保持粒子多样性的非退化粒子滤波方法研究

针对现有粒子滤波算法中的粒子退化问题以及重采样所引起的粒子多样性减弱问题,将自适应遗传算法与粒子滤波结合设计一种新的非退化粒子滤波算法。该算法通过对粒子使用遗传算子操作以保证粒子的多样性和有效性,根据粒子在前一时刻计算出来的先验信息自适应地实时调节当前时刻的遗传操作概率,有效增加了粒子对系统状态变化的适应性。实验结果表明,该算法可有效提高非线性系统状态的估计精度,尤其在系统状态发生突变的时候,可以得到较好的估计精度。     

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。     

基于优化遗传重采样的辅助粒子滤波检测前跟踪方法

针对由于粒子匮乏辅助粒子滤波检测前跟踪(APF-TBD)无法获得较好的检测和跟踪性能的问题,提出了一种基于优化遗传重采样的辅助粒子滤波检测前跟踪(OGRAPF-TBD)方法.在APF-TBD的重采样中应用优化后的遗传重采样算法,在重采样中根据权重选择优质粒子,通过排序分组交叉和变异操作得到新粒子.该方法不仅能保留APF...     

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...     

粒子优化组合的粒子滤波跟踪算法研究

为了改善运动目标跟踪问题中粒子滤波算法(PF)的估计精度,针对粒子滤波出现样本退化以及样本贫乏问题,提出了一种基于粒子优化组合的粒子滤波算法(POCPF)。该算法用一能使粒子朝后验概率分布值较大的区域运动的似然函数来改善粒子的位置,然后重估粒子的权值对粒子进行优化组合,满足粒子的多样性要求,从而克服了粒子的贫乏问题,在一定程度上减少系统状态为达到精确度所需的粒子数目,缩短运行时间。通过仿真实验证明了POCPF算法的有效性,当粒子数相同时,POCPF算法性能优于PF算法。     

基于遗传重采样粒子滤波的弹道跟踪方法

在雷达对目标的跟踪过程中,受不同位置回波干扰的影响,测量噪声常表现出以闪烁噪声为代表的非高斯特性,严重破坏了卡尔曼滤波算法的高斯假设,使得卡尔曼滤波器的估计精度大幅下降.同时,不依赖高斯假设的粒子滤波又存在着粒子退化等问题,无法获得良好的跟踪效果.针对这一情况,文中借鉴生物遗传思想,给出了基于遗传重采样的粒子滤波算法,...     

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。     

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。     

基于遗传算法和神经网络的改进粒子滤波的GPS定位数据处理算法

针对GPS接收机观测噪声分布的特点和粒子滤波存在的粒子退化问题,提出基于遗传算法和神经网络的重要性权值调整粒子滤波算法。将遗传算法全局寻优的收敛性与BP神经网络局部寻优的快速性结合,改善粒子的分布。将改进粒子滤波应用于GPS定位精度改善,与神经网络辅助的粒子滤波进行比较,对比两者的有效粒子数目和训练误差。实测GPS数据处理验证表明,该算法增加了有效粒子数目,有效抑制了粒子退化,在改善GPS定位精度上取得了良好的效果。     

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。     

基于统计线性回归的粒子滤波方法

针对非线性、非高斯系统的状态估计问题,该文提出了一种基于统计线性回归的粒子滤波算法。在该算法中,首先对非线性函数基于统计线性回归展开,并利用高斯积分估计回归系数,依此产生重要性密度函数。该密度函数融入了最新的观测信息,扩大了与系统真实后验密度的重叠区域。理论分析和实验结果表明,该算法具有较高的估计精度,与一般的粒子滤波算法相比,有较好的稳定性和较低的计算量。     

一种应用粒子滤波器实现混沌通信的方法

该文研究应用粒子滤波器实现混沌通信的问题。组合信号建模技术,提出了一种基于粒子滤波器的实现方法。在发送端,采用加性混沌掩盖或乘性混沌掩盖将信息符号调制在混沌信号上;在接收端,应用粒子滤波器估计信息符号,进而实现混沌通信。仿真结果表明,当信息符号为二进制编码和M进制编码时,基于两种混沌掩盖的通信方案,粒子滤波器均能较好地从噪声混沌信号中恢复信息的编码值;与无先导卡尔曼滤波器相比,前者具有较低的误码率。此外,对比两种混沌通信方案,基于粒子滤波器的加性混沌掩盖通信系统在较高的Eb/N0下的通信性能接近BPSK,具有较低的误码率。     

基于格拉布斯准则和改进粒子滤波算法的水下传感网目标跟踪

水下无线传感网络(UWSN)执行目标跟踪时,因为各个传感器节点测量值对目标状态估计的贡献不一样以及节点能量有限,所以探索一种好的节点融合权重方法和节点规划机制能够获得更好的跟踪性能。针对上述问题,该文提出一种基于Grubbs准则和互信息熵加权融合的分布式粒子滤波(PF)目标跟踪算法(GMIEW)。首先利用Grubbs准则对传感器节点所获得的信息进行分析检验,去除干扰信息和错误信息。其次,在粒子滤波的重要性权值计算的过程中,引入动态加权因子,采用传感器节点的测量值与目标状态之间的互信息熵,来反映传感器节点提供的目标信息量,从而获得各个节点相应的加权因子。最后,采用3维场景下的簇-树型网络拓扑结构,跟踪监测区域内的目标。实验结果显示,该算法可有效提高水下传感器网络测量数据对目标跟踪预测的准确度,降低跟踪误差。     

一种基于差分演化的粒子滤波算法

针对粒子滤波(Particle Filter, PF)存在的粒子退化和贫化问题,该文提出一种基于差分演化(Differential Evolution, DE)的PF算法。首先,为了充分利用最新的观测信息,采用无迹卡尔曼滤波(Unscented Kalman Filter, UKF)来产生重要性分布,对重要性分布产生的采样粒子不再做传统重采样操作,而是直接把采样粒子当作DE中的种群样本,粒子权重作为样本的适应函数,对粒子做差分变异、交叉、选择等迭代优化,最后得到最优的粒子点集。试验结果表明,该算法有效缓解了传统PF算法中的粒子退化和贫化,提高了粒子的利用率,具有较好的估计精度。     

基于自适应变异粒子群优化算法的自适应滤波器设计

本文提出了设计一种基于自适应变异粒子群优化算法的振动信号的自适应滤波模型，然后重点研究了自适应数字滤波器设计的粒子群优化算法及其实现步骤。该滤波模型在计算机仿真测试中，获得了很高的效率和良好的结果。     

LOS/NLOS混合环境中的粒子滤波跟踪算法

扩展卡尔曼滤波算法在直达波(Line-Of-Sight,LOS)和非直达波(None-Line-Of-Sight,NLOS)混合环境中存在显著的误差。该文根据混合噪声概率密度函数的数值近似公式,提出了一种基于传播环境LOS/NLOS二元状态信息的粒子滤波算法。仿真结果表明,利用了二元环境信息和混合噪声密度的粒子滤波算法能明显改善对移动目标的跟踪估计精度。     

基于粒子滤波和滑动平均扩展Kalman滤波的多径估计算法

多径干扰是高精度定位的主要误差源,估计多径参数对消除多径误差,提高导航系统定位精度具有重要意义。针对扩展Kalman滤波(EKF)在进行多径参数估计时,存在对初值敏感,估计结果在真值附近具有较大波动的缺点,该文提出一种基于粒子滤波(PF)和滑动平均EKF的多径估计算法。该算法首先利用PF得到多径参数的粗略估计值,并将该值作为EKF的初始估计值,以克服EKF对初值敏感的问题。接着对EKF的估计结果进行滑动平均,并将平均后的滤波结果作为多径参数的估计结果。仿真结果表明,改进后的多径估计算法可有效降低估计结果的波动幅度,同时解决了EKF对初值敏感的问题。     

基于随机摄动再采样的粒子概率假设密度滤波器

作为概率假设密度滤波的典型实现方式,粒子概率假设密度滤波器无需线性高斯等先验假设,因而在多目标跟踪中得到了广泛的应用。为解决粒子退化问题并保持粒子规模,该滤波器引入了重采样机制,然而,该重采样机制易引起粒子多样性耗尽,导致粒子贫化问题产生。为解决这一问题,该文提出一种新的基于随机摄动再采样的粒子概率假设密度滤波器。首先,全面分析了粒子概率假设密度滤波因粒子贫化问题导致目标失跟的过程。然后设计了一种随机摄动再采样算法,该算法在重采样导致粒子多样性缺失时,根据源粒子的位置与复制次数随机产生相应数目的新粒子,并对源粒子进行删减,其可在保留源粒子信息的前提下保持粒子的多样性。最后,该文将该算法纳入概率假设密度滤波框架,提出了一种新的粒子概率假设密度滤波器。仿真结果表明该滤波器在不显著增加运行时间的前提下能够克服粒子贫化问题,相比标准的粒子概率假设密度滤波器具有更好的跟踪性能。     

基于高斯粒子JPDA滤波的多目标跟踪算法

在多目标跟踪中,由于观测的不确定性带来数据关联问题,并且,多目标状态空间尺寸的增长带来了维数增大问题,该文提出了一种新的高斯粒子联合概率数据关联滤波算法(GP-JPDAF),在JPDA框架中引入高斯粒子滤波(GPF)的思想,通过高斯粒子而不是高斯量,来近似目标与观测的边缘关联概率,利用GPF计算目标状态的预测及更新分布。将其应用于被动多传感器多目标跟踪,仿真结果表明该算法比MC-JPDAF具有更好的跟踪性能。