基于有限存储的简约空间序列二次规划算法研究

为了求解过程系统中自由度相对较大一些的大规模优化命题,对简约空间序列二次规划（reduced successive quadratic programming,RSQP）算法进行了改进和扩展,提出了基于有限存储的简约空间序列二次规划算法.该算法通过有限存储技术隐式的表示RSQP算法中的两个最大矩阵,大大减少了优化计算过程中的存储需求,并对有限存储技术应用到RSQP算法中后Hessian阵的更新和基变量的选择进行了特殊处理。该算法的求解性能通过benchmark算例进行了测试,并被应用到两个过程系统优化实例。计算结果表明,采用该方法求解自由度相对较大的问题可以大大减少内存消耗,从而可大大提高算法的优化求解效率。     

基于信号特征序列的粒子滤波跟踪算法

 为了实现基于无线传感器网络的高精度目标跟踪,提出一种对物理层透明的基于信号特征序列的粒子滤波跟踪算法.采用信号特征序列实现由物理层信号到抽象信号的转变,利用信号特征序列的距离作为粒子滤波权值的更新依据;针对经典粒子滤波算法容易退化、贫化、粒子偏离后验分布等问题,综合运用轨迹预测、遗传交叉、重采样等方法使粒子分布有效的表征目标后验分布;同时,采用多维滤波对数据进行处理改善算法的噪声抑制能力.仿真结果表明算法的各种措施有效地提升了跟踪精度.     

基于模拟退火粒子群优化的粒子滤波算法

本文提出一种基于模拟退火粒子群优化的粒子滤波新算法,该算法基于一个高斯分布来不断更新粒子,采用随机概率扰动的方式作为粒子群算法的全局极值更新条件,增加了全局最优区域的搜索能力,避免了粒子过早的"趋同性",仿真实验结果表明,算法克服了粒子退化问题,提高了预估精度,预估性能优于传统的粒子滤波方法。     

基于时间序列自适应建模的粒子滤波动态目标跟踪

在目标跟踪中为达到目标的运行模型与实际轨迹相符,本文提出基于时间序列自适应建模的粒子滤波算法（TS_PF）。采用时间序列方法动态构建预测模型,并将粒子滤波算法中一系列加权粒子以该模型进行状态转移,运用粒子滤波重采样技术,使预测误差进一步减小,预测精度逼近最优估计。仿真实验表明在粒子滤波算法中采用时间序列自适应建模,能够...     

粒子滤波算法研究

本文介绍了几种粒子滤波算法,然后详细的介绍了各算法存在的主要问题,以及各种改进算法的优势。最后给出了粒子滤波在研究领域中的一些应用。最后通过介绍几种算法对全文做出了总结。     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

基于粒子滤波的高频金融时间序列预测

高频金融时间序列呈现出强烈的非高斯特性,已经不能采用传统的统计分析方法对其进行分析与预测,通常采用基于极限思想的已实现波动理论进行高频数据的建模.针对市场运作中的高频数据采集数量有限而不能准确估计"已实现"波动率的局限性,提出一种新的预测方法:在对"已实现"波动率建模的基础上,采用适合于非高斯非线性过程的粒子滤波技术对波动率进行估计与预测,可以处理单日内的高频交易数据.将此算法应用于日内高频微软股价数据预测,得到了较好的实证效果.     

基于Sage-Husa的优化粒子滤波算法

针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。     

基于改进粒子滤波算法的纯方位目标跟踪

纯方位目标跟踪是一个重要的研究课题。它要解决的问题是:利用含有噪声的方位数据来估计目标的真实运动轨迹。本文提出了一种基于粒子群优化的改进粒子滤波算法。这种算法可以将最新的观测值引入观测估计,提高了预估精度,减少所需的粒子数,从而实现对目标真实运动轨迹更好的跟踪。     

基于自适应粒子群优化的粒子滤波跟踪算法

传统粒子滤波算法中在重要性采样部分存在采样粒子位置不精确的问题,可用粒子群优化算法优化,但目前的标准粒子群优化粒子滤波算法会出现粒子局部寻优的情况。对此对算法中的惯性权重和学习因子同时采取自适应调整的方法,平衡粒子的搜索能力以减少这种情况的出现,并且为了解决算法优化后因粒子聚集而造成的多样性缺失问题,对粒子进行随机变异以提高粒子多样性。仿真结果表明,经过改进后的优化算法可有效提高粒子滤波算法的准确性,使跟踪误差减小。     

基于粒子重采样滤波算法的红外图像消噪

针对红外图像消噪的特性,提出粒子重采样滤波算法。首先通过Chapman-Kolmogorov方程对粒子群系统空间状态的概率密度函数预测状态;然后重采样去除小权值粒子,保留复制权值较大的粒子,且大权值粒子多次采样;接着有效粒子数阈值防止粒子退化,划分粒子权值为大、中、小三类,中权值粒子保留,大、小权值粒子合并产生新粒子,通过Thompson-Taylor算法随机挑选新粒子重采样;最后消噪模型采用两种噪声迭加成的混合双模噪声模型,给出了算法流程。仿真结果表明,本文算法在有效保留图像重要信息的同时对噪声的抑制效果更为理想。     

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

基于粒子滤波算法的DS-CDMA多用户检测

粒子滤波算法是一种基于贝叶斯估计的蒙特卡罗方法,尤其适用于处理非线性、非高斯系统的状态估计问题。该算法应用于DS-CDMA系统的多用户检测中,检测器能在检测性能和计算复杂度之间取得很好的平衡。基于粒子滤波算法的多用户检测器在性能上逼近于最优多用户检测器,而计算复杂度远低于最优多用户检测器,与次优多用户检测器相当。利用白化匹配滤波器的输出可以建立同步DS-CDMA系统的状态空间方程,使得粒子滤波算法应用于多用户检测中。仿真实例证明了基于粒子滤波算法的多用户检测器在等功率和远近效应的情况下的性能优势。     

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。     

基于代价参考粒子滤波的存在概率检测算法

为提高统计特性未知情况下对非线性微弱动目标的检测能力,本文提出一种基于代价参考粒子滤波的检测前跟踪算法.首先在代价参考粒子滤波的状态向量中增加模拟目标存在状态的离散变量,并在离散变量的转移过程中引入相关系数判决机制;其次,利用代价参考粒子滤波的输出估计存在概率;最后,基于存在概率构造检验统计量.当检验统计量大于给定门限时宣布目标出现.天波雷达目标检测的仿真表明,当系统的统计特性已知时,该方法的检测性能与基于传统粒子滤波的似然比检测、存在概率检测等相当;当统计特性未知时,该方法的检测性能比传统方法提高了2dB以上.本方法可用于复杂背景下的监测系统,如雷达、声呐等.     

基于粒子滤波跟踪的步态特征提取算法研究

步态识别是一种基于步态特征的生物特征识别技术,包括身高和体形等。步态特征中的傅里叶描述子具有尺度、平移和旋转不变性,可以表示人体的轮廓特征。本文提出了一种识别方法：首先运用粒子滤波算法得到更准确的目标位置信息,在此基础上计算傅里叶描述子,进而实现更优越的步态识别效果。通过对滤波前后的傅里叶特征与真实目标特征的对比,证明此方法提取的特征信息更为准确,从而提高对人体目标的识别效率。     

基于粒子优化的多模型粒子滤波算法

针对模型信息引入粒子采样过程中导致用于逼近当前时刻真实状态与模型的粒子数减少问题,本文给出了一种基于粒子优化的多模型粒子滤波算法．在算法实现中,对每个粒子运行一个扩展卡尔曼滤波器,结合扩展卡尔曼滤波中预测更新机制实现最新量测信息的有效利用,进而提升单个采样粒子对于真实系统状态和模型逼近的有效性．理论分析和仿真结果表明：新算法在系统状态估计的精度以及模型辨识的准确性方面均明显地优于交互式多模型粒子滤波算法和多模型粒子滤波算法．     

基于序贯重点采样粒子滤波的分布估计算法

 连续域分布估计算法一般假设数据服从高斯分布,而且大多采用了单峰的概率模型,但是对于一些复杂的优化问题,单峰的高斯分布模型不能有效地描述解在空间的分布.本文提出一种基于序贯重点采样粒子滤波的分布估计算法,采用带权粒子描述优选集样本服从的概率分布并从中采样得到下一代种群,不需要假设样本服从高斯分布,并且算法采用的概率模型是多峰的.仿真实验结果验证了本文方法的正确性和有效性.     

基于卡尔曼粒子滤波的目标跟踪算法

目标跟踪在计算机视觉领域有着重要的应用。文中在对运动目标跟踪算法进行研究之后,应用卡尔曼粒子滤波算法进行运动目标的跟踪,同时利用Matlab 对卡尔曼滤波算法、粒子滤波算法及卡尔曼粒子滤波算法进行了实验仿真。实验结果表明,运用卡尔曼粒子滤波算法能够更快、更准确地对运动目标进行跟踪,可将其广泛应用于目标跟踪中。     

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时, 使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。