PHD滤波器在目标检测概率较低时,能够有效地对多目标的状态和数目进行估计;相较于区间量测下多传感器标准PHD粒子(multi-sensor standard probability hypothesis density particle filter with interval measurement,IM-PHD-PF)滤波器,在达到相同的跟踪性能时,计算效率提升了38.57％.     

分布式粒子滤波算法在面向跟踪的无线传感器网络中的应用

无线传感器网络在目标跟踪应用中的优势主要体现在跟踪更精细可靠且及时隐蔽,但是由于传感器网络中没有中心控制机制,无线通信的带宽有限,这就要求采用合理的跟踪策略,高效的分布式信息处理算法。将“ad hoc跟踪群”的概念移植到面向跟踪的无线传感器网络中作为传感器的组织策略,并和适用范围较大的粒子滤波相结合实现跟踪任务。仿真实验证明,在不影响跟踪精度要求的情况下,此方案能够降低通信能量开销。     

容积信息粒子多传感器融合算法

为提高多传感器融合的精确度,提出一种容积信息粒子多传感器融合算法。算法将容积信息滤波(CIF)和粒子滤波(PF)结合一起,采用CIF传递PF的粒子,通过引入信息贡献向量和信息贡献矩阵,将多个传感器的量测信息更新到PF的粒子中,提高粒子与真实状态后验概率分布的逼近程度,改进多传感器融合精确度。同时将CIF估计值作为粒子,消除随机扰动对融合的影响,提高粒子有效度,进一步提高融合精确度。仿真与实验表明,算法能够有效处理集中式多传感器融合问题,具有较高的滤波精确度。     

粒子滤波算法研究

本文介绍了几种粒子滤波算法,然后详细的介绍了各算法存在的主要问题,以及各种改进算法的优势。最后给出了粒子滤波在研究领域中的一些应用。最后通过介绍几种算法对全文做出了总结。     

基于粒子滤波的传感器故障检测

随着信息时代的到来,在现代自动化测控系统中,传感器因其可以辅助控制,使设备工作在正常状态而具有重要影响。针对实际系统中的非线性特点,本文采用粒子滤波算法对三种常见传感器故障：恒偏差、恒增益以及卡死故障进行故障检测,仿真结果验证了该方法的有效性。     

粒子滤波在目标跟踪算法中的应用研究

针对非高斯、强噪声背景下的高机动目标实施跟踪时,卡尔曼滤波、扩展卡尔曼滤波等算法将出现滤波精度下降甚至发散现象。粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势。以目标跟踪问题为背景,将粒子滤波与卡尔曼滤波算法进行了对比研究。     

代表点理论在粒子滤波算法中的应用

将统计学中的数论方法应用于粒子滤波,使用随机分布的均方差代表点,对粒子滤波中关键的初始粒子生成、重点密度采样及再采样过程给出了相应的代表点算法,得到了一个包含最少随机操作的、使用非等权值粒子的改进粒子滤波算法.     

改进的粒子滤波算法在车辆组合导航中的应用

针对目前粒子滤波粒子贫化、计算量大等问题,提出了基于自适应迭代重采样的粒子滤波计算方法。改进的粒子滤波算法在不损失对系统状态估计精度的前提下,缓解了粒子贫化,降低了计算量,缩短了计算时间,同时保证了状态的估计性能。通过实际算例分析,验证了该算法的有效性。最后将该算法应用于GPS/DR车辆组合导航中,仿真结果验证了该算法的可行性和有效性。     

多目标滤波中的多传感器概率假设密度算法

多传感器情况下的多目标概率假设密度(PHD)滤波是建立在假设模型上实现的。该文用随机有限集(RFS)方法描述多目标状态空间和传感器量测空间,分析了多传感器通用假设模型下的探测概率、似然函数和杂波分布,在此基础上利用概率产生泛函(PGFL)推导出了多传感器PHD滤波递归式,进而提出粒子标记法多传感器贯序蒙特卡洛PHD(SMC-PHD)滤波等价实现算法,降低了多传感器PHD滤波的计算复杂度。最后给出了算法的具体实现,得到了良好的多目标数目和可跟踪多目标状态的估计。     

MCMC粒子滤波算法研究及应用

粒子滤波算法是一种基于贝叶斯估计的蒙特卡罗方法,适用于非线性非高斯系统的分析,被广泛应用于跟踪、定位等问题的研究中。为了解决粒子滤波算法在重采样后,丧失粒子多样性的问题,本文在粒子滤波算法的重采样步骤后,加入了马尔可夫链蒙特卡罗（Markov Chain Monte Carlo,简称MCMC）移动步骤,增加粒子的多样性。利用粒子滤波算法和MCMC粒子滤波算法对目标跟踪问题进行了仿真,并且通过分析仿真实验结果,比较了两种算法的性能,结果说明加入MCMC粒子滤波算法的性能优于粒子滤波算法。     

一种导向粒子滤波跟踪算法

粒子滤波算法在运动目标跟踪方面有着广泛的使用,粒子滤波中的重采样是解决粒子退化的一种重要方法,但是重采样会导致粒子的多样性的丧失。针对这个问题,改进粒子滤波算法,改进过程中结合了导向滤波的基本思想,因此将这种方法称为导向粒子滤波跟踪算法。导向滤波是近几年提出的一种新的滤波方式,与传统滤波相比,它在滤波的时候会引入一幅指导图像,鉴于这个思想,我们在进行粒子滤波的时候,引入一种导向粒子作为一个指导量,来保留一些目标图像上的信息。实验证明了这种算法可以更好地对目标进行定位跟踪。     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波（PF）直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波（7th-CQKF）对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波（CPF）。     

Improved particle filter based on fine resampling algorithm

In order to solve particle degeneracy phenomenon and simultaneously avoid sample impoverishment,this paper proposed an improved particle filter based on fine resampling algorithm for general case,calle...     

基于Box粒子滤波的参数自适应机动目标跟踪

针对机动目标跟踪加速度的不确定性,引入一种新的参数自适应算法,采用粒子滤波及高斯核密度估计技术,估计目标机动参数,实现对任意机动目标的跟踪。在此基础上,考虑到粒子滤波计算代价较高的问题,进一步引入区间分析技术,采用Box粒子代替传统的粒子,以提高算法的计算效率。实验结果表明,提出的算法能够有效地跟踪任意机动目标,且运算时间明显低于传统的参数自适应算法。     

粒子滤波算法的性能分析与改进

对粒子滤波算法的性能进行了分析并提出了一些改进设想。首先阐述粒子滤波的原理;以雷达目标跟踪为例,利用粒子滤波对目标的3种典型状态模型进行了跟踪试验;然后详细分析了粒子数、状态模型、过程噪声、热噪声等参数对整个跟踪性能的影响,并提出改进设想;最后阐明了粒子滤波的适应性,展望了其未来发展方向。     

基于改进粒子滤波的鲁棒目标跟踪算法

为了克服样本贫化现象导致的滤波发散,本文对重采样后的粒子进行有方向性的变异操作,在增加样本集的多样性同时使粒子集更集中均匀的分布在目标的邻域.同时把Mean Shift算法引入粒子滤波(PF)框架中,对PF估计结果迭代得到最优的目标状态,并用迭代得到的状态值控制粒子变异的方向.仿真实验表明,本文提出的方法具有更高的估计...     

基于粒子群优化和M-H采样粒子滤波的传感器网络目标跟踪方法

针对实际应用条件下传感器节点的观测数据与目标动态参数间呈现为非线性关系的特性,提出了一种基于粒子群优化和M-H抽样粒子滤波的传感器网络目标跟踪方法。该方法采用分布式结构,在动态网络拓扑结构下,由粒子群优化和M-H抽样技术实现滤波中的重抽样过程,抑制粒子退化现象,并通过粒子间共享历史信息,降低单个粒子历史状态间的相关性使各粒子能快速收敛至最优分布,从而实现高精度的目标跟踪效果。仿真结果表明,相比现有的基于信息粒子滤波和并行粒子滤波技术的传感器网络目标跟踪方法,所提出的方法能降低网络总能耗,同时保证目标跟踪的精度。