基于高斯Sigma点选取的改进UPF算法

针对标准粒子滤波存在的粒子退化现象,提出了一种改进的UPF算法。该算法采用基于高斯Sigma点选取的自适应无味卡尔曼滤波产生建议分布函数,然后利用MetropolisHastings(MH)方法优化粒子,提高了对系统后验概率密度的逼近程度。仿真结果表明:改进算法降低了粒子滤波算法的粒子退化程度,提高了跟踪精度。     

一种基于粒子滤波的红外多目标跟踪算法

针对粒子滤波算法固有的"退化"和"样贫"问题,采用基于权值选择重采样算法与粒子滤波算法相结合来优化粒子滤波的滤波性能、克服粒子退化。针对粒子滤波算法在红外目标跟踪,尤其是对遮挡目标跟踪方面的不足,本文从Markov跳变非线性系统贝叶斯状态估计的角度出发,引入一种无向图即马尔可夫随机场(MRF)来描述多目标的交互模型,提出了该系统下的粒子滤波跟踪框架,并将其用在被遮挡的红外多目标跟踪中。实验结果表明,所提出的算法能有效对被遮挡的红外目标进行跟踪,并且在抗遮挡性以及跟踪持久性等方面优于主流算法。     

基于广义回归神经网络的粒子滤波算法研究

针对基本粒子滤波算法存在的粒子退化问题,提出了一种基于广义回归神经网络(GRNN)的重要性样本调整的粒子滤波算法。利用广义回归神经网络优化从重要性密度函数采样的样本,将样本作为神经网络的输入,以观测值作为神经网络的目标向量,通过多次训练优化光滑因子逼近目标向量,用样本值和其周围的调整值作为训练后神经网络的输入向量,通过神经网络的输出向量指示用最优点来取代样本值。利用GRNN对样本进行调整,使得样本更接近于后验概率密度。仿真结果表明:基于广义回归神经网络的粒子滤波算法的性能在有效粒子数和均方误差参数方面优于基本粒子滤波算法,在改善滤波精度方面取得了较好的效果,验证了广义回归神经网络在粒子滤波算法中是可用的和有效的。     

一种改进的多伯努利多目标跟踪算法

针对粒子势均衡多目标多伯努利滤波的粒子实现形式所需粒子数多、粒子退化严重的问题,将均方根容积卡尔曼滤波与粒子势均衡多目标多伯努利滤波相结合,提出均方根容积卡尔曼粒子势均衡多目标多伯努利滤波算法．该算法利用均方根容积卡尔曼滤波构建重要性密度函数,再对其进行采样获得预测粒子状态,从而提高粒子的准确性,减轻粒子退化．与基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波相比,该算法更稳定,且算法性能不受目标状态维数的限制．仿真实验表明,所提算法与粒子势均衡多目标多伯努利滤波算法和基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波算法相比,其跟踪精度更高．     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

核粒子滤波目标跟踪算法

针对粒子滤波的退化问题以及使用单一特征跟踪鲁棒性不高的缺点,提出了一种基于多特征融合的核粒子滤波目标跟踪方法.首先在核粒子滤波中提出新的权值更新方法,然后将颜色和纹理特征在核粒子滤波方法框架下进行融合实现鲁棒跟踪.对颜色和纹理特征的计算分别采用空间直方图和积分直方图的计算方法,这2种计算方法有效地克服了2种特征自身存在的缺点.该算法提高了采样效率,解决了粒子滤波的计算量大和粒子退化问题.最后应用本文算法在复杂背景和严重遮挡等情况下的目标序列上进行了测试,实验表明该算法不仅能准确地跟踪目标,而且能很好地处理目标遮挡等问题.     

均值漂移优化的粒子滤波目标跟踪方法

为了实现粒子集的有效传播,克服粒子滤波跟踪时的退化问题,提出尺度和方向自适应的均值移动优化粒子滤波目标跟踪算法.用改进的均值移动作为一种优化机制对粒子进行传播,使粒子能够有效分散和聚类,有效解决退化问题.最后将该方法应用到真实图像序列中,实验表明算法在性能和效率上有明显提高.     

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.     

一种适用于无线传感器网络的遗传粒子滤波跟踪算法

针对WSN遗传粒子滤波跟踪算法的粒子集退化的问题,提出了一种改进的遗传粒子滤波跟踪算法,该算法在遗传交叉过程中同时随机选取新旧粒子集中的粒子进行交叉,充分利用了父代优良基因,并给出了交叉、变异概率等参数的选取方法.仿真结果表明:与原算法相比,改进的遗传粒子滤波算法在大噪声条件下改善了粒子贫乏问题,提高了跟踪精度.     

基于PSO-PF算法的SVM识别方法 及其在异常声音中的应用

针对异常声音识别率低和算法复杂度高等技术难题,提出了一种基于粒子群优化粒子滤波（PSO-PF）算法优化支持向量机（SVM）的识别方法.将PSO算法引入粒子滤波中,通过不断更新粒子速度和位置,使粒子群向高似然后验概率区域移动,提高粒子滤波的参数估计精度.将PSO-PF算法应用于SVM参数优化中,可解决现有SVM参数优化算法易陷入局部最优值等问题.实验结果表明,将所提方法应用于多类异常声音识别,能够有效提高识别率,降低算法复杂度.     

采用GWO优化SVM的燃气轮机气路故障诊断

将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类。将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法。     

入侵式野草优化粒子滤波方法

针对粒子滤波存在的样本集贫化现象,将入侵式野草优化思想融入粒子滤波的采样阶段,提出了一种入侵式野草优化粒子滤波方法。该方法通过优化采样过程并融合最新观测值,使粒子以自身权值在附近搜索空间动态繁衍,优胜劣汰出具有最优权值的粒子集,以指导粒子向后验概率的局部高似然域运动,增加了样本多样性而缓解样本集贫化现象。试验结果表明,该方法具有较高估计精度与运行效率。     

等式状态约束下的粒子滤波算法

针对具有等式状态约束的非线性高斯系统滤波问题,在粒子滤波过程中,通过投影方法将状态向量投影到状态约束子空间,利用拉格朗日乘子法求解修正后的状态向量.由于在粒子滤波算法中可以针对状态估计或者粒子集修正,因此,对应了两种能够处理等式状态约束的粒子滤波方法.新方法与常规粒子滤波算法相比滤波误差明显降低.仿真结果验证了新方法的...     

一种伪粒子滤波的多目标跟踪方法

针对经典粒子滤波方法进行多目标跟踪的发散问题,基于经典粒子滤波原理和聚类算法,提出一种伪粒子滤波方法．通过对经典粒子滤波重要性重采样结果进行聚类分析,获得相应目标的粒子子群集合以及相应的不动点．并证明了选取近于目标区域大小的聚类核函数带宽,聚类不动点即逼近目标的最大后验概率分布．通过数据关联确定多目标的最终状态．实验结果表明,该算法解决了经典理论的发散问题,可以完成实时多目标跟踪,且具有鲁棒性能和一定的生物视觉仿生功能．     

基于迭代sigma点粒子滤波的再入目标跟踪

标准粒子滤波提议分布选择时,由于没有计入最近的观测值信息,重要性权的方差随时间递增,导致权值蜕化。针对这一问题提出了一种新的滤波算法,迭代sigma点粒子滤波算法。该算法在预测时采用sigma点粒子滤波产生拟合概率密度函数的加权粒子,并通过观测值对加权粒子进行更新;修正过程采用迭代卡尔曼滤波优化预测阶段得到的描述状态分布的均值和方差。将其运用于再入大气层目标的跟踪模型,仿真结果表明:与标准粒子滤波相比,该算法能保证滤波收敛,具有更高的估计精度和更好的鲁棒性。     

支持向量机分类器若干核心问题的研究

重点讨论了支持向量机在模式分类中的应用.针对结构风险最小化准则、最优分类超平面的确定、核函数与参数优化、多值支持向量机分类器的设计等核心问题作了较为深入的阐述.指出了支持向量机中需要深入研究的方面.     

基于粒子滤波和UKF联合滤波的卫星姿态估计

针对矢量观测的三轴稳定卫星的姿态估计问题,提出了基于粒子滤波(PF)和Unscented卡尔曼滤波(UKF)的一种联合滤波方法.为了避免粒子滤波的状态高维数引起的计算量过大、难收敛等问题,采用UKF滤波来估计陀螺的漂移,从而使粒子的数量大大减少,以较少的运算量获得较好的滤波效果.另外,通过定义增量误差四元数和采用无冗余的广义罗德里格参数(Generalized Rodrigues Param eters)(三参数)描述卫星姿态,使四元数的归一化处理是隐含的,从而解决了四元数的归一化所造成的协方差阵奇异问题.将该方法应用于某型号卫星的姿态估计,并与UKF相比,即使在较大初始姿态误差情况下,算法也能很快地收敛,验证了所设计的姿态估计算法是可行有效的.     

回归型加权支持向量机方法及其应用

针对各样本重要性的差异,提出了给各个样本的惩罚系数和误差要求赋予不同权重的加权支持向量机方法.给出了对偶最优化问题的描述及其SMO训练算法.在近红外光谱汽油辛烷值测定实验中,训练样本的重要性通过测试样本与该样本的空间距离来表征.实验表明采用加权支持向量机方法提高了汽油辛烷值的测量精度,从而说明了该方法可以提高回归估计函数的泛化能力.