基于粒子筛选处理的粒子滤波改进算法

针对粒子滤波中的粒子贫化问题,分析了目前用于增加粒子多样性方法存在的不足,提出了一种新的粒子筛选与处理方法.通过设置筛选区间,保留该区间内的粒子,对区间外的粒子进行移动处理,从而改善粒子分布.仿真结果表明,该方法能够有效缓解粒子贫化问题,提高滤波精度.同时由于有效样本数增加,降低了重采样次数,总体上减少了算法运行时间.     

改进的多模型粒子滤波机动目标跟踪算法

传统的多模型粒子滤波算法(MMPF)在机动目标跟踪中存在模型粒子数难以控制的问题.本文提出了一种改进的多模型粒子滤波算法,将模型估计和状态估计分开计算,并用模型似然函数计算模型后验概率.各模型的粒子数根据模型特性预先选定,在递推过程中保持不变,且模型间的粒子不进行交互,减少了计算量.仿真表明,同MMPF相比,该算法能用较少的粒子数获得更好的跟踪精度.     

基于二阶插值滤波的粒子滤波改进算法研究

粒子退化等问题严重制约了粒子滤波的工程应用,通过对粒子滤波的分析与总结,提出一种基于二阶插值滤波的粒子滤波改进算法,利用二阶插值滤波器计算出更优的重要性函数,从而有效抑制粒子滤波的退化,降低了计算量,通过对导弹再入时的非线性导航参数估计问题进行实例仿真分析,所得结果验证了该算法的有效性.     

粒子滤波算法综述

对粒子滤波算法的原理和应用进行综述．首先针对非线性非高斯系统的状态滤波问题．阐述粒子滤波的原理;然后在分析采样-重要性-重采样算法基础上．讨论粒子滤波算法存在的主要问题和改进手段;最后从概率密度函数的角度出发．将粒子滤波方法与其他非线性滤波算法进行比较．阐明了粒子滤波的适应性．给出了粒子滤波在一些研究领域中的应用．并展望了其未来发展方向．     

基于改进的粒子滤波非线性约束优化算法

传统的非线性约束优化算法的精度较低,为了克服这一问题,提出了一种基于粒子滤波的新型优化算法。该算法用于解决非线性约束优化问题,并结合粒子滤波器的模型和机制。首先,利用粒子滤波算法的基本原理建立这种优化算法,并给出算法的操作步骤;然后将非线性约束优化问题转换为函数优化问题函数优化问题,并针对非线性约束优化问题,建立粒子滤波优化算法的数学模型。仿真实验结果证明了这种新型算法的正确性,并且表明了相对于传统的优化算法,基于粒子滤波器的优化方法在解决非线性优化问题方面具有更高的效率和速率,并对今后的非线性约束优化问题具有适应性。     

一种粒子滤波的改进算法

在强非线性、非高斯系统、高精度测量的环境下,针对粒子滤波（PF）算法的跟踪性能降低问题,提出一种PF的改进算法。由于PF算法的计算量虽然小但精度不高,而无迹粒子滤波（UPF）算法精度虽然很高但计算量过大,结合PF算法计算量小和UPF算法精度高的优势,提出一种PF改进算法。对PF、UPF和PF改进算法三种跟踪算法进行了仿真,结果表明,改进PF算法的跟踪精度和UPF的跟踪精度相当,但所需运算时间仅为UPF算法的35%左右。     

一种基于SVM重采样的似然粒子滤波算法

针对弱观测噪声条件下非线性、非高斯动态系统的滤波问题,提出一种基于支持向量机的似然粒子滤波算法.首先,采用似然函数作为提议分布,融入最新的观测信息,比采用先验转移密度的一般粒子滤波算法更接近状态的真实后验密度;然后,利用当前粒子及其权值,使用支持向量机估计出状态的后验概率密度模型;最后,根据此模型重采样更新粒子集,有效地克服粒子退化现象并提高状态估计精度.仿真结果表明了所提出算法的可行性和有效性.     

基于似然分布调整的粒子群优化粒子滤波新方法

传统基于粒子群优化的粒子滤波（PF）算法（PSOPF）在移动粒子向高似然区域移动的过程中,由于破坏了预测分布,当似然函数具有多峰时,其在具有大计算量的同时滤波性能并没有明显提升。针对该问题,提出了基于似然分布调整的粒子群优化粒子滤波新方法（LA-PSOPF）。在保留预测分布的前提下,运用PSO算法调整似然分布,提高有效粒子数量,进而提高滤波性能;同时引入局部优化策略,缩减参与PSO优化的粒子群规模,从而减少运算量,达到滤波精度与速度的平衡。仿真结果表明,当量测误差较小,似然函数具有多峰值时,改进算法的滤波精度和稳定性都优于PF算法和PSOPF算法,同时运算时间少于PSOPF算法。     

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。     

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。     

WMSN目标跟踪的改进粒子滤波算法

分析了无线移动传感器网络中目标的跟踪原理,研究了基本粒子滤波算法的主要技术。对基本粒子滤波的重要性函数和重采样技术进行改进后,给出了一种提高基本粒子滤波算法跟踪精度的方法。通过仿真比较可以看出改进粒子滤波算法有较好的跟踪精度。在无线移动传感器网络中强调跟踪精度的场合,改进的粒子滤波算法会有更好的跟踪效果。     

一种改进的双边滤波图像去噪算法

双边滤波亮度相似度因子仅受[σr]一个参数的约束,很难准确辨析图像平滑区域及细节丰富区域的纹理信息,不能较好地保留纹理细节信息。基于此,提出一种自适应分数阶微分与双边滤波相结合的图像去噪方法。在双边滤波算法的基础上,通过分析局部纹理特征,计算频率变化梯度和幅值变化特征,建立幅值频率非线性指数模型,自适应地选择每个像素点对应的分数阶阶次[v,]构建分数阶微分掩模算子。实验结果表明,改进的双边滤波算法能够在图像滤波的同时实现纹理细节地保留/增强,获得较好的滤波结果。     

改进的自适应中值滤波算法

中值滤波窗口大小影响滤波器性能,3×3滤波窗口可以很好地保持图像细节。提出一种新的自适应中值滤波方法。将3×3窗口中心的极值点作为候选噪声点,若候选噪声点仍然是7×7窗口的极值点,则该点即是噪声点。若以噪声点为中心的3×3滤波窗口的中值不是噪声,则噪声用中值替换。重复以上过程,直到没有噪声点被替换。如果图像中仍然存在大的噪声团块,则噪声用相邻的三个信号点的灰度均值替换。实验结果表明,该方法能够有效去除脉冲噪声,并在抑制噪声的同时很好地保护图像的细节。     

改进的协同过滤推荐算法

协同过滤是迄今为止个性化推荐系统中采用最广泛最成功的推荐技术,但现有方法是将用户不同时间的兴趣等同考虑,时效性不足,而且推荐精度也有待进一步提高。鉴于此提出一种改进的协同过滤算法,针对用户近邻计算和项目评分的预测两个关键步骤,提出基于项目相关性的用户相似性计算方法,以便邻居用户更准确,同时在预测评分的过程中增加时间权限,使得接近采集时间的点击兴趣在推荐过程中具有更大权值。实验结果表明,该算法在提高了推荐精度的同时实现了实时推荐。     

协同过滤推荐算法

针对目前协同过滤推荐精度受损,且出现冷启动的问题,提出一种经过改进的协同过滤推荐算法。其主要思想是针对两种不同情况的目标项目采用不同的相似性计算方法。一种项目为新项目,分别通过信息熵法和项目属性相似性计算项目评分,然后通过平衡因子实现新项目评分的组合;另一种项目为非新项目,通过权重因子动态组合项目的属性相似性和评分相似性,获得最近邻居的评分推荐。实验结果表明,该算法能提高推荐算法的稳定性和精确度,同时解决冷启动问题。     

基于粒子滤波算法的神经丝自动跟踪

神经丝蛋白质（Neurofilament）是一种长而柔软的蛋白质有机物,它能在神经细胞中沿着神经轴突快速且随机地运动。人们希望通过对神经丝蛋白质的跟踪来分析它的运动性能,从而进一步了解神经细胞的性能。目前,研究人员只是通过在显微镜下拍摄到的神经丝蛋白质的运动视频,人工地跟踪它运动。这种人工跟踪不但对大量图像实现起来非常费时,而且会带来很多人为跟踪误差。提出了一种基于粒子滤波算法实现对神经丝蛋白质全自动跟踪的全新方法。为了提高粒子滤波的计算效率,在粒子滤波算法中利用了神经丝蛋白质在神经轴突内运动这一特征,限制了算法中粒子的位置和方向,从而显著地降低了粒子使用的数量,大大减少了算法的运算时间。在实际的实时跟踪实验中,提出的粒子滤波跟踪算法与通用的粒子滤波算法相比,显示出了运算速度快和跟踪准确的优点。同样,这种空间约束粒子滤波方法也适用于其他轴突物质的运动跟踪。