基于粒子滤波的神经网络学习算法

为了克服一般神经网络学习方法易陷入局部极小值的缺陷,提出一种新的基于粒子滤波的神经网络学习算法.采用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)产生粒子,以较少的粒子逼近状态的后验概率分布,搜索到经验风险函数的最小值.此方法适用于在线的、非线性的、非高斯的神经网络学习.仿真结果表明,该学习方法与同类方法相比,性能明显提高.     

基于SSUKF的粒子滤波算法研究

针对粒子滤波的退化现象、样本贫化问题以及标准无迹粒子滤波(UPF)算法计算量偏大的缺陷,利用基于超球面采样变换(SSUT)的UKF算法产生重要性概率密度函数,与序贯重要性再采样(SIR)结合,并引入粒子群优化,形成一种新的粒子滤波算法.对称分布UT变换的sigma点为2n+1个,而SSUT变换为n+2个.新算法利用SSUT变换减少了采样点的个数,通过混合建议分布进一步减少了计算量,使计算效率得到了明显的改善.仿真结果表明,该算法滤波精度优于扩展卡尔曼粒子滤波,而与标准UPF相当,计算效率明显高于标准UPF算法.     

基于粒子滤波的改进算法

通过将粒子滤波算法与无迹卡尔曼滤波算法相结合,提出一种用于解决非线性、非高斯系统估计的改良粒子滤波算法.该算法在经典粒子滤波的基础上,利用无迹卡尔曼滤波生成更能够逼近真实后验概率分布的重要函数.实验结果表明,这种算法在预测结果收敛性能方面明显优于标准粒子滤波、广义卡尔曼滤波和无迹卡尔曼滤波等现有的非线性滤波器.     

基于神经网络的移动机器人定位粒子滤波方法研究

定位是移动机器人在其工作环境中根据一些已知特征来确定自身位置的过程。由于移动机器人通过定位得到自身的位置,是实现自主导航和控制决策的关键,因此对移动机器人定位方法的研究以及改进具有非常重要的意义。针对粒子滤波器随着迭代次数的进行,粒子集的权重逐渐增大,导致了严重的样本退化问题,提出了一种改进的神经网络重要性样本调整粒子滤波（NNISA-PF）算法。     

基于广义回归神经网络的交通流预测模型

将广义神经网络技术引入到交通流量的长期预测中,介绍了广义神经网络模型的理论基础和网络结构,建立了天津市某路口交通流量的数学模型,并通过调查数据对交通流进行了预测,测试结果表明,该方法有一定的适用性.     

基于粒子滤波的相关跟踪算法研究

粒子滤波是一种求解后验概率的实用性算法,它通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波.在分析了基于最小平均绝对差值函数的相关跟踪算法的基础上研究了一种基于粒子滤波的相关跟踪算法.并将这两种算法应用于运动目标的跟踪,实现了对道路上运动小汽车的跟踪.最后将两种跟踪算法的仿真实验结果进行了比较,实验结果表明,基于粒子滤波的相关跟踪算法受障碍物遮挡的影响较小,提高了跟踪的鲁棒性.     

基于粒子滤波的动态进化算法

粒子滤波(PF)中粒子的选取与保留过程暗含着"优胜劣汰"的特点,因此PF和进化算法(EA)有着相近的仿生学特点,能够很"自然"进行结合。文章针对具有可学习性的非随机动态优化问题,提出一种基于粒子滤波的动态进化算法,使用PF在决策空间中对最优点的变化进行预测以启发进化算法的搜索。提出一种自适应种群多样性控制方法,用以协调EA和PF对算法的影响。使用移动峰(MPB)问题对算法和随机迁移算法(RIGA)进行了对比测试。实验结果表明所提出的算法是正确、有效的,能够更为有效地求解动态优化问题。     

基于广义回归神经网络的微电路工艺设备表征

为了使用较少的工艺试验建立更高精度的模型描述微电路工艺的复杂性与非线性,将神经网络技术与统计试验设计相结合代替传统的统计方法应用于微电路热氧化工艺设备的表征．通过试验设计安排15轮试验,然后基于广义回归神经网络建立了以氧化膜厚以及均匀性为目标值的热氧化工艺模型,最后利用信噪比函数对模型的拟合以及预测能力进行了验证与比较分析．结果表明,该方法建立的模型可用于工艺表征与控制．所讨论的方法可用于其他微电路工艺设备的表征．     

基于广义回归神经网络的职业性向分析

对在校大学生进行霍兰德职业性向测评,利用模糊聚类对测评数据进行初步归类,应用广义回归神经网络（GRNN）迭代训练建立分类模型,将主客观测评数据对应的分类结果进行比对获取吻合率,为大学生的就业指导提供参考.     

基于MCMC方法的粒子滤波改进算法

粒子滤波算法广泛应用于现代的跟踪与定位,它适用于非线性非高斯系统,其算法的性能很大程度上取决于重要性分布的选择.分析粒子滤波的原理,论述蒙特卡罗方法在贝叶斯分析中的应用,同时将蒙特卡罗方法引入粒子滤波算法的实现中,通过仿真实验结果比较分析了改进的粒子滤波算法的性能.     

基于确定性重采样的粒子滤波算法

复杂背景下的运动目标跟踪往往要面对非线性非高斯问题,粒子滤波算法在非线性非高斯模型中的良好处理能力,使其得到广泛的应用.引入重采样方法(SIR)解决粒子退化问题的同时导致了样本枯竭.针对上述问题,文中提出了一种融合基本重采样方法和确定性重采样方法的新方法,能有效保持粒子的多样性.通过仿真实验表明,该方法能有效提高粒子滤波算法的准确性.     

基于二次预测的粒子滤波算法

为了解决粒子滤波在粒子采样阶段没有利用观测信息的问题,提出一种基于二次预测的粒子滤波算法(SP-PF),并在图形处理器(GPU)上进行了并行实现。首先,从状态转移函数中采样得到预测粒子,通过最小二乘估计,构建一个新的粒子采样器;然后,在预测粒子的基础上,将当前的观测信息引入到粒子的二次预测中,经过两次预测后,每个新粒子都是对当前状态的无偏估计;最后,通过粒子加权的方式对当前状态进行估计,估计完成后再对粒子进行重采样。实验结果表明:该算法的估计精度优于标准粒子滤波(SPF)、辅助粒子滤波(APF)和无迹粒子滤波(UPF),且GPU显著提升了SP-PF的处理效率。     

基于改进粒子滤波的目标跟踪算法

针对传统的粒子滤波采用系统转移概率作为建议分布,不能利用当前观测信息.提出了一种结合集合卡尔曼滤波的粒子滤波跟踪方法.对每个粒子产生一个采样子集,使用集合卡尔曼滤波结合当前的观测信息构造建议分布,依据新的建议分布对粒子进行采样.同时在跟踪过程中对于遮挡现象给出了判断和解决方法.实验结果证明该方法提高了粒子滤波估计的准确性,相对于传统粒子滤波和其他粒子滤波方法有更好的稳定性.     

基于粒子滤波的抗遮挡跟踪算法

摘要：目标遮挡在图像跟踪中是一个不可避免的问题,粒子滤波器能够实现杂背景下的目标跟踪,但在目标被长时间被全部遮挡再重新出现时难以恢复有效跟踪。本文基于粒子滤波器提出了一种利用分块匹配结果进行遮挡判别和目标全遮挡出现时进行全局搜索的方法,实验证明该方法有效解决了长时间被全遮挡的目标的跟踪问题。     

基于果蝇优化广义回归神经网络的径流预测

针对水文径流的不确定性特点,提出一种新的径流预测模型。该模型在广义回归神经网络的基础上,采用了果蝇优化算法。通过该模型对四川省万源市后河径流进行了预测,结果显示改进后的模型预测精度明显提高。     

基于改进广义回归神经网络的网络安全态势预测

针对网络安全态势精确预测,提出一种基于改进广义回归神经网络的预测方法,以改善网络安全态势预测精度.利用滑动时间窗口方法将各个离散时间监测点的网络安全态势值构造成部分线性相关的多元回归数据序列,以其做为样本集输入到改进广义回归神经网络加以训练,进而得到网络安全态势预测模型.在改进广义回归神经网络训练过程中,利用粒子群算法...     

一种基于粒子群优化的粒子滤波改进算法

粒子群优化粒子滤波算法能有效改善粒子退化问题,但其适应度函数受量测噪声方差影响较大,限制了滤波精度的提高.为此,提出了一种基于粒子群优化的粒子滤波改进算法.该算法给出一种新的适应度函数,用当前状态估计值与各粒子状态的差值大小作为评价标准,使得最终优化粒子受噪声方差影响减小,在量测模型精度高的场合中提高了滤波精度.理论分析及仿真结果表明,本文所提算法的滤波性能优于标准粒子滤波与粒子群优化粒子滤波算法.     

粒子滤波算法仿真分析

针对广泛应用于定位与导航、目标跟踪和模式识别的粒子滤波算法,通过仿真实验研究了不同的估计输出、采样阈值、重采样算法以及运动模型和观测模型不准确对粒子滤波效果的影响,仿真实验结果表明,粒子滤波器鲁棒性较好。     

自适应平方根Unscented粒子滤波算法研究

针对粒子滤波存在的重要性密度函数难以选取和可能出现粒子退化的问题,在吸收平方根滤波、自适应滤波和粒子滤波优点的基础上,提出了一种新的UPF算法。该算法由UKF算法得到重要性密度函数,通过自适应因子实时控制动力学模型误差,采用平方根分解法抑制系统状态协方差矩阵的负定性。仿真结果证明,文中所提出的自适应平方根UPF算法,不但适用于非线性、非高斯动态系统的滤波计算,而且能有效地改善滤波性能,提高SINS/SAR组合导航系统的定位精度。