粒子滤波算法研究进展与展望

粒子滤波是一种通过非参数化的Monte Carlo模拟方法实现递推贝叶斯估计的算法。本文对粒子滤波的发展和研究现状进行了阐述,详细介绍和分析了粒子滤波的基本原理、存在的几个关键问题及解决方法,总结归纳出11种主要改进粒子滤波器,同时论述了粒子滤波应用领域。最后对未来发展提出了展望。     

分布式并行粒子滤波算法结构分析与研究

粒子滤波器是解决非线性/非高斯系统状态估计的有效技术,广泛应用于目标跟踪、无线通信.自动控制等领域.但因其计算复杂、计算量庞大等缺陷,无法满足实时系统的应用需求.针对粒子滤波器计算量大、实时性差的问题,提出了一种基于MPI的分布式并行粒子滤波算法,给出了Master-Slave并行模式下任务分配、数据划分与负载平衡策略.实验结果表明,若忽略通信代价,加速比基本呈线性增长.     

粒子滤波在无线通信中的应用综述

粒子滤波是一种基于贝叶斯原理的序贯Monte-Carlo方法。序贯重要性采样（SIS）算法是粒子滤波的核心算法。粒子滤波算法在处理非线性、非高斯系统的状态估计问题上优于其他滤波方法。本文对粒子滤波算法的基本原理及其在无线通信中的应用进行综述,重点介绍其中的几种典型应用：在盲均衡、衰落信道下的盲检测、多用户检测和衰落信道下的空时解码中的应用,并分别给出了每种应用的状态空间模型、权值更新公式和算法应用过程,并从性能、复杂度和适应性的角度分析了粒子滤波的应用优势。最后展望该算法在无线通信领域应用的发展方向。     

SIR粒子滤波的改进算法

为解决SIR粒子滤波算法存在的粒子贫化问题,提出基于粒子群优化的SIR粒子滤波改进算法(IPSO-PF)。采用粒子分布优化过程代替传统的重采样环节,通过一种改进的粒子群优化算法对序贯重要性采样后的粒子进行分布优化,优化过程不存在低权重粒子的舍弃,可以提高粒子多样性,解决SIR粒子滤波算法的粒子贫化问题。仿真结果表明,与SIR-PF、PSO-PF、GPSO-PF这3种滤波算法相比,相同参数条件下,IPSO-PF算法的滤波精度基本相同,有效粒子数、粒子多样性更好。     

随机加权粒子滤波

研究粒子滤波方法优化问题,粒子退化是传统粒子滤波存在的致命缺陷.由于粒子退化,导致滤波精度的明显下降.针对粒子退化问题,在研究随机加权估计和粒子滤波算法的基础上,提出了一种新的随机加权粒子滤波算法.算法通过对样本进行随机加权,克服了传统粒子滤波算法中的粒子退化问题,保证了粒子的多样性.仿真结果表明,在小子样条件下,随机加权粒子滤波比经典粒子滤波的精度高.在大样本下二者的性能相同.但随机加权粒子滤波不需要重采样,因而算法简单,计算量小,更适合非线性非高斯系统模型的滤波计算,可为实际应用提供参考.     

改进的无迹粒子滤波算法

本文提出了一种改进的无迹粒子滤波算法(IUPF).与传统的粒子滤波算法不同,IUPF中每个粒子并不代表状态序列的一个可能实现,而是代表由初始状态以及过程噪声序列所构成的扩展过程噪声序列的一个可能实现.根据状态空间方程所属的类型,IUPF可以采用不同的无迹变换方法来设计建议分布.并借鉴了基于无迹变换的辅助粒子滤波器(UTAPF)的思想来改进重采样过程.与UPF和UTAPF相比,新算法有3处改进.第一,IUPF无需假定状态转移核函数已知,因而应用范围较UPF和UTAPF广泛.第二,IUPF的计算开销较少.第三,UPF和UTAPF中每个粒子均被假设拥有一个从其父母粒子中继承下来的状态分布,然而这种假设是否合理目前尚难定论,IUPF避免了该假设.在两组仿真实验下将新算法与其它4种算法进行比较,新算法体现了较好的估计能力.并且结果显示与UPF以及UTAPF相比,IUPF所节省的计算时间与状态向量和噪声向量的维数有关.     

基于硬件实现的粒子滤波重采样算法研究

粒子滤波算法用于硬件实现是目前一个新的研究方向,传统的粒子滤波算法计算量大,所需存储空间大,实时性差,所以在硬件实现方面面临着极大的挑战。为使算法更加适合于硬件实现,以粒子滤波中的重采样步骤为研究重点,以典型的序贯重要性重采样滤波算法为例,对典型的几种重采样算法的复杂度、所需存储空间及执行时间上进行分析研究,并在TI DSPTMS320C5402上对采样算法进行仿真,结果表明部分重采样算法(PDR)更适合于硬件实现。     

序贯Monte Carlo算法仿真结果分析

序贯Monte Carlo方法能够解决很多实际问题.它的系统模型与Kalman滤波算法相比具有更广泛的适用性,所以研究Monte Carlo方法是很有实际意义的.文中对序贯Monte Carlo算法进行性能分析,对这一方法的跟踪能力进行了仿真实验.采用的仿真系统模型是非线性系统模型.仿真实验比较了EKF、SIS、SIR算法的性能.通过对不同算法的仿真结果之间的分析和比较,得出了有意义的结论.这对一些工程问题的解决是有重要意义的.     

基于Monte Carlo 粒子滤波的POMDPs 在线算法

针对部分可观察马尔可夫决策过程(POMDPs)的信念状态空间是一个双指数规模问题,提出一种基于 Monte Carlo 粒子滤波的 POMDPs 在线算法.首先,分别采用粒子滤波和粒子映射更新和扩展信念状态,建立可达信念状态与或树;然后,采用分支界限裁剪方法对信念状态与或树进行裁剪,降低求解规模.实验结果表明,所提出算法具有较低的误差率和较快的收敛性,能够满足系统实时性的要求.     

融合相似性检测的抗遮挡粒子滤波跟踪算法

在粒子滤波跟踪算法运行过程中,由于目标遮挡导致丢失目标,将严重地降低跟踪精度与鲁棒性。为了解决此问题,提出了目标丢失状态判定方法和基于改进序贯相似性检测的目标位置重建方法,当检测到目标丢失时,重启跟踪算法。改进序贯相似性检测使用Bhattacharyya距离代替像素累积误差,更好地适应检测目标发生旋转、形变、缩放等情况。使用OTB-100标准数据集,将该算法和传统粒子滤波跟踪算法、SCM等经典算法比较。实验结果表明,对于含遮挡特性视频序列,本文算法比传统粒子滤波跟踪算法和OTB-100抗遮挡最优算法跟踪成功率分别提高36.6%和3.2%,提升了跟踪过程的稳定性。此外,还将实验结果与最新粒子滤波跟踪研究成果作对比分析。     

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.     

一般性粒子滤波算法收敛特性

粒子滤波算法在处理最优滤波问题时受到了广泛的重视,对此类算法的收敛性研究是该领域研究的热点问题.首先介绍了一种变换的一般性粒子滤波算法,与一般性粒子滤波算法不同,在每次执行重要性采样步骤后,新算法需要判别是否需要重新执行重采样步骤和重要性采样步骤.随后对新算法的几乎必然收敛性进行了分析,并将对新算法的收敛性讨论推广到一般性粒子滤波算法中.研究了当感兴趣函数在扩展状态后验联合分布下四阶距存在并且递归次数有限时,由一般性粒子滤波算法得出的估计几乎收敛于最优估计的充分条件.最后,通过一组仿真实验来说明一般性粒子滤波算法的几乎必然收敛性.     

基于贝叶斯推断的高超声速滑翔目标轨迹预测方法

针对高超声速滑翔飞行器因其强机动性、高灵活性,轨迹难以预测的问题,提出一种基于贝叶斯推断的高超声速滑翔飞行器轨迹预测方法.首先,根据高超声速滑翔飞行器攻击某目标的意图信息和战场态势信息,设计意图代价函数量化其攻击意图;然后,采用贝叶斯推断迭代递推目标的机动模式和运动状态;最后,利用蒙特卡洛序贯滤波方法计算目标状态分布进而预测其轨迹.仿真实验结果表明:所提出方法能够有效预测高超声速滑翔飞行器的轨迹,当有多个目标时能够给出各目标被攻击的概率,为防御方提供决策参考.     

Structure from Motion Using Sequential Monte Carlo Methods

In this paper, the structure from motion (SfM) problem is addressed using sequential Monte Carlo methods. A new SfM algorithm based on random sampling is derived to estimate the posterior distributions of camera motion and scene structure for the perspective projection camera model. Experimental results show that challenging issues in solving the SfM problem, due to erroneous feature tracking, feature occlusion, motion/structure ambiguity, mixed-domain sequences, mismatched features, and independently moving objects, can be well modeled and effectively addressed using the proposed method.     

Hybrid state estimation: a target tracking application

In this paper we present a framework in which the general hybrid filtering or state estimation problem can be formulated. The problem of joint tracking and classification can be formulated in this framework as well as the problem of multiple model filtering with additional mode observations. In this formulation the state vector is decomposed into a continuous (kinematic) component and a discrete (mode and/or class) component. We also suppose that there are two types of measurements. Measurements that are related to the continuous part of the state (e.g. bearing and range measurements in a radar application) and measurements that are related to the discrete part of the state (e.g. radar cross-section measurements). We will derive an optimal filter for this problem and will show how this filter can be implemented numerically.     

一种非线性非高斯随机系统的故障诊断方法

针对非线性非高斯随机系统在线故障诊断的问题,运用粒子滤波器提出了一种基于方差自适应粒子滤波器的非线性非高斯随机系统的故障诊断方法,可以用来解决系统的参数偏差型故障诊断问题。通过对连续搅拌釜式反应器(CSTR)的仿真研究,可以看出,该算法实现简单,易于对系统进行在线估计,对于发生缓变和突变的参数偏差型故障的检测与估计均较为有效。     

Partial Linear Gaussian Models for Tracking in Image Sequences Using Sequential Monte Carlo Methods

The recent development of Sequential Monte Carlo methods (also called particle filters) has enabled the definition of efficient algorithms for tracking applications in image sequences. The efficiency of these approaches depends on the quality of the state-space exploration, which may be inefficient due to a crude choice of the function used to sample in the associated probability space. A careful study of this issue led us to consider the modeling of the tracked dynamic system with partial linear Gaussian models. Such models are characterized by a non linear dynamic equation, a linear measurement equation and additive Gaussian noises. They allow inferring an analytic expression of the optimal importance function used in the diffusion process of the particle filter, and enable building a relevant approximation of a validation gate. Despite of these potential advantages partial linear Gaussian models have not been investigated. The aim of this paper is therefore to demonstrate that such models can be of real interest facing difficult usual issues such as occlusions, ambiguities due to cluttered backgrounds and large state space. Three instances of these models are proposed. After a theoretical analysis, their significance is demonstrated by their performance for tracking points and planar objects in challenging real-world image sequences.     

利用部分采样的数字混合信号单通道盲分离算法

针对粒子滤波在数字混合信号单通道盲分离中存在复杂度高的问题,提出一种低复杂度的盲分离算法。分析了算法复杂度高的原因在于符号粒子采样过程中搜索状态空间数与平滑长度成指数倍关系增长。构建了两种采样 方法 部分采样法和混合采样法。前者通过产生若干组序列,使用其代替对所有状态空间进行搜索,利用相应的增量权重完成粒子抽样和权重更新;后者将平滑区间分为两部分,第一部分采用传统的全状态空间法进行搜索,第二部分采用部分采样法进行搜索,利用两个子区间的增量权值完成粒子抽样和权重更新。理论分析和仿真实验结果表明所提算法能有效地降低粒子的搜索空间数。