改进的粒子滤波算法

为了防止经多次重采样后粒子多样性的丧失,保持粒子的统计独立性,以应对强非线性系统或者意外突发情况,在重采样技术的基础上,提出了一种改进的粒子滤波算法。当粒子失去多样性而导致估计误差较大时,采取一种循环算法,使得粒子朝高似然区域移动,以增加粒子的多样性,提高对强非线性系统滤波的稳定性和准确性。仿真实验验证了该算法的有效性。     

一种粒子滤波的改进算法

在强非线性、非高斯系统、高精度测量的环境下,针对粒子滤波（PF）算法的跟踪性能降低问题,提出一种PF的改进算法。由于PF算法的计算量虽然小但精度不高,而无迹粒子滤波（UPF）算法精度虽然很高但计算量过大,结合PF算法计算量小和UPF算法精度高的优势,提出一种PF改进算法。对PF、UPF和PF改进算法三种跟踪算法进行了仿真,结果表明,改进PF算法的跟踪精度和UPF的跟踪精度相当,但所需运算时间仅为UPF算法的35%左右。     

基于联合特征的边缘粒子滤波目标跟踪算法研究

针对采用单一特征建立的动态空间模型与实际系统差距较大,从而使估计误差增加的问题,通过将系统的状态参数引入颜色特征模型中,与颜色特征参数一起构成系统状态空间向量,提出了一种联合颜色状态特征的优化目标跟踪算法.应用Rao-Blackwellization算法思想,由Kalman线性滤波方法解析处理线性的颜色特征转移和更新过程;而目标位置参数采用粒子滤波进行估计,提高了视频目标跟踪的精度和实时性.通过与其他相似算法的比较实验结果可以看出,算法在环境亮度发生变化、目标遮挡等情况下,仍能够保持较高的跟踪精度,既提高了跟踪系统的鲁棒性,又保证了算法的实时性,优于传统的单一特征视频跟踪算法.     

采用概率密度分布和粒子滤波的室内跟踪算法

提出了一种新的室内定位跟踪算法,采用了直方图法和核函数法估计参考点处的接收信号强度的概率分布,并将其作为该参考点的位置指纹,描述了该参考点处无线信道的特性;利用粒子滤波解决了非线性状态空间模型下的在线跟踪问题,仿真结果表明基于概率密度分布和粒子滤波的跟踪算法收敛速度快,且对环境变化不敏感,性能优于卡尔曼滤波算法。     

粒子滤波目标跟踪算法综述

随着人工智能科学的发展,目标跟踪成为中外学者研究的热点,近年来很多目标跟踪算法相继被提出,其中,经典的卡尔曼滤波算法常被用于目标跟踪领域。然而,在实际情况中,目标跟踪过程常涉及到非线性非高斯问题,由于粒子滤波算法在非线性非高斯系统中有较好的性能,因此将其引入目标跟踪研究领域。针对粒子滤波算法存在的跟踪精度差、实时性不高等问题,近年来国内外学者提出很多改进方法。从特征融合、算法融合和自适应粒子滤波三个方面介绍了相关改进方法的基本思想,展望了粒子滤波算法在目标跟踪领域的发展方向。     

蒙特卡罗粒子滤波算法应用研究

随着这些年计算机硬件水平的发展,计算速度的提高,源自序列蒙特卡罗方法的蒙特卡罗粒子滤波方法的应用研究又重新活跃起来.本文的这种蒙特卡罗粒子滤波算法是利用序列重要性采样的概念,用一系列离散的带权重随机样本近似相应的概率密度函数.由于粒子滤波方法没有像广义卡尔曼滤波方法那样对非线性系统做线性化的近似,所以在非线性状态估计方面比广义卡尔曼滤波更有优势.在很多方面的应用已经逐渐有替代广义卡尔曼滤波的趋势.     

人工免疫粒子滤波算法的研究

退化现象是应用粒子滤波算法的一个主要障碍,常规的再采样方法虽然可解决退化问题,但容易产生粒子耗尽现象.针对上述问题,将人工免疫算法引入粒子滤波,提出了人工免疫粒子滤波算法.通过人工免疫算法寻找较好的粒子用于估计,以增加粒子集的多样性,从而缓解了粒子滤波的退化现象并解决了粒子耗尽问题.仿真结果表明该算法是可行的.     

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.     

基于改进的粒子滤波非线性约束优化算法

传统的非线性约束优化算法的精度较低,为了克服这一问题,提出了一种基于粒子滤波的新型优化算法。该算法用于解决非线性约束优化问题,并结合粒子滤波器的模型和机制。首先,利用粒子滤波算法的基本原理建立这种优化算法,并给出算法的操作步骤;然后将非线性约束优化问题转换为函数优化问题函数优化问题,并针对非线性约束优化问题,建立粒子滤波优化算法的数学模型。仿真实验结果证明了这种新型算法的正确性,并且表明了相对于传统的优化算法,基于粒子滤波器的优化方法在解决非线性优化问题方面具有更高的效率和速率,并对今后的非线性约束优化问题具有适应性。     

粒子滤波算法

粒子滤波算法逐渐成为科学领域的研究热点.文章首先阐述了粒子滤波算法的提出背景,根据m阶马尔科夫假设,分析算法基本原理并推导后验概率密度及权值更新公式.分析了基本粒子滤波算法中存在的问题以及解决方法.针对粒子滤波算法重要性采样密度的选择问题,综述了重要性采样密度选择方法.对重采样技术及样本匮乏问题进行了深入的分析,讨论了算法收敛性分析的最新进展.对自适应粒子滤波算法以及粒子滤波算法在各主要应用领域的进展进行了论述.最后对粒子滤波算法的研究前景提出了展望.     

确定性核粒子群的粒子滤波跟踪算法及其CRLB推导

针对运动声阵列在有色噪声环境中的非线性滤波跟踪问题,提出一种确定性核粒子群的粒子滤波算法.该算法通过确定性初始化核粒子集、确定性后验概率密度函数及粒子群与核粒子集更新方式来提高跟踪的精度,并推导出该算法的理论误差性能下界.与传统的粒子滤波算法相比,仿真结果表明了所提出算法的有效性和优越性.     

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.     

一种改进的粒子滤波SLAM算法

提出一种改进的粒子滤波SLAM（simultaneous localization and map building）同时定位和地图创建实现方法。改进方法让机器人大约行进10步完成基于局部已创建地图下的粒子滤波定位后,再利用激光传感器探测环境并更新创建的地图;同时在利用粒子滤波定位时,使粒子只分布在由航位推算法得出的机器人位姿附近,从而可有效地减少粒子的数量。实验结果表明,与标准的粒子滤波SLAM 算法比较,改进算法提高了机器人SLAM过程中定位和地图创建的精度和实时性,并为移动机器人在室外未知环境同时定位和地图创建提供了新方法。     

增量学习Rao-Blackwellized粒子滤波的跟踪算法

基于特征子空间的目标跟踪方法能适应目标状态的变化,并对光照等外部环境不敏感,但通常假定特征子空间的基向量固定,这样不仅需要离线训练,而且在目标姿态发生较大改变时,跟踪精度会降低。提出一种基于增量学习的Rao-Blackwellized粒子滤波算法,通过在线学习获得特征子空间的基向量,并用解析的方法对目标在子空间的投影参数进行在线更新。实验表明,新算法在目标有较大形变、姿态变化和光照等条件变化时,能保持较高跟踪精度,具有较强的鲁棒性。     

Multi-target state-estimation technique for the particle probability hypothesis density filter

A simple yet effective state-estimation algorithm is presented and demonstrated to have advantages over previous standard clustering techniques used for the particle probability hypothesis density filter.The idea behind the proposed algorithm is that it uses the latest available information(i.e.,the measurements) to direct particle clustering.The particle likelihood and target number estimation,computed during probability hypothesis density recursion,are both used to partition particles into clusters,and the center of each cluster gives the state estimation of an individual target.Simulation results indicate that the proposed algorithm outperforms the standard clustering approach using the k-means algorithm,achieving higher accuracy and shorter computational time.     

递推更新高斯粒子滤波器

传统高斯粒子滤波算法(Gaussian particle Filter,GPF)中,粒子的重要性密度函数是由高斯滤波器结合当前最新量测来构建的.由于传统高斯滤波器在量测更新阶段直接利用量测对状态进行线性更新,在某些条件下会导致所构建的重要性密度函数并不能很好地近似状态真实分布.为了解决这一问题,结合递推更新的思想,本文推导出了递推更新高斯滤波器(recursive update Gaussian filter,RUGF)的一般结构.并在此基础上,选用RUGF来构建粒子滤波的重要性密度函数,从而提出了基于递推更新的高斯粒子滤波算法(recursive update gaussian particle filter,RUGPF).仿真表明,在非线性系统状态估计问题中,递推更新可以很好的利用量测信息,相比于传统的GPF,本文所提出的RUGPF滤波算法可以提供更高精度的估计结果.