基于人工鱼群的无轨迹粒子滤波算法

针对粒子滤波算法中粒子退化现象及重采样所带来的粒子贫化问题,提出一种基于人工鱼群的无轨迹粒子滤波算法。采用无轨迹变换选取优化的重要性密度函数,将人工鱼群的智能思想引入到粒子滤波中代替重采样过程,通过觅食、聚群和追尾行为找到全局最优位置,驱动粒子向最优点靠近,从而增加粒子多样性。仿真结果表明,与传统的无轨迹粒子滤波和常规粒子滤波相比,该算法在估计精度上有显著的提高。     

一种改进的人工鱼群粒子滤波算法

粒子滤波(Particle Filter,PF)相对于其他滤波算法在处理非线性非高斯类型的系统中具有明显的优势,但是标准粒子滤波本身并不完美,因此提出了一种改进的人工鱼群算法去优化粒子滤波算法。先改进人工鱼群算法中鱼群移动的步长,再将人工鱼群算法的觅食行为和聚群行为引入粒子滤波,使其驱动粒子向高似然区域移动,进而改善粒子分布,有利于解决粒子退化和粒子贫化的问题。最后,将改进的人工鱼群粒子滤波算法与粒子滤波法以及扩展卡尔曼滤波器(Extended Kalman Filter,EKF)算法进行仿真实验对比,结果表明改进的人工鱼群粒子滤波算法在各方面均优于其他两种算法。     

一种人工物理优化的粒子滤波算法

为了改善传统粒子滤波中的粒子退化和样本贫化问题,提出一种人工物理优化的粒子滤波方法.通过引入人工物理优化,对粒子滤波重采样过程进行了改进.人工物理优化虚拟力模型规定粒子间存在相互作用的吸引力或排斥力,通过优化可以使粒子集提高对后验概率密度的逼近程度,克服粒子退化的问题.同时,由于粒子在移动过程中相互牵制,优化后粒子集分布性更好,并避免了粒子重叠或过度拥挤,从而提高了估计能力,维持了粒子的多样性.仿真实验结果验证了所提出算法的有效性,同时表明,该算法具有较好的估计精度和稳定性.     

强跟踪粒子滤波算法及其在故障预报中的应用

粒子退化和对突变状态的跟踪能力差是粒子滤波在故障预报应用中存在的主要问题. 再采样粒子滤波虽可缓解粒子退化, 但易导致样本贫化; 扩展粒子滤波也可在一定程度上解决退化问题, 但难以跟踪突变状态. 本文提出了强跟踪粒子滤波算法, 将强跟踪滤波引入粒子滤波更新粒子, 产生重要性密度, 缓解粒子退化和样本贫化问题, 提高跟踪突变状态的能力. 仿真结果显示该算法可行并能及时准确地预报系统故障.     

非高斯噪声中的粒子滤波算法研究

在非线性非高斯动态系统中,粒子滤波已成为解决系统参数估计和状态滤波的主流方法。然而,粒子退化是粒子滤波中不可避免的现象,粒子重采样是解决方法之一。本文针对粒子退化现象,在扩展卡尔曼滤波器的基础上研究了一种基于支持向量机粒子滤波算法,算法实现中扩展卡尔曼粒子滤波器结合支持向量机对当前时刻的重要性采样,再对粒子样本进行重采样。该算法能有效地利用量测值的最新信息,状态估计误差较小,同时避免了粒子匮乏。理论分析和仿真结果表明,新算法在双模噪声非线性系统估计的精度优于标准粒子滤波算法与扩展卡尔曼粒子滤波算法。     

基于改进扩展卡尔曼粒子滤波的目标跟踪算法*

针对扩展卡尔曼粒子滤波算法滤波精度较低和粒子退化的问题,将马尔可夫链蒙特卡罗（MCMC）方法和扩展卡尔曼粒子滤波相结合,应用于目标跟踪。该算法利用扩展卡尔曼滤波来构造粒子滤波的建议分布函数,使建议分布函数能够融入最新的观测信息,以便得到更符合真实状态的后验概率分布,同时引入MCMC方法对所选的建议分布进行优化处理,使抽样粒子更加多样性。仿真结果表明,该算法能有效地解决粒子贫化问题并提高滤波精度。     

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.     

基于自适应人工鱼群的粒子滤波算法

针对粒子滤波算法中存在粒子退化及粒子枯竭的问题,本文提出一种自适应的人工鱼群粒子滤波算法,该算法通过把觅食行为和聚群行为引入粒子滤波算法中,并自适应调整人工鱼的移动步长和视野范围,从而增加了粒子的多样性,克服了粒子退化及粒子枯竭问题;驱动粒子向最优位置靠近,克服粒子易陷入局部最优问题,增强了粒子的全局搜索能力。仿真实验表明,本文提出的算法与人工鱼群粒子滤波及标准粒子滤波算法相比,滤波精度有显著的提高。     

基于混沌的萤火虫改进粒子滤波算法研究

针对常规的粒子滤波算法存在粒子权值退化和采样粒子贫化以及需要大量粒子才能进行比较准确的状态估计的问题,提出了一种基于混沌的萤火虫改进粒子滤波算法.利用混沌系统所具有的遍历性和随机性初始化粒子群,使得初始粒子分布更加均匀,同时向常规粒子滤波算法中引进萤火虫算法的寻优机制,使得粒子能够向高似然区域运动,提高了滤波精度,并对部分权值优秀粒子进行混沌细搜索,对部分权值低的粒子进行再生,提高了种群多样性.实验表明:该方法尤其是在粒子种群数量较小的情况下,较常规粒子滤波精度更高,并有效地改善了权值退化和样本贫化问题.     

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.     

一种用于中值滤波的改进均值划分算法

图像滤波是很多图像处理算法在图像预处理阶段采用的处理措施,而中值滤波不仅能够有效地去除图像中的噪声,而且可以保持图像的边缘细节,从而成为首选的图像滤波方法.由于中值滤波需要使用排序操作,其计算时间复杂度较高,而且在滤波窗口较大时,导致图像滤波耗费较长的时间,不能满足海量、高分辨率图像实时滤波处理的需求.在研究中值滤波基础上,提出一种改进的基于均值划分的快速中值滤波算法,实验表明,该算法可以有效地降低图像中值滤波的时间消耗,特别是在大尺度图像中,当滤波窗口较大时,能够显著降低图像滤波时间,同时,能够与传统中值滤波保持一致的效果,进一步增强了大尺度图像实时处理能力.     

K分组合型Bloom Filter方法的设计

Bloom Filter是一种采用位向量表示数据集合并利用Hash函数支持有效数据查找的方法.它能够很好地判定某个元素是否属于给定的集合.拆分型Bloom Filter是Bloom Filter的一种改进,它能较好地缓解分布式环境下集合元素动态增长导致的查找误称率增大问题.作为一种新的K分组合型Bloom Filter,通过与Bloom Filter和拆分型Bloom Filter比较分析的结果表明,该方法能够在误称率、向量空间和平均判定时间3个指标中得到较好的平衡.     

图像加窗中值滤波算法研究

提出了一种实用的图像滤波算法,即图像加窗中值滤波算法。在分析经典中值滤波算法基础上,给出了加窗中值滤波算法的基本原理与实现过程,与经典的邻域均值滤波器、中值滤波器、Butterworth低通滤波器、Wiener滤波器进行了滤波比较实验,分别从主观效果及客观参数计算两个方面验证了其优良的滤波性能。     

点模型的多边滤波器降噪算法

为了更好地去除噪声,并保持模型的突出特征,提出了一种鲁棒的点模型多边滤波器降噪算法,该算法充分考虑了模型表面的法向量、曲率等内蕴几何量和噪声之间的关系。首先通过自适应选取最优邻域控制函数来将滤波窗口限制在顶点法向量相近的区域,以防止滤波后模型的收缩和过光顺;然后运用协方差矩阵分析的方法,在最优邻域内计算出各采样点的法向量和曲率;最后以采样点滤波参考平面为基准,分别平滑采样点的法向量和位置,即先对采样点的法向量进行多边平滑,然后根据新的法向量来多边平滑输出各采样点的位置偏移量,最后在法向方向上移动该顶点,以达到降噪的目的。实验结果表明,多边滤波器在有效地去除噪声的同时,还能较好地保持点模型表面的几何特征。     

非线性动态滤波的迭代算法

阐述了标称状态的线性化方法和扩展的卡尔曼滤波公式及迭代卡尔曼滤波,探讨了非线性动态滤波的近似处理方法,围绕标称状态将非线性模型进行线性化,将标准的卡尔曼滤波扩展到非线性模型,得到扩展的卡尔曼滤波公式,研究了迭代滤波计算方法。扩展的卡尔曼滤波方法已经有效地用于非线性模型。     

一种高效的基于阈值的图像滤波算法及其实现

通过对均值滤波和中值滤波进行分析,提出并实现了一种新的滤波算法。该算法通过设置一阈值,当像素点的值和邻域均值的差值大于该阈值时,才取邻域均值为该点的缸,否则该点的值保持不变。那么图像就不会模糊又去除了噪音,也不用排序,就能取得和中值滤波一样的滤波效果,速度比中值滤波快得多。而且该算法能够克服均值滤波和中值滤波的不足,在均值滤波和中值滤波无法胜任的领域仍能大显身手,展现出良好的适应性和高效性。并可根据需要对滤波过程实现控制,具有很大的灵活性。     

具有双重不确定性系统的联合滤波算法

卡尔曼滤波在高斯白噪声的假设下是一种最优滤波, 基于区间数学理论的集员滤波 (Set-membership filter, SMF)能够有效处理有界噪声假设下的滤波问题. 然而, 随机噪声和有界噪声在许多情况下会同时干扰控制系统. 由于两种滤波算法都受到各自适用范围的限制, 使用单一滤波算法难以得到理想的估计结果. 本文通过建立具有双重不确定性系统的模型, 提出了一种基于贝叶斯估计联合滤波算法. 该算法用卡尔曼滤波处理系统的随机不确定性, 用集员滤波处理系统的有界不确定性, 得出一个易于实现的滤波器. 最后通过对雷达跟踪系统的仿真, 结果表明, 较单一滤波算法, 联合滤波具有更强的噪声适应性和有效性.     

一种鲁棒性的多车道线检测算法

机器视觉被广泛应用于智能汽车领域,车道线检测成为人工智能领域内的研究热点。为了得到更具鲁棒性的车道线检测效果,采用一种基于多条件约束的车道线特征滤波器,并提出了一种新的对车道线特征进行聚类的算法。运用卡尔曼滤波对车道线位置进行实时跟踪和预测;利用基于透视投影线性关系的车道线“位置-宽度”函数设置自适应动态ROI;另外,利用车道线的特点形成约束条件以获得更加稳定的检测效果。在真实道路环境下的实时检测结果表明,该算法鲁棒性强、实时性好,且具有稳定的检测效果。     

单幅图像去雾算法

目前图像去雾算法研究大多忽略颜色失真问题,特别是存在高亮度区域的图像复原,针对如何同时保证图像细节与颜色信息问题,本文提出一种基于双边滤波的单幅图像去雾算法。首先,利用巴特沃斯低通滤波直接估计背景空气光,避免对不同尺寸的图像以及对图像不同的分块所引起的误差;然后,利用双边滤波估计大气光幕,代替He算法中soft matting过程,以获得优化的透射图,提高计算效率;最后,在HSV空间利用亮度增益函数对复原图像进行颜色校正,最终获得复原图像。仿真实验通过与几种经典算法的比较验证本文算法在色彩保真度及算法鲁棒性等方面的有效性。     

分布式星球车定位及算法

外星球的未知环境要求星球车能够稳定且精确地自定位.我们首先引入了一种由中心计算机、星球车和无线传感器网络构成的分布式星球车定位系统模型.接着,结合粒子滤波和卡尔曼滤波的各自特点,提出了基于粒子滤波-扩展卡尔曼滤波(PKF)星球车导航的定位算法.PKF使用粒子滤波获取车体初始位置估计,之后使用扩展卡尔曼滤波继续跟踪星球车.当星球车遇到短暂无信号等情况时,PKF会根据系统状态在两种滤波算法中切换.仿真结果表明PKF定位算法具有很高的精度和稳定性以及较低的计算复杂度.