微分进化粒子滤波

针对传统粒子滤波重采样算法带来的样本贫化问题,提出了一种利用微分进化算法进行重采样的粒子滤波改进方法,新方法通过引入交叉变异操作,保持了粒子的多样性并抑制了粒子退化现象,提高了目标状态的估计与跟踪能力。仿真结果表明,相对于普通粒子滤波,新算法的估计精度提高了一倍,使用较少的粒子数即可完成跟踪任务。     

改进的部分分层式粒子滤波重采样算法

粒子滤波算法由于其处理非线性非高斯的能力优势,目前应用领域非常广泛。然而粒子滤波中存在的粒子退化、样贫等问题同样不容忽视,针对这些问题提出了一种改进的重采样粒子滤波算法。该方法借鉴了部分分层重采样和残差重采样的思路,通过对粒子权值大中小分类,在兼顾粒子多样性的情况下用不同策略分层次复制三个集合样本,从而优化了重采样算法。最后通过与经典粒子滤波重采样算法和其他部分重采样(PR)算法相比,以一维非线性跟踪模(UNG)和二维纯角度跟踪模型(BOT)两个模型的仿真结果验证了所提算法的滤波性能和有效性。     

改进粒子滤波的无线传感器网络目标跟踪算法

针对粒子滤波(PF)重采样后造成的粒子枯竭现象的问题,提出了一种基于改进重采样的粒子滤波无线传感器网络目标跟踪算法.该算法避免了残差重采样算法中的残留粒子重采样问题,减少了计算时间;通过产生新的粒子,增加了粒子的多样性,从而改善了粒子枯竭现象.仿真实验结果表明:改进重采样的粒子滤波算法提高了目标跟踪精度,降低了跟踪误差.     

基于随机摄动粒子滤波器的故障预报算法

针对粒子滤波算法在故障预报中的大计算量和粒子退化问题,提出一种基于随机摄动粒子滤波器的故障预报算法.当粒子退化严重时,对粒子用随机摄动方式进行再采样,一方面可改进样本的多样性,缓解粒子退化;另一方面可缩短再采样时间,减少计算量,从而提高粒子滤波算法的跟踪能力.仿真结果表明该算法可行,能及时准确地对系统故障进行预报.     

一种改进的自适应优化粒子滤波算法研究

粒子滤波算法在非线性滤波领域受到广泛关注,但是该算法存在样本退化问题.为了改进粒子滤波算法的性能,这里结合自适应优化机制对粒子滤波算法的建议分布选择机制及重采样技术进行改进.对于粒子滤波的建议分布选择,提出一种基于自适应退火参数优化的混合建议分布方法.通过混合建议分布不足的分析,利用退火参数来优化控制状态转移先验分布函数和观测似然函数之间的比例,同时,基于自适应参数优化机制来动态调整退火参数的值.对于粒子滤波的重采样,提出了基于部分分层重采样优化算法的自适应重采样技术.通过有效样本大小的评估来执行自适应重采样策略,此外,基于部分分层重采样算法,利用权重优化的思想对其重采样前后权重计算的方法进行优化.通过相关算法的性能比较,所提改进粒子滤波算法的有效性得以验证.     

改进型粒子滤波算法在多站纯方位被动跟踪中的应用

针对多站纯方位被动定位与跟踪问题,给出了一种基于均匀重采样和带白适应因子的改进型粒子滤波算法．首先,基于无迹卡尔曼（UKF）粒子滤波器,将参考分布融入最新观测信息,得到符合真实状态的后验概率分布：借助重采样和使用鲁棒估计,改善了粒子滤波的退化问题．其次,引入自适应因子以调整UKF的状态模型协方差与观测模型协方差的比例,得到较高精度的概率分布．仿真结果表明,改进的粒子滤波算法能够实现多站纯方位被动跟踪,比传统非线性滤波器有更高的跟踪精度．     

基于权值优选的改进二阶中心差分粒子滤波算法

针对标准粒子滤波算法难以解决的粒子退化问题和样本贫化现象，提出了基于权值优选的改进二阶中心差分粒子滤波算法。该算法主要从以下两方面进行改进：首先采用二阶中心差分滤波方法通过协方差矩阵的平方根来产生重要性密度函数，从而解决粒子退化问题；然后通过重采样方法的利用权值优选的思想来增加粒子集的多样性，有效避免了样本贫化的现象。仿真结果表明：该算法状态估计结果更加接近目标真实的状态估计，平均均方根误差也更低，跟踪效果更佳，同时保持了较高的运算效率。     

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.     

一种基于改进粒子滤波的运动目标跟踪

基于传统粒子滤波的运动目标跟踪方法中存在重要密度函数选择困难、缺乏通用性、重采样设计难度大、粒子退化现象难以有效解决等问题。因此提出了一种改进的粒子滤波运动目标跟踪方法,该方法采用人工鱼群算法改进重要密度函数,通过粒子间的不断交互及协调行为,使其状态接近后验分布,从而提高重要密度函数的通用性。在此基础上,结合人工免疫算法的免疫算子改进重采样,平衡粒子群的收敛性和多样性,抑制早熟现象。实验结果表明,与传统粒子滤波算法相比,该方法通过参数调节,提高了运动目标跟踪的准确性和抗干扰能力,并能有效地抑制粒子退化现象。     

基于小生境遗传算法的粒子滤波算法

重采样是解决粒子滤波退化问题的主要方法,重采样的基本思想是采取复制保留权值较高的粒子,删除权值较低的粒子,而这导致了粒子多样性的减弱,特别是在样本受限条件下,甚至导致滤波发散。针对上述问题,提出改进的粒子滤波算法,将Mean Shift与粒子滤波融合,在重采样部分引入小生境遗传算法,提高粒子的多样性,避免粒子退化。实验表明,改进后的算法状态估计精度更高,效果更好。     

特征融合和聚类核函数平滑采样优化的粒子滤波目标跟踪方法

针对复杂场景下的目标跟踪问题,提出了一种改进的粒子滤波目标跟踪方法。利用背景加权后的联合直方图描述目标灰度和梯度特征信息,在粒子滤波算法的框架下,设计了一种自适应特征融合观测模型来适应场景的不断变化;同时针对传统粒子滤波算法存在的粒子退化问题,提出了一种基于聚类核函数平滑采样的方法。理论仿真和实际场景的实验结果表明,该算法适应性更强,精度更高,能有效跟踪复杂场景下的运动目标。     

基于Beowulf机群中改进粒子滤波的3D人体运动跟踪

针对标准的粒子滤波算法在视频三维人体运动跟踪中存在的计算量巨大、粒子退化、跟踪失效而无法同时满足跟踪精度和跟踪实时性要求的问题,提出了基于Beowulf机群中改进的粒子滤波新算法。新算法通过三维人体模型参数的自动初始化、粒子数目和模板的调整来实现跟踪失效的自动恢复,基于任务动态分配策略、低开销通信策略设计的Beowulf机群中的迁移式粒子滤波并行算法克服了粒子退化问题和提高了计算速度。实验结果显示：新方法有效地减轻了粒子退化和跟踪失效问题,降低了计算时间,提高了跟踪精度,能够同时满足三维人体运动跟踪精度和实时性的要求。     

基于试探采样的自回馈目标跟踪算法

针对粒子传播过程中因欠缺观测信息而导致退化现象和异常粒子,文中提出一种基于试探采样的自反馈目标跟踪算法。该算法在当前帧完成采样后向前试探采样粒子,并且反馈到当前帧,此举是利用未来帧提前采样形式把观测信息融入到状态转移模型中,从而使概率密度分布逼近真实值。分析上下帧间粒子权值关系,舍弃异常元素,进行不完全重采样,在缓解退化问题同时保持样本集多样性。目标状态估计采用加权-最大后验准则,提高了目标跟踪精确度与稳定性。实验结果表明所提算法提高了状态空间质量,相比其他算法具有更好的跟踪性能。     

基于粒子滤波重采样与变异操作的改进粒子群算法

针对标准粒子群优化(PSO)算法在求解过程中存在求解精度低、搜索后期收敛速度慢等问题,提出一种基于粒子滤波重采样步骤与变异操作相结合的改进PSO算法——RSPSO。该算法充分利用重采样中具有较大权值的粒子被保留和复制、较小权值的粒子被舍弃的特点,并利用已有的变异操作方法克服粒子匮乏的缺点,大大增强了PSO算法中后期搜索阶段的局部搜索能力。在不同基准函数下对RSPSO算法和标准PSO算法以及文献中其他改进算法进行对比。实验结果表明, RSPSO算法的收敛速度较快,同时其搜索精度和解的稳定性均有所提高,且能够全局地解决多峰问题。     

自适应不完全重采样粒子滤波器

针对传统重采样算法易引起粒子贫化的问题,提出了自适应不完全重采样粒子滤波 (A particle filter based on adaptive part resampling, APRPF)算法. APRPF以分步的方式仅对部分粒子进行重采样,以递推的方式计算表征 粒子退化程度的度量函数(Measurement of particle degeneracy, MPD),直到满足给定条件.重采样后的粒子由新生粒子 和未参与重采样的粒子组成,前者的存在有助于缓解退化问题,后者可使粒子集保 持一定多样性.实验结果表明,与标准粒子滤波(Sampling importance resampling, SIR)、辅助变量粒子滤波(Auxiliary particle filter, APF)、正则化粒子滤波(Regularized particle filter, RPF) 三种滤波器相比, APRPF的估计精度高;由于平均重采样次数少,计算量也小.     

A Novel Fuzzy Approach for State Estimation of Nonlinear Hybrid Systems Using Particle Filtering Method

Reliable state estimation is challenging for nonlinear hybrid systems. Particle filtering has emerged as an appealing approach for online hybrid state estimation. Mode detection in nonlinear hybrid systems is, however, a troublesome issue for the conventional particle filter mainly due to sample impoverishment. The problem is also exacerbated when dynamics that govern healthy or faulty modes are close together. False mode detection consequently leads to erroneous continuous state estimation. This paper proposes a novel fuzzy‐based particle filter to reduce continuous state estimation errors due to failures in mode detection. It is fulfilled by considering a fuzzified contribution of each feasible mode in overall estimation. In addition, two new resampling strategies are presented to tackle the degeneracy problem. A set of simulation test studies are conducted to extract the characteristic features and evaluate the performance of the proposed algorithm compared to observation and transition‐based most likely modes tracking particle filter (OTPF) as one of the most meticulous proposed estimation algorithms. The simulation results demonstrate the superior efficiency of the algorithm in dealing with the considered potential estimation problems.     

基于改进布谷鸟粒子滤波算法的WSN目标跟踪

为了解决粒子滤波(PF)的无线传感器目标跟踪中样本贫化导致的精度较低的问题,提出了改进布谷鸟粒子滤波的WSN目标跟踪方法。通过改进布谷鸟算法的滤波算法取代粒子滤波重采样过程,主要通过改进布谷鸟算法中的搜索步长值 和发现外来鸟卵的物种的概率 的自适应调节,同时在步长更新方程中实时引入函数值的变化趋势,引导粒子整体上向较高的随机区域移动, 有效调整全局探索和局部探索适应能力、改善粒子贫化和局部极值问题,增加粒子群多样化从而提高跟踪性能。实验结果表明,改进布谷鸟粒子滤波算法重采样方法可以防止粒子的退化,增加粒子的多样性,减少跟踪误差,可以减少算法的运行时间,实时追踪性能大幅提高。与CS-PF算法和PF算法相比较,ICS-PF 算法的计算时间是最短的,ICS-PF算法的位置和速度的平均平方根误差最小(位置0.0306、0.0213、速度0.0253、0.0102),PF算法的跟踪精度是最低的,而ICS-PF跟踪精度较高,ICS-PF算法被证明具有良好的跟踪性能。     

粒子滤波自适应部分系统重采样算法研究*

样本退化是基于序列重要性采样的粒子滤波中的一个主要问题,为了解决这个问题重采样被引入。常规的重采样算法可以解决样本退化问题,但容易导致样本衰竭,增加计算的复杂度。本文在部分重采样的基础上,提出了自适应部分系统分重采样算法,该算法自适应调整重采样的时间,重采样前按照粒子的权值对其分类,只对少数粒子进行重采样,不仅减少了重采样的时间而且增加了粒子的多样性,仿真结果表明该算法与部分重采样相比有效的提高了粒子滤波的性能,减少了运行的时间。     

基于高斯粒子CPHD滤波的多目标检测前跟踪算法

针对未知目标数条件下多弱小目标检测前跟踪(TBD)算法鲁棒性较低、运算量较大等问题,提出一种基于高斯粒子势概率假设密度(CPHD)滤波的多目标检测前跟踪算法.运用高斯函数近似目标状态的后验概率密度,采取粒子滤波的方法迭代更新CPHD中各高斯项的均值与协方差,无需重采样,避免了粒子退化和采样枯竭等问题;同时结合检测前跟踪算法的实际情况,得出粒子权值的更新表达式.仿真实验表明,与现有算法相比,所提出算法在降低复杂度的同时,可以更为可靠地传递目标势分布信息,从而提高多弱小目标数目和状态估计的准确性和稳定性.