传感器网络下机动目标动态协同跟踪算法

对传感器网络下的机动目标跟踪问题提出一种分布式传感器节点动态分簇、协同跟踪算法. 通过在线优化目标跟踪的性能函数和通讯代价, 自适应地选择节点并动态分簇, 通过多传感器节点的协同感知以及信息融合提高了跟踪精度. 由于问题的非线性和传感器节点的随机性, 本文基于粒子滤波器在线预测和估计目标状态的概率分布, 使用混合高斯粒子滤波器以及选择最短路径用于传感器节点之间的信息交换节约了通讯能量, 通过一种有效的粒子方法逼近目标状态的预测方差以实现传感器节点的最优选择. 仿真结果表明, 与 IDSQ 算法相比较, 本文提出的动态分簇算法实现了对机动目标的高精度跟踪.     

分布式粒子滤波实现无线传感器网络目标跟踪

为了延长无线传感器网络寿命,减小通信代价,提出一种层次型网络结构下基于粒子滤波的分布式跟踪算法.层次型网络由簇头节点和普通传感节点组成,簇头节点采用粒子滤波获得目标运动状态,联合当前时刻目标的本地估计位置、预测速度预测下一时刻的目标位置.并根据目标的预测位置判断是否转移簇首.目标离开节点探测范围后,节点进入休眠状态.实验表明,该方法能满足目标跟踪精度,并可有效的减少网络能耗,提高无线传感器网络使用寿命.     

基于概率假设密度的无线传感器网络多目标跟踪算法

针对无线传感器网络多目标跟踪过程中杂波难以去除以及由数据关联复杂带来的计算复杂度高的问题,将概率假设密度滤波器应用于无线传感器网络,以更好地对多目标状态信息进行融合估计;首先,建立簇-树型无线传感器网络模型,并运用随机有限集理论对目标状态模型和传感器观测模型进行描述;然后,根据目标与节点之间的距离设置观测阈值,当传感器节点测量值小于观测阈值时,概率假设密度滤波器将实时对该组测量数据进行处理,从而实现传感器网络对目标状态的联合检测与跟踪;仿真结果表明,在无线传感器网络的多目标跟踪应用中,该算法比粒子滤波算法具有更高的跟踪效率和精度。     

基于感知数据概率模型的无线传感器网络采样和通信调度算法

在无线传感器网络中,如何动态地管理能量,最大限度地延长网络的生命周期是一个关键的问题。文中提出了一种基于感知数据概率模型的传感器网络的采样和通信动态调度算法,使传感器节点根据感知数据的概率模型来确定自己的采样和通信时机,最小化采样频率和通信量,减少传感器节点的能量消耗,延长传感器网络的生命期。该算法是一种分布式算法,适用于无线传感器网络。该算法采用了简单的概率模型,资源需求量小,适合于在目前普遍使用的资源受限的传感器节点上运行。模拟试验结果表明,这种方法与其他方法相比,具有很高的能量有效性。     

基于分布式粒子滤波的二进制无线传感器网络目标跟踪

为了提高二进制无线传感器网络跟踪算法的精度和实时性,降低传感器节点能耗,将分布式粒子滤波运用到二进制无线传感器网络中进行目标跟踪。选择信号强度最大的节点作为簇头节点,在簇头单跳通信范围内的所有节点和簇头组成对目标跟踪的动态分簇,在簇头节点进行粒子采样和状态估计,在簇头之间传递粒子及其权值,从而得到了二进制无线传感器网络的分布式粒子滤波跟踪算法。研究了粒子数和网络节点数量对跟踪精度的影响。仿真结果表明,传感器的节点数量会影 响跟踪精度,但是粒子数对跟踪精度的影响更大。同时分布式粒子滤波比集中式粒子滤波具有更好的实时性和更低的能耗。     

基于压缩感知和粒子滤波的改进絮体跟踪算法

针对水处理过程中混凝絮体的跟踪问题,提出一种融合压缩感知与粒子滤波的絮体跟踪算法,即采用压缩感知技术提取絮体的图像特征,并以此进行单帧图像检测,得到检测值;同时通过粒子滤波实现非线性非高斯状态空间模型的絮体位置的最优估计,采用最优估计值和检测值进行数据关联,从而确定各个粒子的航迹以实现对絮体跟踪。实验结果表明该算法实现了絮体的实时跟踪及沉降速度的计算,有效地解决了获取图像特征时运算量大、效率低等问题,保证了跟踪的精度及效率。     

传感器网络中的分布式粒子滤波被动跟踪算法比较研究

为提高无线传感器网络(WSN)中的被动跟踪性能,并减少通信量,提出了两种分布式粒子滤波方法.在使用动态分簇结构的基础上,采用信息粒子滤波器(IPF)技术,以簇头作为簇的处理中心,接收来自子节点的观测量,形成本地估计,再将并行粒子滤波器(PPF)将粒子集被分成多个小的子集,分配到簇中的各子节点,完成并行进行粒子滤波过程.在通过计算机仿真的基础上,进行了跟踪和能耗的对比分析研究,结果表明IPF和PPF不仅提高了跟踪精度,而且减少了WSN中的通信能量开销.     

一种基于过滤器的无线传感器网络近似kNN查询优化算法

在无线传感器网络中进行感知数据查询,必须考虑传感器节点能量受限的特性.提出了一种基于过滤器的无线传感器网络近似一维K-NN查询优化算法FAKNN. FAKNN算法利用样本数据为每一个节点设置一个经验取值区间,并针对查询选择样本数据均值距离查询点最近的部分节点构成候选结果集.由于用户对查询结果的满意度与候选节点的个数和越界概率有关,因此需要通过计算节点的越界概率来确定最终候选结果集,并将候选节点的经验取值区间作为过滤器随查询请求发送到全网.节点利用过滤规则阻止数据发送,从而节省节点能量.仿真实验表明,FAKNN算法在保证查询准确率的同时,可大幅降低查询通信量.     

基于粒子滤波的二元无线传感器网络分布式目标跟踪研究

针对二元无线传感器网络中利用粒子滤波进行集中式跟踪的不足,基于动态分簇结构,研究了基于粒子滤波的二元无线传感器网络分布式目标跟踪算法。算法每一时刻根据目标的状态只激活少量的节点参与探测跟踪,其它节点处于休眠状态以节省能量。最后,利用计算机进行了Monte Carlo仿真,仿真结果表明,算法在不损失跟踪精度的情况可以减少能耗和计算量,从而延长网络使用寿命。     

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.     

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。     

利用粒子流滤波的单通道BPSK信号盲分离算法

由于粒子滤波本身的"粒子贫化"问题,导致基于传统粒子滤波的单通道信号盲分离算法分离性能恶化以及计算量较大,本文提出了一种基于粒子流滤波的单通道BPSK信号盲分离新算法。根据由两路BPSK信号混合的单通道信号,构造了测量方程和状态方程。然后,通过将状态空间中服从先验分布的粒子移动到其对应的后验分布上,实现了粒子更新,其不同于粒子滤波采用重采样来更新粒子,避免了"粒子贫化"现象发生。最后,采用一种基于弱解形式的粒子流滤波器实现BPSK信号的盲分离。计算机仿真结果表明,与粒子滤波算法相比本文算法具有更低的误码率和计算复杂度。     

基于时序行为的协同过滤推荐算法

协同过滤直接根据用户的行为记录去预测其可能喜欢的产品,是现今最为成功、应用最广泛的推荐方法.概率矩阵分解算法是一类重要的协同过滤方式.它通过学习低维的近似矩阵进行推荐,能够有效处理海量数据.然而,传统的概率矩阵分解方法往往忽略了用户(产品)之间的结构关系,影响推荐算法的效果.通过衡量用户(产品)之间的关系寻找相似的邻居用户(产品),可以更准确地识别用户的个人兴趣,从而有效提高协同过滤推荐精度.为此,提出一种对用户(产品)间的时序行为建模的方法.基于该方法,可以发现对当前用户(产品)影响最大的邻居集合.进一步地,将该邻居集合成功融合到基于概率矩阵分解的协同过滤推荐算法中.在两个真实数据集上的验证结果表明,所提出的SequentialMF 推荐算法与传统的使用社交网络信息与标签信息的推荐算法相比,能够更有效地预测用户实际评分,提升推荐精度.     

粒子滤波在MEMS陀螺仪初始对准中的应用

针对微机电系统MEMS(Micro-Electro-Mechanical-System)陀螺仪的随机误差,引入了粒子滤波处理MEMS IMU的输出数据.借助于机动目标的Singer模型建立了系统状态方程,论文讨论了粒子滤波算法在MEMS IMU滤波处理的应用,详细描述了算法的推导过程.应用经典卡尔曼滤波和粒子滤波分别处...     

改进的布谷鸟算法优化粒子滤波研究

针对布谷鸟算法易限于局部最优的问题，通过对布谷鸟算法的搜索步长值[α]和发现外来鸟卵的物种的概率[pα]进行改进，来平衡布谷鸟算法局部寻优与全局寻优的能力。改进的布谷鸟算法与粒子滤波结合，代替粒子滤波的重采样过程，解决粒子贫化和估计精度低的问题。实验结果表明，改进的布谷鸟优化粒子滤波算法中，粒子的多样性提高，从而保证了估计精度的提高。     

迭代容积粒子滤波算法在SINS初始对准中的应用

在大方位失准角误差的条件下,捷联惯导系统(SINS)初始对准误差模型是非线性的,可以采用粒子滤波(PF)方法进行处理.针对标准PF算法中存在的重要性密度函数难以选取的问题,提出了一种新的迭代容积粒子滤波(ICPF)算法.将Gauss-Newton迭代和容积卡尔曼滤波(CKF)算法相结合,得到迭代CKF(ICKF)算法.该算法利用最新量测信息改进迭代过程中产生的新息方差和协方差,可获得较高的估计精度.由ICKF算法获得粒子滤波算法的重要性密度函数,有效地抑制了粒子退化现象.SINS大方位失准角初始对准的仿真结果和实验结果表明:该算法的滤波精度高于标准PF算法和容积PF(CPF)算法,是一种非常有效的非线性滤波算法.     

自适应高斯粒子滤波在导航中的应用

针对粒子滤波中重要性密度函数难以选取和粒子退化导致的计算精度下降的问题,提出一种新的自适应高斯粒子滤波算法。通过高斯混合密度函数和UT变换来获取状态均值和协方差阵,选择并计算合适的自适应因子来调节均值和方差,在迭代过程中可动态调节重要性密度函数,并用WEM和EM步骤代替重采样,上述滤波算法考虑了最新量测信息的影响,使滤波性能明显改善,能更好地解决非线性非高斯系统模型的抗干扰问题。将提出的算法应用于SINS/GPS组合导航系统跑车试验中,结果表明上述滤波算法能提高导航解算的精度,其性能明显优于已有滤波,同时验证了当系统出现噪声干扰突然变化时提出算法的有效性。     

基于蒙特卡罗方法的目标跟踪

为了更鲁棒和快速地进行目标跟踪,在基于粒子滤波的目标跟踪方法的启发下,提出了一种新的基于蒙特卡罗方法的目标跟踪方法。该方法首先运用蒙特卡罗技术对下一帧目标可能出现的位置和尺度进行抽样;然后计算各抽样与参考目标的相似度;最后通过估计目标状态来获得跟踪目标。实验表明,该方法无需目标运动信息,特别适用于目标灵活运动时的跟踪,与现有的算法相比,不仅算法实现简单,同时有较好的鲁棒性和通用性。     

基于蒙特卡洛方法的粒子滤波算法研究

针对非线性、非高斯问题,文章详细分析了贝叶斯滤波的原理及其进展.采用近似线性及高斯假设处理,传统的卡尔曼滤波提供了一种很好的解决方案.但是,真实世界的非线性、非高斯问题存在,使得人们得不寻找一种更好的最优滤波方法.基于随机滤波理论、贝叶斯统计量和蒙特卡洛方法的粒子滤波理论迅速发展,并广泛应用到数字通信、目标跟踪、计算机视觉和机器故障诊断领域.