一种改进粒子滤波算法分析

在非线性、非高斯系统的状态估计研究中,最常用的是EKF和UKF两种方法,但是这两种方法还局限于高斯分布的情况。在之后的研究中出现了不受非线性、非高斯分布问题限制的粒子滤波算法。这种算法的主要问题是粒子退化问题,常规的再采样方法虽然可以解决退化问题,但是容易导致粒子耗尽。针对这种问题,本文提出用辅助变量粒子滤波算法,对标准粒子滤波算法步骤中的再采样部分进行改进,最后对算法进行性能仿真及分析。仿真结果表明,改进的粒子滤波算法性能良好。     

基于DSP的改进粒子滤波算法硬件实现

粒子滤波算法在处理非线性、非高斯系统方面有明显的优势,但较大的运算量限制了其实时性的应用。针对这一问题,文中研究利用DSP处理器高速运算的特点实现粒子滤波算法。文中针对粒子滤波的粒子退化问题给出重采样方法,详细给出了DSP实现粒子滤波算法的流程,对DSP的存储资源进行了优化设计。利用典型模型进行算法实现验证,结果表明：采用DSP实现的粒子滤波算法可对状态参量进行精确处理,验证了DSP用于非线性、非高斯系统的粒子滤波算法实现的有效性。     

一种改进的粒子滤波重采样算法研究

粒子滤波是基于递推的蒙特卡罗模拟方法的总称,可用于任意非线性,非高斯随机系统的状态估计.为了减轻退化现象,引入重采样过程,但重采样过程算法复杂,计算量大,不利于硬件实现,并且会削弱粒子的多样性,从而导致滤波性能下降.提出了一种将局部重采样和优化组合算法结合的重采样算法.将粒子按权值大小分类,小权值的粒子抛弃,大权值的粒...     

一种改进重采样的粒子滤波算法

粒子滤波算法中重采样是解决粒子退化的一种重要方法,但重采样会导致粒子多样性的损失。针对这一问题,对基本重采样算法进行了改进。改进算法首先按基本重采样思想找到权值大的粒子进行复制,然后借鉴遗传算法进行交叉和变异操作,其中变异由变异尺度因子和粒子集的均值来实现。利用改进重采样的粒子滤波算法对经典纯方位目标跟踪问题进行了仿真,仿真结果表明,改进算法具有更好的跟踪精度。     

基于改进的粒子滤波算法的目标跟踪

为了解决粒子滤波算法在重采样过程中会造成粒子有效性和多样性的丧失,导致粒子贫化现象,提出了一种基于萤火虫算法的改进的粒子滤波算法。该算法在粒子滤波重要性采样过程中使用萤火虫算法,对粒子进行迭代寻优,使得采样出来的粒子更接近真实的后验概率;在粒子滤波重采样过程中,使用萤火虫算法使得粒子向高似然区域移动,提高粒子的多样性。实验结果表明,基于改进的粒子滤波算法目标跟踪效果优于传统的粒子滤波算法,可以在各种具有挑战性的条件下更好地进行目标跟踪。     

远距离纯方位跟踪的改进粒子滤波算法

粒子滤波是一种基于蒙特卡罗采样和递推贝叶斯估计的滤波方法,不受模型非线性和非高斯噪声的限制,因而被用于各种非线性滤波和参数估计问题。但是对于先验信息较少和信噪比较低的问题,其庞大的计算量和缓慢的速度限制了它在实时系统中的应用。这里介绍了粒子滤波基本原理,通过改进权重计算、重采样算法,使计算速度得到提高。这种改进算法用于对海洋远距离纯方位目标进行跟踪仿真,其结果表明,具有速度快,精度高的特点。     

基于粒子滤波的红外目标跟踪新算法

粒子滤波是一种在非线性和非高斯情形下进行状态估计的有效方法。提出一种基于粒子滤波的红外目标跟踪的新算法。阐述了粒子滤波算法的原理,将粒子滤波引入到红外目标跟踪中。考虑到传统的粒子滤波跟踪算法存在计算量大,误码多的缺点,对传统算法进行了改进。对采样粒子进行优化选择,改进了重采样环节。实验结果表明,改进算法较传统粒子滤波算法能更准确,更有效的跟踪红外目标。     

一种改进的快速粒子滤波方法

现行的粒子滤波基本算法存在采样过程的计算复杂度高的问题,而且为避免样本枯竭而采用重采样的改进算法也增大了计算量,本文提出了替代重采样的快速粒子滤波方法,通过建立适合的充分统计量函数逼近后验概率密度,进行迭代更新的方法避免了重采样过程,有效地减小了计算量,有利于算法的快速实现。通过对非线性系统中状态和参数的联合估计问题的仿真,结果验证了本文方法的有效性。     

基于P-N跟踪器的自适应粒子滤波算法

针对粒子滤波(Particle filter)算法的粒子衰退和计算量过大问题,提出一种将P-N跟踪器与粒子滤波算法结合的目标跟踪方法。首先构造P-N跟踪器,利用跟踪器来确定目标区域范围并输出置信度,以此作为对目标物体定位的依据;在滤波过程中,依据跟踪器结果来进行粒子重采样过程,完成了对抽样粒子集的自适应调节,提高了粒子数量,有效降低了粒子数量。从而达到了抑制粒子衰退和动态调整计算量的目的。实验证明将该方法应用于实时摄像头采集视频跟踪,与传统粒子滤波算法比,在抗粒子衰退与减少粒子数量方面有明显改善。     

基于微分进化的组合重采样粒子滤波算法

针对粒子滤波重采样带来的样本贫化问题,设计了微分进化组合重采样算法。通过引入微分进化算法的交叉变异操作保持了粒子多样性;同时将残差重采样和微分进化重采样算法组合起来,克服了单纯微分进化重采样的时滞性问题。蒙特卡罗仿真表明,所研究的算法在精度上有很大的提高,并且实时性较好。算法效率提高了1倍,只需300个粒子就可以达到残差重采样粒子滤波1000个粒子的效果,而且实时性提高了很多。     

一种改进型的粒子滤波器

针对复杂背景条件下图像序列中跟踪运动目标的问题,提出一种改进的粒子滤波图像跟踪算法,该算法利用遗传算法的研究成果,采用选择、交叉、变异等步骤实现对粒子的重采样,解决了粒子滤波器所面临的粒子退化和匮乏问题.由于该算法利用了遗传算法的全局寻优特性,因此该算法具有较强的稳健性.同时,粒子滤波可实现非线性非高斯状态空间模型的最优估计,将该粒子滤波用于目标跟踪,具有较好的过遮挡能力.实验结果表明,该算法状态估计性能好,能够很好地实现复杂图像序列中的目标跟踪.     

一种改进的粒子滤波算法

在粒子滤波中,防止粒子退化的两个关键因素是选择适当的采样建议分布和重采样算法.针对建议分布的选择条件,提出了一种改进的粒子滤波算法,该算法采用强跟踪扩展卡尔曼滤波方法构建其建议分布.强跟踪扩展卡尔曼滤波可在线调节参数,从而使得系统具有更好的自适应性和鲁棒性,对高机动目标具有更强的跟踪效果.仿真结果表明,该算法的性能优于其它几种非线性滤波算法.     

Improved Particle Filter Resampling Architectures

The most challenging aspect of particle filtering hardware implementation is the resampling step. This is because of high latency as it can be only partially executed in parallel with the other steps of particle filtering and has no inherent parallelism inside it. To reduce the latency, an improved resampling architecture is proposed which involves pre-fetching from the weight memory in parallel to the fetching of a value from a random function generator along with architectures for realizing the pre-fetch technique. This enables a particle filter using M particles with otherwise streaming operation to get new inputs more often than 2M cycles as the previously best approach gives. Results show that a pre-fetch buffer of five values achieves the best area-latency reduction trade-off while on average achieving an 85% reduction in latency for the resampling step leading to a sample time reduction of more than 40%. We also propose a generic division-free architecture for the resampling steps. It also removes the need of explicitly ordering the random values for efficient multinomial resampling implementation. In addition, on-the-fly computation of the cumulative sum of weights is proposed which helps reduce the word length of the particle weight memory. FPGA implementation results show that the memory size is reduced by up to 50%.

     

基于DSP的改进粒子滤波算法研究

介绍了粒子滤波基本原理,针对粒子滤波计算量大和难以用硬件实现等缺点对粒子滤波算法进行了改进,使其平均计算周期缩短为原来的90%,应用DSP实现了粒子滤波算法。改进粒子滤波算法主要优化了原粒子滤波算法中权值计算、重采样和输出步骤,使其计算速度和滤波精度有所提高。这种改进粒子滤波算法在DSP系统中进行仿真,结果证明它具有速度快,精度高的优点。     

改进的多特征融合粒子滤波视频跟踪算法

视频运动目标的跟踪是一个典型的非线性、非高斯问题,粒子滤波是一个解决非线性、非高斯问题的主流方法,粒子滤波技术具有非线性等特性,在目标跟踪过程中得到了广泛的应用。传统粒子滤波跟踪算法的退化现象严重,经过几次迭代递推,权重方差随着时间推移而增大,为解决该问题引入均值漂移算法,调整初始粒子分布,使粒子集中于邻近的局部极大值区域内,以减少退化现象的发生。并且将颜色特征和边缘特征融合在粒子滤波跟踪算法中,在传统算法基础上提出改进,加入优化机制,使粒子的权值分布更加接近实际情况。实验结果表明了该算法的有效性。     

基于改进的PHD粒子滤波的多目标跟踪技术

有限集统计学（FISST）理论将任意时刻目标状态的集合视为多目标集值状态,而相应的传感器观测值集合被视为多目标集值观测。通过随机有限集建模并利用集合的微积分运算可推导出最优多目标贝叶斯滤波器。然而由于涉及集合微积分运算,最优多目标贝叶斯滤波器的运算量极大。概率假设密度（PHD）滤波器是最优多目标贝叶斯滤波器的一阶矩近似,可以实现在关联不确定、目标数目未知或变化情况下的多目标状态估计。相比于最优多目标跟踪技术,基于PHD滤波器的多目标跟踪技术的运算复杂度得到了有效的降低,更易于工程应用。但在密集杂波背景下PHD滤波器的粒子实现方法仍然存在运算复杂度过高的问题。本文针对密集杂波的情形,提出一种有效的杂波滤除方法,在不影响滤波性能的情况下,降低了运算复杂度,提高了滤波效率。      

基于观测迭代的插值粒子滤波算法

基于序贯重要性抽样(SIS)及贝叶斯理论的粒子滤波能够很好地处理非线性及非高斯问题。如何选取重要密度函数以减小粒子退化影响提高粒子滤波精度是粒子滤波的主要问题之一。传统粒子滤波器以高斯分布作为参考分布。由于没有利用新的观测,通常需要大量的粒子才能准确表达状态后验分布。本文采用基于观测迭代的插值参考分布提高重要密度函数估计精度,减少了后验概率密度估计误差,同时结合观测系统的最近一次的量测,更好的匹配后验概率密度。 仿真结果显示该滤波器要优于其他粒子滤波器。      

基于复似然比的粒子滤波改进算法

针对低信噪比微弱目标的实时检测与跟踪问题,提出了基于复似然比的粒子滤波改进算法。该算法弥补了传统粒子滤波利用幅度似然比计算粒子权重而忽略相位信息的缺陷,推导了基于复似然比的粒子权重表达式,从而更好地利用了目标原始信息。同时,基于幅度似然比的权重计算需要多次进行贝塞尔函数运算,而基于复似然比的权重计算只需进行一次贝塞尔函数运算,可以有效降低计算复杂度。仿真结果表明：改进算法不仅在检测与跟踪性能上优于传统粒子滤波算法,所需计算时间也明显降低。     

改进的交互式多模型粒子滤波跟踪算法

通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF)。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能。然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷。该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率。对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能。