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.     

基于目标跟踪的粒子群粒子滤波算法研究

针对粒子滤波方法在重采样阶段容易造成样本有效性和多样性的损失,导致了样本贫化问题,提出了一种改进的粒子滤波算法.算法将粒子群优化思想引入粒子滤波中,在粒子采样过程前先利用粒子群算法进行优化.粒子群算法将最新观测值融合到粒子进化公式中,大部分粒子经过粒子群优化后,朝着后验概率分布比较密集的区域运动,聚集在最优粒子附近,使粒子的权值被提高,避免了在重新采样过程中被舍弃,进而缓解了样本被贫化问题.目标跟踪系统中的位置估计由于物体运动具有突然性,很难准确估计.采用非线性目标跟踪模型和分时恒定值模型分别研究改进粒子滤波算法对误差均方值的影响.仿真结果表明改进算法与常规粒子滤波算法和扩展卡曼滤波算法相比,更加有效地降低变量的误差均方值,从而提高了滤波性能.     

基于粒子群优化的移动机器人SLAM 方法

针对移动机器人的粒子滤波SLAM（同时定位与建图）方法中需要大量粒子来提高精度的问题,将粒 子群优化思想引入到FastSLAM 中,提出了一种基于粒子群优化的同时定位与建图方法．通过粒子群优化方法对 FastSLAM 中预估粒子进行更新,调整粒子的提议分布,使得预测采样粒子集中于机器人的真实位姿附近．该方法 能有效提高SALM 精度,并减少所使用的粒子数以及计算的时间复杂度．仿真实验结果表明该方法有效、可行．     

粒子群优化的同时定位与建图方法

提出一种粒子群优化的同时定位与建图方法,该方法将粒子群优化思想引入到机器人同时定位与建图算法中。通过粒子群优化方法对预估粒子进行更新,调整粒子的提议分布,从而使得采样粒子集中于机器人的真实位置附近。通过对粒子集的优化,有效地克服粒子贫乏问题,并且减少所使用的粒子数以及计算的时间复杂度。经过仿真实验,验证该方法的正确性和可行性。     

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。     

基于粒子群优化的Unscented粒子滤波算法

针对Unscented粒子滤波(UPF)算法中的粒子退化及重采样引起的粒子枯竭等问题,利用粒子群优化算法使粒子通过比较其当前值与最优粒子的适应度值调整自身速度,向高似然域移动,寻找最优位置,并对重采样过程进行优化,以缓解粒子的退化及枯竭问题。实验结果证明,该算法提高了UPF算法的状态估计精度。     

基于人工鱼群优化的扩展卡尔曼粒子滤波算法

针对扩展卡尔曼粒子滤波算法中由于粒子退化和贫化而导致的滤波精度降低问题,提出了一种人工鱼群优化的扩展卡尔曼粒子滤波算法.通过人工鱼群优化算法中的觅食和聚群行为,对采样过程进行优化,使得粒子不断地朝高似然域移动来寻找最优位置,从而改善样本分布,加速样本集的收敛,缓解了退化现象;然后对重采样过程进行优化,以提升样本的多样性,从而克服了粒子样本贫化问题.实验结果表明,改进后算法提高了对系统状态的预估精度,更适合在对精度要求高的系统中进行滤波计算.     

粒子滤波算法综述

对粒子滤波算法的原理和应用进行综述．首先针对非线性非高斯系统的状态滤波问题．阐述粒子滤波的原理；然后在分析采样-重要性-重采样算法基础上．讨论粒子滤波算法存在的主要问题和改进手段；最后从概率密度函数的角度出发．将粒子滤波方法与其他非线性滤波算法进行比较．阐明了粒子滤波的适应性．给出了粒子滤波在一些研究领域中的应用．并展望了其未来发展方向．     

基于方差缩减技术的一种自适应粒子滤波器设计

退化现象是粒子滤波(PF)在非线性状态估计应用中存在的主要问题, 重采样过程一定程度上解决了粒子退化现象, 但同时带来了退化现象所导致的样本贫化问题. 本文将方差缩减技术用于PF之中, 通过给所有粒子权重赋予一个指数衰减因子来解决粒子退化现象, 该衰减因子可以根据有效粒子数进行自适应、迭代的选取, 随后通过一个定理来证明了该方法的有效性, 并基于此提出了一种自适应粒子滤波(APF)算法, 给出了算法的具体步骤, 同时对参数选取的原则和算法的局限性进行了详细的讨论. 最后, 通过一个数值例子说明了本文所提出的APF算法在计算负荷不大的条件下较采样-重要性-重采样粒子滤波(PF-SIR)、遗传粒子滤波(GPF)、粒子群优化粒子滤波(PSOPF)具有更高的估计精度.     

进化粒子滤波器对比研究及其在移动机器人故障诊断中的应用

通过分析进化粒子滤波器与粒群优化粒子滤波器在常态和时变噪声条件下的时耗和性能,得出进化与粒群优化机制对粒子滤波的影响。发现在状态阶变情况下,进化粒子滤波器显出良好强健性,而粒群优化粒子滤波器却失去了效果。最后,将进化粒子滤波器应用于移动机器人航迹推算系统的故障诊断。实验表明：粒群优化的粒子滤波器耗时大,在噪声时变和状态突变条件下进化粒子滤波器表现出优越的估计性能与鲁棒能力,且进化粒子滤波器能准确地诊断机器人航迹推算系统各种故障。     

State estimation of nonlinear dynamic systems using weighted variance-based adaptive particle swarm optimization

New heuristic filters are proposed for state estimation of nonlinear dynamic systems based on particle swarm optimization (PSO) and differential evolution (DE). The methodology converts state estimation problem into dynamic optimization to find the best estimate recursively. In the proposed strategy the particle number is adaptively set based on the weighted variance of the particles. To have a filter with minimal parameter settings, PSO with exponential distribution (PSO-E) is selected in conjunction with jDE to self-adapt the other control parameters. The performance of the proposed adaptive evolutionary algorithms i.e. adaptive PSO-E, adaptive DE and adaptive jDE is studied through a comparative study on a suite of well-known uni- and multi-modal benchmark functions. The results indicate an improved performance of the adaptive algorithms relative to original simple versions. Further, the performance of the proposed heuristic filters generally called adaptive particle swarm filters (APSF) or adaptive differential evolution filters (ADEF) are evaluated using different linear (nonlinear)/Gaussian (non-Gaussian) test systems. Comparison of the results to those of the extended Kalman filter, unscented Kalman filter, and particle filter indicate that the adopted strategy fulfills the essential requirements of accuracy for nonlinear state estimation.     

基于粒子群优化粒子滤波和CUDA加速的故障诊断方法

在非线性系统中,粒子滤波需要大量粒子才能保证状态估计的准确度,这降低了算法的实时性,导致故障诊断的准确率和实时性不佳。针对该问题,提出基于GPU平台的粒子群优化粒子滤波(PSOPF)并行算法。通过分析PSOPF算法的并行性,设计并实现一种基于CUDA并行计算架构的PSOPF并行算法,利用大量的GPU线程对算法进行加速。为解决拒绝重采样对GPU全局内存的非合并访问带来的执行效率低问题,通过改进拒绝重采样并行算法,使线程束中的线程对同一内存区段中的粒子进行重采样,提高了其执行效率。通过对风力机组变桨距系统故障诊断验证了算法的有效性。实验结果表明,该方法可满足故障诊断准确率和实时性的要求。     

一种多样性引导的进化粒子滤波

粒子滤波(PF)算法存在的主要问题是粒子退化现象,利用重抽样过程可以有效减轻退化现象,但带来了采样枯竭问题,导致滤波精度下降.本文提出一种多样性引导的进化粒子滤波(DEPF),把粒子群优化(PSO)算法引入到传统PF中,通过PSO搜索寻优重新分配粒子,使粒子的表示更加接近真实后验.并在PSO的搜索寻优过程中使用多样性引导机制来保证所得粒子集的多样性,以提高PF的精度.仿真实验结果表明了该算法的有效性.     

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.     

QPSO算法优化的非线性观测器设计方法研究

具有量子行为的粒子群优化算法(Quantum-behavedParticleSwarmOptimization,简称QPSO)是继粒子群优化算法(ParticleSwarmOptimization,简称PSO)后,最新提出的一种新型、高效的进化算法。论文在研究基于PSO算法的非线性观测器基础上,提出了一种基于QPSO算法的非线性观测设计方法。以vanderPol系统为例进行了仿真实验,其基本思想是将非线性连续时间系统的状态估计问题转换为非线性函数的在线优化问题,然后利用PSO或QPSO算法获得系统状态的最优估计。仿真结果显示了基于QPSO算法的非观测器比基于PSO算法的非线性观测器的性能更优越。     

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。     

萤火虫算法智能优化粒子滤波

针对粒子滤波(Particle filter, PF)重采样导致的粒子贫化以及需要大量粒子才能进行状态估计的问题,本文结合粒子滤波的运行机制,对萤火虫算法的寻优方式进行修正,设计了新的萤火虫位置更新公式和荧光亮度计算公式,并在此基础上提出了萤火虫算法智能优化粒子滤波.该方法引入了萤火虫群体的优胜劣汰机制以及萤火虫个体的吸引和移动的行为,使粒子群智能地向高似然区域移动,提高了粒子群的整体质量.实验表明该方法提高了粒子滤波的预测精度,同时大大降低了状态值预测所需的粒子数量.