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.     

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.     

改进的自适应均值滤波算法及应用

燃煤锅炉的燃烧过程复杂且不稳定,监视系统的图像可能受到各种噪声的干扰,针对此问题,提出一种改进的自适应均值滤波算法。此算法利用自适应阈值和图像的全局统计特性对滤波系数加以优化。实验结果表明,该方法可以更有效地减少噪声,并可以保护图像的边缘信息。由于阈值选取具有自适应性,可推广应用到其它去噪领域。     

一种改进的裂变自举粒子滤波算法

退化现象是粒子滤波应用中存在的主要问题,自举粒子滤波虽然可解决退化问题,但易导致粒子耗尽。裂变自举粒子滤波算法虽能增加粒子的多样性,但其裂变过程对权值信息的利用不充分,且权值计算过于简单,滤波精度改进不大。采用高权值粒子裂变小、低权值粒子裂变大的裂变繁殖方法和权值递推计算方法,对裂变自举粒子滤波算法进行了改进,估计精度有所提高。     

一种新的粒子滤波算法

将采样重要再采样(SIR)方法与无迹卡尔曼滤波(UKF)相结合,提出一种新的粒子滤波算法.该算法具有无迹粒子滤波(UPF)粒子使用效率高和SIR粒子滤波运算速度快的优点,同时克服了UPF运算量的增长速率快于状态维数增长的缺陷.仿真结果表明,与UPF相比,本算法在几乎不影响滤波效果的前提下,大幅减少滤波所需计算量.     

一种基于重要性权值选择的粒子滤波方法

针对粒子滤波算法存在计算量大和重采样过程带来计算量的扩张随粒子数的增加而成级数增加的问题,改进了一种基于重要性权值选择的粒子滤波方法．该方法运用重要性权值选择准则去除无效粒子而保留对状态估计贡献较大的粒子,每一状态时刻都根据权值选择的结果决定所要利用的粒子及其数目．仿真结果表明,该方法不仅保持了较高的滤波性能,而且能有效减小算法的计算量,有利于工程实现．     

一种新的进化裂变粒子滤波算法

针对经典自举粒子滤波中的重要性函数选取和重采样所导致的样本枯竭问题,提出了一种基于进化裂变的改进粒子滤波算法．该算法首先采用无迹卡尔曼滤波算法产生重要性函数,然后对重要性采样粒子进行裂变通过进化策略更新粒子集以增加粒子多样性,从而克服经典自举滤波重采样过程中的粒子退化问题．仿真实验表明,该算法能有效地提高跟踪精度, 跟踪性能优于经典粒子滤波算法．     

粒子滤波算法在目标跟踪中的应用

粒子滤波算法通过非参数化蒙特卡罗仿真方法实现递推贝叶斯滤波,基于序贯重要性采样的粒子滤波算法无法避免粒子退化问题;通过在滤波初始化阶段对初始化粒子进行优化选择,在重采样阶段使用非排序的基于权重的重采样算法对粒子滤波算法进行了改进,从一定程度上解决了粒子退化问题;仿真验证,本算法在保持与传统粒子滤波算法运算时间的条件下,提高了粒子滤波算法的估计精度,从而提高了其在机动目标跟踪中的性能.     

基于粒子滤波和自适应模型的目标跟踪算法

为了提高粒子滤波的性能,使用集合卡尔曼滤波对建议分布进行改进,同时提出了用于视频跟踪的自适应融合模型．使用集合卡尔曼滤波结合当前的观测信息构造建议分布,结合当前观测信息对每一个粒子进行集合分析,得到新的建议分布,依据新的建议分布对粒子进行采样,同时在跟踪过程中将颜色特征模型和形状特征模型进行融合,并进行自适应更新．实验结果证明：相对于传统粒子滤波和扩展卡尔曼粒子滤波,使用新的建议分布可以更有效地降低均方根误差,同时自适应融合模型的稳定性要高于使用单一颜色模型．使用新的建议分布和融合模型,可以有效提高粒子滤波的准确性和稳定性．     

一种基于区间估计的粒子滤波算法

针对非线性、非高斯系统的状态估计问题,本文提出了一种基于区间估计的粒子滤波算法．新算法从辅助粒子滤波算法的理论出发,首先对系统状态的期望值进行区间估计,然后在该区间上均匀采样,并利用当前观测信息进行修正,最后得出滤波结果．为了保证估计区间的有效性和算法计算效率,本文给出了区间扩展条件．由于算法直接在区间上均匀采样,不仅避免了重采样带来的样本贫化,而且保证了粒子的多样性．实验结果表明,该算法具有较高的滤波精度,明显优于一般的粒子滤波算法．     

一种基于微粒群思想的蚁群参数自适应优化算法

利用微粒群优化(particle swarm optimization,PSO)思想对蚁群优化(ant colony optimization,ACO)算法的参数取值进行优化选择。通过微粒群粒子搜索,自适应选取参数值的优质组合,使ACO算法的参数取值不必依靠人工经验或反复试验。经过该算法求取的参数组合显著提高了ACO算法的优化性能,并且参数的取值具有连续性,随机性和精确性。利用这种算法获得的参数值的优质组合反馈回ACO算法中,在解决货郎问题(traveling sales-man problem,TSP)时具有优异的效果。     

一种新的改进粒子滤波算法

标准粒子滤波算法存在的最大问题是粒子退化,针对这一问题,提出了一种改进的粒子滤波算法,该算法将无迹卡尔曼滤波算法(UKF)、混合遗传模拟退火算法和基本粒子滤波算法相结合,运用无迹卡尔曼滤波算法获得重要性函数,提高了粒子的使用效率; 运用混合遗传模拟退火算法的进化思想,提高了粒子的多样性．仿真结果表明,新算法很好地解决了基本粒子滤波算法存在的粒子退化问题,提高了系统的滤波精度和稳定性(在信噪比为16dB时,精度提高80％以上),较好地抑制了噪声的干扰．     

An adaptive particle filter for mobile robot fault diagnosis

An adaptive particle filter for fault diagnosis of dead-reckoning system was presented, which applied a general framework to integrate rule-based domain knowledge into particle filter. Domain knowledge was exploited to constrain the state space to certain subset. The state space was adjusted by setting the transition matrix. Firstly, the monitored mobile robot and its kinematics models, measurement models and fault models were given. Then, 5 kinds of planar movement states of the robot were estimated with driving speeds of left and right Side. After that, the possible （or detectable） fault modes were obtained to modify the transitional probability. There are two typical advantages of this method, i.e. particles will never be drawn from hopeless area of the state space, and the particle number is reduced.     

Improved design of proposal distribution for particle filter

One crucial issue in particle filtering is the selection of proposal distribution. Good proposal can effectively alleviate particle degeneracy and thus improve filtering accuracy. In this paper, we propose a new type of proposal distribution for particle filter, called as R-IEKF proposal. By combining iterated extended kalman filter with Rauch-Tung-Striebel optimal smoother, the new proposal integrates the latest observation into system and approximates the true posterior distribution reasonably well, hence generating more precise and stable particles against measurement noise. The simulation results indicate that the improved particle filter with R-IEKF proposal prevails over PF-EKF and UPF both in tracking accuracy and filtering stability. Consequently, PF-RIEKF is a competitive choice in noisy measurement environment.     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量（HOC）的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声，其解法一般采用的是梯度搜索法，但是梯度搜索过程难以避免局部收敛而且计算复杂．粒子群优化算法（PSO）具有算法简洁，易于实现，且不需要梯度信息等优势．使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题，为滤波器参数的优化提供了一种新的思路．仿真结果表明，使用PSO优化算法求解自适应滤波器系数能获得更高的精度．同时PSO算法受系统跃变的影响较小，因此它在求解非平稳过程模型系统时具有一定的优势．     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量(HOC)的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声,其解法一般采用的是梯度搜索法,但是梯度搜索过程难以避免局部收敛而且计算复杂.粒子群优化算法(PSO)具有算法简洁,易于实现,且不需要梯度信息等优势.使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题,为滤波器参数的优化提供了一种新的思路.仿真结果表明,使用PSO优化算法求解自适应滤波器系数能获得更高的精度.同时PSO算法受系统跃变的影响较小,因此它在求解非平稳过程模型系统时具有一定的优势.     

自适应模型与改进粒子滤波的电池RUL预测

为提高锂电池运行的安全性和可靠性并维护系统稳定运行,提出一种自适应混合模型与改进粒子滤波（particle filter, PF）算法的锂电池剩余使用寿命（remaining useful life, RUL）预测方法。采用经验模型与神经网络模型结合建立自适应混合模型描述电池容量退化趋势,并使用天牛须搜索（beetle antennae search, BAS）算法优化PF重采样步骤解决粒子多样性丧失问题,从而提高估计精度进而实现RUL的精准预测。应用NASA和CALCE公开的两组不同类型锂电池作为实验对象,验证模型的有效性并通过对比PF与改进PF算法验证RUL预测的准确性。结果表明:自适应混合模型对于电池容量变化的表达能力更强,既能考虑电池内部的参数变化又能反应电池外部环境的变化,基于BAS改进的PF（BAS-PF）方法相较于传统PF算法的估计精度更高而且RUL预测更准确,对于不同的预测起点,两块测试电池的RUL预测误差分别为5.88%、3.92%、1.96%和3.75%、1.25%、0%。自适应混合模型能更加有效地描述电池容量特征,基于自适应混合模型的BAS-PF算法的电池RUL预测能力更好,可靠性更强,有助于提高RUL预测的精度和表现。