自适应差分演化粒子滤波器

针对非线性、非高斯系统中的粒子滤波算法存在粒子权值退化和重采样后引起样本枯竭问题,提出一种自适应差分演化粒子滤波算法。用一种自适应参数控制策略对差分演化算法的参数进行控制,并以此代替粒子滤波中的重采样算法。通过对状态更新后的粒子做自适应差分变异、自适应杂交和选择等优化操作,利用权值大小选出下一时刻的粒子集合。实验表明,该算法能有效缓解粒子权值退化和样本枯竭问题,缩短算法运行时间,提高估计精度,同一般的差分演化粒子滤波算法相比,状态估计的精度更高。     

基于裂变自举粒子滤波的红外目标跟踪处理

为了研究解决粒子滤波算法的粒子枯竭现象和计算量大的问题,采用了一种裂变自举粒子滤波方法。该方法在测量时对粒子进行裂变自举,其过程为大权值的粒子进行裂变繁殖,裂变繁殖后的粒子数目则正比裂变繁殖前的粒子,然后覆盖粒子群中的小权值的粒子,粒子预平滑处理,同时保持粒子群的特性,再次重抽样中进行粒子防枯竭函数补偿,设置恰当的抽样门限,淘汰权值较低的抽样点,并在保持样本点总数的前提下从权值较高的抽样点中衍生出多个子抽样点,在模型中给出了粒子跟踪均方根误差以及算法步骤,得到了跟踪最佳处理效果。实验仿真用MATLAB语言编程,结果表明,该算法的均方误差为0.36445,优于基本粒子滤波。     

改进的粒子滤波算法

针对标准粒子滤波算法重采样后粒子多样性丧失问题,提出一种在粒子补偿的基础上,利用预测值与观测值的方差进行粒子重采样的改进粒子滤波算法。该算法是在标准粒子滤波算法的基础上,加入粒子补偿的步骤,然后利用预测值与观测值的方差在权值较高的粒子周围进行重采样来改善标准粒子滤波算法中粒子多样性丧失问题。实验结果表明:在相同条件下,改进粒子滤波算法比标准粒子滤波算法具有更小的平均均方误差(RMSE)和更高的目标跟踪精度,数据表明,其目标跟踪精确度提高30%以上。     

一种改进的快速粒子滤波方法

现行的粒子滤波基本算法存在采样过程的计算复杂度高的问题,而且为避免样本枯竭而采用重采样的改进算法也增大了计算量,本文提出了替代重采样的快速粒子滤波方法,通过建立适合的充分统计量函数逼近后验概率密度,进行迭代更新的方法避免了重采样过程,有效地减小了计算量,有利于算法的快速实现。通过对非线性系统中状态和参数的联合估计问题的仿真,结果验证了本文方法的有效性。     

一种改进的粒子滤波重采样算法研究

粒子滤波是基于递推的蒙特卡罗模拟方法的总称,可用于任意非线性,非高斯随机系统的状态估计.为了减轻退化现象,引入重采样过程,但重采样过程算法复杂,计算量大,不利于硬件实现,并且会削弱粒子的多样性,从而导致滤波性能下降.提出了一种将局部重采样和优化组合算法结合的重采样算法.将粒子按权值大小分类,小权值的粒子抛弃,大权值的粒...     

一种新的改进辅助变量粒子滤波算法北大核心CSCD

针对辅助变量粒子滤波(AVPF)对状态估计无法获得较好的滤波精度的问题,本文提出了一种改进的辅助变量粒子滤波算法.将正则化的思想引入到辅助变量粒子滤波的重采样中,在重采样中将离散的概率分布函数近似为连续的分布函数,该方法不仅保留了AVPF在重采样之前依据似然值的大小对原粒子集中的各个权值进行修正,从经过平滑后的后验密度中重采样的特点,在重采样中引入正则化思想后还能够保持粒子的多样性,增加有效样本数目,能够有效抑制样本退化.针对一个被广泛采用的双峰,高度非线性的系统模型,在选取不同的过程噪声下,进行Monte Carlo仿真实验.仿真实验表明,改进的辅助变量粒子滤波具有更好滤波精度.     

粒子优化组合的粒子滤波跟踪算法研究

为了改善运动目标跟踪问题中粒子滤波算法(PF)的估计精度,针对粒子滤波出现样本退化以及样本贫乏问题,提出了一种基于粒子优化组合的粒子滤波算法(POCPF)。该算法用一能使粒子朝后验概率分布值较大的区域运动的似然函数来改善粒子的位置,然后重估粒子的权值对粒子进行优化组合,满足粒子的多样性要求,从而克服了粒子的贫乏问题,在一定程度上减少系统状态为达到精确度所需的粒子数目,缩短运行时间。通过仿真实验证明了POCPF算法的有效性,当粒子数相同时,POCPF算法性能优于PF算法。     

基于斑马图的天基雷达PRF设计

针对三维弹道目标,给出了一种有效的基于粒子滤波的跟踪算法。这种算法以标准的粒子滤波算法为基础,根据贝叶斯原理利用局部线性化技术获得最佳近似的重要性密度函数以避免粒子退化现象,并且利用 Metropolis-Hastings(MH)采样构造的马尔科夫链得到更加符合目标分布的样本,从而最小化重采样后的粒子枯竭问题。此外,这里采用 Kullback-Leibler 距离(KLD)指标对不同粒子滤波算法的性能进行评估。仿真结果表明,该三维弹道目标跟踪算法粒子群与参考粒子群(近似真实目标概率分布的粒子群)之间的KLD比标准粒子滤波与参考粒子群之间的KLD更小,因此,能获得比标准粒子滤波算法更好的跟踪效果。     

基于流水线高斯粒子滤波的无人机姿态估计算法及FPGA实现

采用高斯粒子滤波算法进行姿态估计算法设计,将四元数离散方程作为状态方程。算法由采样调节粒子、采样粒子、权值计算、均值协方差计算和Cholesky 5个模块组成。通过采用非标准化权值计算四元数"平均"值和协方差阵,并且改写协方差阵计算公式,实现流水线高斯粒子滤波算法。同时提出了并行化设计方案,利用FPGA剩余资源进一步优化运行速率。给出的简化粒子滤波算法与高斯粒子滤波算法设计不仅可用于无人机姿态估计,对于其他非线性估计问题及应用亦适用。仿真结果表明了本设计的可行性和有效性。     

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。     

一种改进重采样的粒子滤波算法

粒子滤波算法中重采样是解决粒子退化的一种重要方法,但重采样会导致粒子多样性的损失。针对这一问题,对基本重采样算法进行了改进。改进算法首先按基本重采样思想找到权值大的粒子进行复制,然后借鉴遗传算法进行交叉和变异操作,其中变异由变异尺度因子和粒子集的均值来实现。利用改进重采样的粒子滤波算法对经典纯方位目标跟踪问题进行了仿真,仿真结果表明,改进算法具有更好的跟踪精度。     

杂波环境下的粒子滤波器数据关联方法

为了解决杂波环境下多机动目标的数据关联难题,提出了一种将粒子滤波器(PF)和联合概率数据关联(JPDA)相结合的数据关联算法,该方法首先应用粒子滤波方法对目标的状态进行采样,得到样本(粒子),并结合量测,通过JPDA方法计算得到联合互连事件的关联概率,而该关联概率实际上就是PF中粒子的权值。通过选取适当的有效采样尺度作为衡量PF退化现象的测度,采用重要性重采样技术克服了标准PF的退化现象,降低了算法的计算量。仿真结果表明,粒子滤波方法可以较好地解决杂波环境下跟踪多机动目标的数据关联问题;重要性重采样PF的计算复杂度低于标准PF。     

非线性滤波算法分析及其性能比较

针对目标跟踪实际应用中量测方程非线性对滤波精度和稳定性的影响,重点分析了模型线性化的滤波算法、无迹卡尔曼滤波（UKF）和粒子滤波算法（PF）的基本原理和特点以及适应的条件。仿真试验比较了扩展卡尔曼、无迹卡尔曼和粒子滤波的跟踪效果,结果表明非线性条件下粒子滤波算法优于其它两种滤波算法。     

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。     

一种改进粒子滤波的双站无源定位跟踪算法

在非线性非高斯状态空间下，粒子滤波器是一种有效的非线性滤波算法，它的关键问题包括粒子权重的计算、粒子重采样和状态估计等。本文根据粒子滤波算法思想和双站无源定位跟踪的非线性，将粒子滤波算法用于双站无源定位跟踪问题，给出了一种改进的粒子滤波算法，并对其关键问题根据双站无源定位跟踪的特殊性进行了改进。利用Matlab进行了仿真实验，与最小二乘算法、扩展卡尔曼滤波算法进行了比较，结果表明所提算法定位跟踪精度优于其他方法。     

基于改进粒子滤波的GPS接收机自主完好性监测算法

针对基本粒子滤波重采样过程中粒子权值退化和多样性丧失的问题,将遗传算法引入基于神经网络的权值调整粒子滤波算法中,结合了遗传算法全局寻优的收敛性与神经网络局部寻优的快速性优点。将提出的算法与对数似然比方法结合用于GPS接收机自主完好性监测,通过建立一致性检验统计量实现对故障卫星的检测与隔离。通过采集实测数据进行验证,结果表明:该算法可以成功检测和隔离故障卫星,其性能优于基于基本粒子滤波的接收机自主完好性监测,验证了该算法应用于GPS接收机自主完好性监测的可行性和有效性。     

粒子滤波在图像数据分析中的应用

利用粒子滤波的估值计算,以电泳凝胶图像的数据分析为例,在不破坏原始数据的条件下,对被噪声和其它缺陷污染的蛋白点进行量化,实验证明粒子滤波算法可以快速有效地抑制干扰因素,恢复真实的数据特性。     

EKF、PF在目标跟踪中的研究

介绍两种目标跟踪算法—扩展卡尔曼滤波器（Extended Kalman Filter,EKF）、粒子滤波器（Particle filter,PF）。EKF利用泰勒级数方法,将非线性问题转化到线性空间,再利用卡尔曼滤波器进行滤波,并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法,它将复杂的目标状态分布表示为一组加权值,通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布,已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验,对二者的性能进行了仿真比较,结果证明在复杂的非高斯非线性环境中,PF的性能明显优于EKF,但计算复杂,耗时长。     

基于最优采样函数的粒子滤波算法与贝叶斯估计

传统粒子滤波器(PF)直接根据状态演化方程产生新的粒子,由于没有考虑新近观测对状态估计的影响,这种滤波器性能较差,即便在粒子数目很大的情况也是如此。为此,本文提出一种基于序贯重要采样(SIS)的改进粒子滤波算法,该算法采用集成了新近观测量的最优采样(或重要密度)函数指导粒子的生成,使粒子权值的方差最小化,能有效减轻粒子退化问题;同时。在粒子重采样之后增加了马尔科夫链蒙特卡洛(MCMC)过程,消除了重采样引起的粒子贫化的负面影响,从而使粒子的多样性得以保持。对非线性系统的状态估计和只测角跟踪的仿真实例均表明,本文所提出的算法比传统估计算法如EKF,UKF具有更高的精度和更强的鲁棒性;与标准PF相比,其性能也有较大的提高,并可以在相同的估计精度下大大减少所需的粒子数目,是一种有效的非线性滤波算法。     

基于非线性混合效应状态空间模型的粒子滤波

粒子滤波算法是一种用于解决非线性系统问题的新型算法。通常粒子滤波利用重要性重抽样算法,选用先验分布,但是其易受外部观测值影响,从而导致权重变化较大。为此,文中引入辅助粒子滤波算法进行改进,该算法优势在于前一时刻的样本在抽取时以当前的观测数据为条件,这样得到的样本更加接近真实状态。最后,通过仿真实例,进一步分析验证了辅助粒子滤波算法比采样重要性重抽样更为有效。